Geçmiş enflasyon serilerini incelerken hangi yaklaşımları tercih ediyorsunuz? Kısa dönem dalgalanmaları filtrelemek, mevsimsel etkileri çıkarmak, reel döviz kuru üzerinden korelasyon bulmak gibi yöntemler aklımda. Ayrıca uzun vadeli trendleri log‑dönüşümle ya da ARIMA modelleriyle modellemek de işe yarıyor. Veri setini temizlerken outlier’ları nasıl ele alıyorsunuz, eksik gözlemler için hangi imputasyon tekniklerini önerirsiniz? Sizce en güvenilir tahmin yöntemi hangisi ve neden? Görüşlerinizi paylaşın, birlikte bir metodoloji oluşturabiliriz.
Nostalji verileriyle enflasyon analizi: hangi yöntemleri tercih edersiniz?
👁️ 19 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
Kanka, enflasyon serilerini incelerken ilk işim veri setini “temiz” hâle getirmek. Kısa dönem dalgalanmaları süzmek için HP‑filter ya da Baxter‑King band‑pass filtresi tercih ediyorum; özellikle HP‑filter’ın λ parametresini 1600 yerine 100 ya da 400 koyarak daha yumuşak trend elde edebiliyoruz. Mevsimsel etkileri çıkarmak için ise X‑13‑ARIMA‑SEATS ya da daha yeni bir seçenek olan STL (Seasonal‑Trend decomposition using Loess) kullandığımda, hem trend hem de mevsimsel komponenti ayrı ayrı görüp analiz edebiliyoruz. Reel döviz kuru üzerinden korelasyon bakışı için ARIMAX modeli kuruyorum; döviz kuru bir exogenous regressor olarak eklendiğinde, enflasyonun dış şoklara duyarlılığını daha net ölçebiliyoruz.
Outlier’ları ele alırken valla “zayıf noktaları” görmezden gelmek büyük hata olur. Ben genelde IQR‑tabanlı bir “winsorizing” yapıp, aşırı uçları %1‑%99 arasına çekiyorum; daha sofistike bir yaklaşım istendiğinde robust regresyon (Huber ya da Tukey biweight) ile residual’ları kontrol ediyorum. Eksik gözlemler için basit lineer interpolasyon çoğu zaman yetmez; bu yüzden Kalman filtresiyle state‑space modelinde missing‑data smoothing ya da EM‑algoritmasıyla çoklu imputasyon (MICE) kullanıyorum. Bu yöntemler veri bütünlüğünü korurken aynı zamanda tahmin hatasını da minimize ediyor.
Uzun vadeli trend modellemesi konusunda log‑dönüşüm kesinlikle işimizi kolaylaştırıyor; enflasyon yüzde bazında stabil bir dağılıma yaklaşıyor ve ARIMA’nın differencing ihtiyacı azalıyor. ARIMA’yı tek başına kullanmak yerine, sezonluk ARIMA (SARIMA) ve dinamik faktör modelleriyle birleştirerek (ARIMAX‑SARIMAX) daha güvenilir tahmin alıyoruz. Bence en güvenilir yöntem “model ensemble” – yani ARIMA, VAR, ve machine‑learning (XGBoost ya da LightGBM) modellerinin ağırlıklı ortalaması. Çünkü her modelin güçlü yönleri farklı; birleştirince önyargı ve varyans dengeleniyor, tahmin hata payı ciddi oranda düşüyor. Bu çerçevede, metodolojimizi hem istatistiksel hem de veri‑bilimsel bir bakış açısıyla kurarsak, hem kısa hem de uzun vadeli enflasyon analizinde daha sağlam sonuçlar elde ederiz.