Zamanla değişen parametre modellerinin kalman filtresiyle tahmininde sahte ilişki problemi

Bu tez, durağan olmayan serilerin zamanla değişen parametre modellerine dahil edildiğinde Kalman Filtresi yöntemiyle tahmin edilmesi üzerine simulasyonlara dayanan bir çalışma sunmaktadır. Bu çalışmada, tümleşik serilerinin varlığında zamanla değişen regresyon modellerine uygulanan Kalman filtresi yönteminin sonuçlarını ve çıkarımlarını incelemek için çok sayıda similasyona baş vurulmuştur. Bu similasyonların sonucunda, Kalman filtresinin zamanla değişen parametre modellerinde Sahte ilişkinin ortaya çıkışını engelleyemediği gösterilmiştir. Ayrıca, bu sahte ilişkiyi tespit edebilmek için Kalman Filtresi yinelemelerini içsel olarak oluşturulmuş seriler yardımıyla cezalandırmayı öngören yeni yöntem önerilmiştir. İçsel olarak, Cochrane' in varyans oran istatistiği yardımıyla oluşturulmuş bu seriler, zamanla değişen parametre modelinin geçiş denklemindeki durum değişim parmetresi yerine kullanılmıştır. Sonuç olarak, Cezalandırılmış Kalman Filtresi sahte ilişkinin gerçek bir eşgüdüm ilişkisinden ayrılması hususunda iyi bir performans göstermiştir. This thesis provides a simulation based study on Kalman Filter estimation of time varying parameter models when nonstationary series are included in regression equation. In this study, we have performed several simulations in order to present the outcomes and ramifications of Kalman Filter estimation applied to time varying regression models in the presence of random walk series. As a consequence of these simulations, we demonstrate that Kalman Filter estimation cannot prevent the emergence of spurious regression in time varying parameter models. Furthermore, so as to detect the presence of spurious regression, we also propose a new method, which suggests penalizing Kalman Filter recursions with endogenously generated series. These series, which are created endogenously by utilizing Cochrane?s variance ratio statistic, are replaced by state evolution parameter in transition equation of time varying parameter model. Consequently, Penalized Kalman Filter performs well in distinguishing nonsense relation from a true cointegrating regression. 136