Kazanimlar:
- Trend, mevsimsellik, durağanlık ve birim kök kavramlarını kavrayıp yapay zekayı zaman serisi modelleme ve tahmin için doğru veriyle kullanabilme
- ARIMA/mevsimsel modelleri ve tahmin belirsizliğini (güven aralığı, artık analizi) yorumlayıp sahte regresyondan kaçınabilme
- Yapay zeka tahmininin geçmiş örüntüye dayandığını, yapısal kırılma ve kriz dönemlerinde uzman yargısının öne geçtiğini ayırt edebilme
Ekonomistlerin ve finans analistlerinin ekmek teknesi olan verilerin çoğu zaman serisidir: aynı değişkenin zaman içinde düzenli aralıklarla ölçülmüş değerleri (aylık enflasyon, günlük hisse fiyatı, çeyreklik GSYİH). Zaman serisi, sıradan kesitsel veriden temelde farklıdır çünkü gözlemler bağımsız değildir: bugünkü değer düne bağlıdır. Bu bağımlılık hem bir fırsattır (geleceği tahmin edebiliriz) hem de bir tehlikedir (sıradan regresyon burada kolayca yanıltır). Bu ünitede yapay zekanın (YZ) zaman serisi modelleme ve tahmini nasıl hızlandırdığını, ama en tehlikeli tuzağın — sahte regresyonun — neden dikkat gerektirdiğini göreceğiz.
Temel kavramlar
Bir zaman serisi genelde üç bileşen içerir: trend (uzun dönemli yükseliş/düşüş eğilimi), mevsimsellik (yıl içinde tekrar eden düzenli örüntü, örneğin turizmin yazın artması) ve döngü/gürültü (kalan dalgalanma). Modelleme yapmadan önce serinin en kritik özelliği durağanlıktır (stationarity).
Durağan seri, istatistiksel özellikleri (ortalama, varyans) zaman içinde sabit kalan seridir. Durağan olmayan bir seri ise trend içerir, varyansı büyür ya da bir birim kök taşır. Birim kök (unit root), serinin şokları kalıcı olarak "hatırladığı", ortalamasına geri dönmediği bir yapıdır; böyle bir seri rastgele yürüyüş (random walk) gibi davranır. Neden önemli? Çünkü durağan olmayan iki seri arasında yapılan regresyon, gerçekte hiçbir ilişki olmasa bile yüksek R-kare ve anlamlı katsayı üretebilir — buna sahte regresyon (spurious regression) denir. Yalnızca ortak trend, iki seriyi "ilişkili" gibi gösterir.
Dikkat: İki yükselen seri (örneğin bir ülkenin nüfusu ve bir başka ülkenin dondurma satışı) yüksek korelasyon verebilir; ikisi de zamanla arttığı için. Bu bir ilişki değil, ortak trendin yanılsamasıdır. Zaman serisinde regresyona başlamadan önce mutlaka durağanlığı kontrol edin.
Adım adım zaman serisi iş akışı
1. Görselleştir. Seriyi çizin: trend var mı, mevsimsellik var mı, varyans zamanla değişiyor mu, yapısal bir kırılma (ani seviye değişimi) göze çarpıyor mu?
2. Durağanlığı test et. ADF testi (Augmented Dickey-Fuller) ve KPSS testi birim kök/durağanlık sınar. İkisi birbirini tamamlar: ADF'de sıfır hipotezi "birim kök var", KPSS'de "durağan". İkisini birlikte kullanmak daha güvenlidir.
3. Durağanlaştır. Seri durağan değilse genellikle fark alınır (ardışık gözlemlerin farkı; bu, trendi giderir). Bir kez fark almak "birinci dereceden bütünleşik" (I(1)) bir seriyi durağan yapar. Varyans büyüyorsa log dönüşümü de yardımcı olur.
4. Model kur. En yaygın çerçeve ARIMA'dır (AutoRegressive Integrated Moving Average): AR (serinin kendi geçmiş değerlerine bağlılığı), I (fark alma derecesi), MA (geçmiş hataların etkisi) bileşenlerini birleştirir. Mevsimsellik varsa SARIMA kullanılır. YZ, auto.arima gibi otomatik seçim araçlarının kodunu üretir; ama otomatik seçimi körü körüne kabul etmeyin.
5. Artıkları kontrol et. İyi bir modelin artıkları beyaz gürültü olmalıdır: örüntüsüz, otokorelasyonsuz. Ljung-Box testi bunu sınar. Artıklarda hâlâ örüntü varsa model eksiktir.
6. Tahmin et ve belirsizliği göster. Tahmin tek bir çizgi değildir; her zaman bir güven/tahmin aralığıyla verilir. Aralık, ufuk uzadıkça genişler — bu dürüstlüğün göstergesidir, kusur değil.
Eşbütünleşme: durağan olmayan serilerle gerçek ilişki
İki durağan olmayan seri her zaman sahte ilişki vermez. Eğer aralarında uzun dönemli gerçek bir denge varsa (birlikte hareket ediyorlarsa), bu eşbütünleşme (cointegration) olarak adlandırılır ve hata düzeltme modeli (ECM) ile modellenebilir. Yani çözüm "fark al ve bilgiyi at" değil; önce eşbütünleşmeyi sınamaktır. Bu ayrım, sahte regresyonla gerçek uzun dönem ilişkisini birbirinden ayırır ve YZ'nin tek başına karar veremeyeceği kuramsal bir değerlendirmedir.
Karşılaştırma tablosu
Durum
Belirti
Doğru yaklaşım
Durağan seri
Sabit ortalama/varyans
Doğrudan ARMA/ARIMA
Trendli (birim kök)
Sürekli yükseliş, ADF anlamsız
Fark al, sonra modelle
İki durağan olmayan seri
Yüksek R², sahte olabilir
Önce eşbütünleşme sına
Mevsimsel
Yıllık tekrar eden örüntü
SARIMA / mevsimsel fark
Yapısal kırılma
Ani seviye/eğim değişimi
Kırılma testi, uzman yargısı
Dört kopyalanabilir prompt
1. Durağanlık teşhisi:
Rolün: zaman serisi asistanı. R kodu istiyorum, veriyi paylaşmıyorum.'seri' aylık bir zaman serisi (ts nesnesi). Görev: (1) seriyi veotokorelasyon (ACF/PACF) grafiklerini çiz, (2) ADF ve KPSS testleriniuygula, (3) sonuçları nasıl birlikte yorumlayacağımı açıkla.Fark alma kararını BEN vereceğim; sen teşhis üret.
2. Model kurma (denetimli):
Serim birinci farkta durağan görünüyor. auto.arima ile bir model önerama: (1) seçilen (p,d,q) mertebelerini ve NEDEN seçildiğini açıkla,(2) artıkların beyaz gürültü olup olmadığını Ljung-Box ile test eden kod ekle,(3) otomatik seçimi körü körüne kabul etmemem gerektiğini hatırlat.
3. Sahte regresyon uyarısı:
İki zaman serim (X, Y) arasında regresyon kurmak istiyorum ama ikisi detrendli. Sahte regresyon riskini kontrol eden bir iş akışı kodu yaz:önce her ikisinin durağanlığını sına, sonra eşbütünleşme testi (Engle-Grangerveya Johansen) uygula. Doğrudan lm() çalıştırmadan önce beni durdur veneden tehlikeli olduğunu açıkla.
4. Tahmin ve belirsizlik:
Kurduğum ARIMA modeliyle 12 ay ileri tahmin üreten kod yaz; tahmini%80 ve %95 güven aralıklarıyla birlikte çiz. Tahminin geçmiş örüntüyedayandığını, yapısal kırılma/kriz durumunda geçersizleşebileceğinigrafiğin altına not olarak ekle.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Şu iki serinin ilişkisini regresyonla bul, gelecek yılı tahmin et.
Bu istem sahte regresyon tuzağına davetiyedir: durağanlık kontrol edilmeden regresyon kurulursa yüksek R-kareli ama anlamsız bir "ilişki" ve dayanaksız bir tahmin çıkar.
Güçlü prompt:
Rolün: dikkatli zaman serisi asistanı.Adım adım ilerle: (1) her iki serinin durağanlığını sına ve raporla,(2) durağan değillerse doğrudan regresyon YAPMA, önce eşbütünleşme sına,(3) tahmin üretirsen mutlaka güven aralığı ekle ve yapısal kırılmauyarısı yaz. Her adımda kararı bana bırak; otomatik ilerleme.
Fark: güçlü istem durağanlığı ve eşbütünleşmeyi regresyondan önce zorunlu kılar, tahmini belirsizlikle sunar.
Üç mini vaka
Vaka 1 — Sahte regresyon. Bir analist iki yükselen seri (bir sektörün cirosu ve bir başka ülkenin enerji tüketimi) arasında R²=0,91, p<0,001 buldu ve "güçlü ilişki" yazdı. Danışmanı durağanlık testini isteyince ikisinin de birim köklü olduğu, farkları alınınca ilişkinin (r=0,04) tamamen kaybolduğu görüldü. Yüksek R-kare yalnızca ortak trendin yanılsamasıydı. Ders: durağanlık test edilmeden zaman serisi regresyonuna güvenilmez.
Vaka 2 — Otomatik modele körü körüne güven. Bir öğrenci auto.arima'nın seçtiği modeli hiç incelemeden kullandı; artık analizinde belirgin mevsimsellik kaldığını fark etmedi. Model yaz aylarını sistematik olarak eksik tahmin ediyordu. Ljung-Box testi artıklarda otokorelasyon gösterdi. Doğru yol: mevsimsel bileşeni (SARIMA) eklemekti. Ders: otomatik seçim başlangıçtır, son söz değil; artıklar mutlaka kontrol edilir.
Vaka 3 — Yapısal kırılmada tahminin çökmesi. Bir model 2019 verisiyle 2020 talebini tahmin etti; güven aralığı dardı, tahmin özgüvenliydi. 2020'deki büyük şok (pandemi) tahmini tamamen boşa çıkardı çünkü model yalnızca geçmiş örüntüyü biliyordu. Ders: zaman serisi tahmini geçmişin geleceğe benzeyeceğini varsayar; kriz/kırılma dönemlerinde uzman yargısı öne geçer.
Sık yapılan hatalar
- Durağanlığı kontrol etmeden regresyon kurmak. Sahte regresyon yüksek R-kareli ama anlamsız ilişki üretir; önce ADF/KPSS uygulayın.
- Fark alıp eşbütünleşmeyi atlamak. Gerçek uzun dönem ilişkisi varsa körü körüne fark almak bilgiyi atar; önce eşbütünleşme sınayın.
- Otomatik modeli denetlemeden kullanmak. auto.arima iyi bir başlangıçtır ama artıkları (Ljung-Box) kontrol edilmeden güvenilmez.
- Tahmini tek çizgi olarak sunmak. Güven aralığı olmadan tahmin sahte kesinlik yaratır; belirsizliği her zaman gösterin.
- Yapısal kırılmayı görmezden gelmek. Kriz/rejim değişimi geçmiş örüntüyü bozar; model bunu bilemez, uzman yargısı gerekir.
İpucu: Bir zaman serisi bulgusu yazmadan önce serinin ham grafiğine tekrar bakın. Gözünüzle gördüğünüz belirgin bir trend ya da kırılma, hiçbir testin size unutturmaması gereken en güçlü uyarıdır.
Özetle
Zaman serisi analizinde gözlemler bağımsız değildir; bu hem tahmin gücü verir hem de sahte regresyon gibi tuzaklar yaratır. Modellemeden önce durağanlığı (ADF/KPSS) test edin; durağan olmayan seriler arasında doğrudan regresyon kurmak yerine eşbütünleşmeyi sınayın; ARIMA/SARIMA modelinin artıklarını beyaz gürültü olana dek kontrol edin; tahmini her zaman güven aralığıyla sunun. YZ tüm bu adımların kodunu üretir ama otomatik model seçimini, eşbütünleşme kararını ve yapısal kırılma yorumunu uzman denetler. Tahmin geçmişe dayanır; kriz dönemlerinde son söz insan yargısınındır.
Uygulama görevi
Bir zaman serisi seçin (aylık ya da çeyreklik). YZ'den önce durağanlık teşhisi (grafik, ACF/PACF, ADF, KPSS) isteyip çalıştırın ve seriyi durağan/durağan değil olarak sınıflandırın. Gerekiyorsa fark alın, bir ARIMA/SARIMA modeli kurun ve artıkları Ljung-Box ile kontrol edin. 6-12 dönem ileri tahmin üretip güven aralığıyla çizin. Son olarak, verinizde bir yapısal kırılma olsaydı tahmininizin nasıl yanılabileceğini bir paragrafta değerlendirin.
Kontrol listesi
- [ ] Seriyi çizip trend, mevsimsellik ve kırılmaları gözle inceledim.
- [ ] Durağanlığı ADF ve KPSS ile test ettim; gerekli farkı aldım.
- [ ] Durağan olmayan seriler arasında doğrudan regresyondan kaçınıp eşbütünleşmeyi sınadım.
- [ ] Model artıklarını (Ljung-Box) kontrol edip beyaz gürültü olduğunu doğruladım.
- [ ] Tahmini güven aralığıyla sundum; tek çizgi olarak vermedim.
- [ ] Yapısal kırılma/kriz durumunda tahminin sınırlarını not ettim.