Yapay Zeka Destekli Eğitim ve Uygulama Platformu
Eğitim Platformu
OmegaMetriX Analiz Merkezi
Otokorelasyonun Düzeltilmesi
Otokorelasyon tespit edildiğinde uygun dönüşüm ve tahmin yöntemleri kullanılarak model güvenilir hale getirilebilmektedir.
Modelde otokorelasyon bulunması durumunda uygulanacak düzeltme yöntemi, otokorelasyonun derecesine ve modelin yapısına bağlı olarak değişmektedir. En yaygın kullanılan yöntemler; Birinci Farklar, Cochrane–Orcutt, Prais–Winsten ve Newey–West yaklaşımlarıdır (Yerdelen Tatoğlu, 2023, s. 141–155).
Birinci Farklar Yöntemi, değişkenlerin ardışık dönem farklarını alarak otokorelasyonun etkisini azaltmaktadır. Bu yöntem özellikle birinci dereceden otokorelasyonun giderilmesinde kullanılmaktadır (Yerdelen Tatoğlu, 2023, s. 141–142).
Cochrane–Orcutt Yöntemi, otokorelasyon katsayısını (ρ) tahmin ederek modeli dönüştürmekte ve dönüştürülmüş modeli Genelleştirilmiş En Küçük Kareler (GEKK) yöntemiyle tahmin etmektedir. Bu yöntemde ilk gözlem dönüşüm sırasında kullanılmamaktadır (Yerdelen Tatoğlu, 2023, s. 145–148).
Prais–Winsten Yöntemi, Cochrane–Orcutt yaklaşımına benzemekle birlikte ilk gözlemi modelde koruması nedeniyle özellikle küçük örneklemlerde daha fazla tercih edilmektedir (Yerdelen Tatoğlu, 2023, s. 148).
Newey–West Dirençli Standart Hataları, heteroskedastisite ve otokorelasyon birlikte bulunduğunda katsayı tahminlerini değiştirmeden standart hataları düzelterek güvenilir istatistiksel çıkarımlar yapılmasını sağlamaktadır. Bu nedenle uygulamalarda en yaygın kullanılan dirençli tahmin yöntemlerinden biridir (Yerdelen Tatoğlu, 2023, s. 152–155).