Author :
Abstract
Bir ülkenin gelecek yıllara ait makroekonomik değişkenlerinin doğru olarak tahmin edilmesi, karar birimlerinin ekonomi politikalarını oluşturmasında önemli bir role sahiptir. Makroekonomik göstergelerden ekonomik büyüme, enflasyon oranı ve işsizlik oranı, ülkenin ekonomik performansı hakkında fikir veren önemli değişkenlerdendir. Bu çalışmada; son yıllarda tahmin modellemesinde sıklıkla kullanılan yapay sinir ağları (YSA) ve ARIMA modeli yardımı ile Türkiye’nin enflasyon ve işsizlik oranı değerlerinin tahmin edilmesi amaçlanmıştır. Çalışmada 1923-2014 dönemi yıllık işsizlik oranı ve 1969-2014 dönemi yıllık enflasyon oranı verileri kullanılmıştır. Enflasyon ve işsizlik oranı değişkenleri için literatürde yaygın olarak kullanılan bir YSA modeli olan Çok Katmanlı Algılayıcı (ÇKA), ve uygun ARIMA sürecini bulma yöntemi olan Box-Jenkins yöntemleri kullanılarak 2015-2020 dönemi tahminler elde edilmiştir. Elde edilen bulguların resmi tahminlere göre daha başarılı olduğu görülmüştür.
Keywords
Abstract
The prediction of macroeconomic variables of a country accurately for the years in future has a significant role for decision-making units to make economy policies. Economic growth, inflation rate and unemployment rate from the macroeconomic indicators are the significant variables which give an idea about the economic performance of the country. In this paper, it was aimed to predict inflation and unemployment rate values of Turkey via Artificial Neural Networks (ANN) and ARIMA models used often in estimation modelling recently. In the paper annual unemployment rate data for 1923-201 period and annual inflation rate data for 1969-2014 period was utilized. For the inflation rate and unemployment rate variables, 2015-2020 period estimation was obtained by using Multilayer Perceptron (MLP), a commonly used ANN model in literature, and Box-Jenkins methods, methods for identifying ARIMA process. It was seen that the obtained findings were more successful than the official estimations.
Keywords
- Akgül, I. (2003). Zaman Serilerini Analizi ve ARIMA Modelleri, Der Yayınevi, İstanbul.
- Akgül, I. (2003). Zaman Serilerini Analizi ve ARIMA Modelleri, Der Yayınevi, İstanbul.
- Aygören, H.; Sarıtaş, H. & Moralı, T. (2012). “İMKB 100 Endeksinin Yapay Sinir Ağları ve Newton Nümerik Arama Modelleri ile Tahmini”, Uluslararası Alanya İşletme Fakültesi Dergisi, 4(1), 73-88.
- Bulutay, T. (1995). “Employment, Unemployment and Wages in Turkey”, International Labour Office, Ankara.
- Choudhary M. A. & Haider, A. (2012). “Neural Network Models for Inflation Forecasting: An Appraisal”, Applied Economics, 44, 2631–2635.
- Dickey, D.A. & Fuller, W.A. (1979). “Distributions of the Estimators for Autoregressive Time Series with a Unit Root”, Journal of the American Statistical Association, 74, pp.427-431.
- Dickey, D.A. ve Fuller, W.A. (1981). “Likelihood Ration Statistics for Autoregressive Time Series with a Unit Root”, Econometrica, 49, pp.1057-1072.
- Düzgün, R. (2008). “A Comparison of Artificial Neural Networks and ARIMA Models Success in GDP Forecast”, Marmara Üniversitesi İ.İ.B.F. Dergisi, Cilt.XXV, Sayı. 2, s. 165-176.
- Ergun, T. (2013). Makroekonomiye Giriş, Detay Yayıncılık, Ankara.
- Erilli, N.A.; Eğrioğlu E., Yolcu, U., Aladağ, Ç. H. & Uslu, V. R. (2010). “Türkiye’de Enflasyonun İleri veGeri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı ile Öngörüsü”, Doğuş Üniversitesi Dergisi, 11(1):42-Fausett, L. (1994). Fundamentals of Neural Networks: Architecture, Algoritma and Applications, New Jersey: Printice Hall.
- Gujarati, D.N. (2004). Basic Econometrics, Fourth Edition, The McGraw-Hill Inc.
- Hamzaçebi C. (2011). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı, Bursa: Ekin Yayıncılık.
- Huang, W.; Lai, K.K., Nakamori, Y., Wang, S. & Yu, L. (2007) “Neural Networks in Finance and EconomicsForecasting”, International Journal of Information Technology and Decision Making, Vol. 6, No.1, 113-140.Junoh, M. Z. H. M. (2004). “Predicting GDP Growth in Malaysia Using Knowledge- Based EconomyIndicators: A Comparison Between Neural Network and Econometric Approach”, Sunway College Journal, Vol. 1, 39-50.
- Karaali F. Ç. & Ülengin, F. (2008). “Yapay Sinir Ağları ve Bilişsel Haritalar Kullanılarak İşsizlik Oranı Öngörü Çalışması”, İtüdergisi/d, Mühendislik, Cilt:7, Sayı:3, Haziran, 15-26.
- Krugman, P. & Wells, R. (2011). Makro İktisat, (Çev.: Fuat Oğuz vd.), Palme Yayıncılık, Ankara.
- Kubat C. (2013). Elinizin Altındaki Matematik Laboratuvarı: Matlab: Yapay Zekâ ve Mühendislik Uygulamaları, İstanbul: Pusula Yayıncılık.
- Liliana & Napitupulu, T. A. (2012). “Artificial Neural Network Application in Gross Domestic ProductForecasting an Indonesia Case”, Journal of Theoretical and Applied Information Technology, Vol. 45, No. 2, pp. 410-415.
- Mirbagheri, M. (2010). “Fuzzy Logic and Neural Network Fuzzy Forecasting of Iran GDP Growth”, African Journal of Business Management, Vol.4, No.6, 925-929.
- Nakamura, E. (2005). “Inflation Forecasting Using a Neural Network”, Economic Letters, 86, 373-378.
- Snowdon, B. & Vane, H. R. (2005). Macroeconomics Its Origins, Development and Current State, Edward Elgar.
- Söyler, H. & Kızılkaya, O. (2015). “Türkiye’nin GSYİH Tahmini için Yapay Sinir Ağları Model Performanslarının Karşılaştırılması”, C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 16, Sayı 1, 45-58.
- Stasinakis, C.; Sermpinis, G., Theofilatos, K. & Karathanasopoulos, A. (2014). “Forecasting USUnemployment with Radial Basis Neural Networks, Kalman Filters and Support Vector Regressions”, Computational Economics, 01/2015, 569-587.
- Tkacz, G. (2001). “Neural Network Forecasting of Canadian GDP Growth”, International Journal of Forecasting, 17, 57-69.
- Yakut, E.; Elmas, B. & Yavuz, S. (2014). “Yapay Sinir Ağları ve Destek Vektör Makineleri YöntemleriyleBorsa Endeksi Tahmini”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, C.19, S.1, 2014, ss.139-157.
- Yıldırım, K.; Karaman, D. & Taşdemir, M. (2008). Makroekonomi, Seçkin Yayıncılık.
- Zhang, G.; Patuwo, B. E. & Hu, M. Y. (1998). “Forecasting with Artificial Neural Networks: The State of the Art”, International Journal of Forecasting, 14, 35-62.
