Ekonomik Büyümeyi Etkileyen Faktörler Enflasyon Ve Kapasite Kullanım Oranı by Yavuz Anıl Temuçin

T.C. TRAKYA ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ EKONOMETRİ BÖLÜMÜ

ENFLASYON VE İMALAT SANAYİ KAPASİTE KULLANIM ORANININ EKONOMİK BÜYÜME ÜZERİNDEKİ ETKİSİ (UYGULAMALI EKONOMETRİ DERSİ PROJE ÖDEVİ)

Arzu BULUT Mutlu AYDOS Yurdagül ÇAĞLAYAN Yavuz Anıl TEMUÇİN

Edirne, 2012

T.C. TRAKYA ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ EKONOMETRİ BÖLÜMÜ

ENFLASYON VE İMALAT SANAYİ KAPASİTE KULLANIM ORANININ EKONOMİK BÜYÜME ÜZERİNDEKİ ETKİSİ (UYGULAMALI EKONOMETRİ DERSİ PROJE ÖDEVİ)

Arzu BULUT 1090707009 Mutlu AYDOS 1090707027 Yurdagül ÇAĞLAYAN 1090707032 Yavuz Anıl TEMUÇİN 1090707029 DANIŞMAN Doç. Dr. Nurcan METİN Arş. Gör. Mehmet Kenan TERZİOĞLU

Edirne, 2012

İÇİNDEKİLER

ÖZET

[i]

TABLO DİZİNİ

[ii]

ŞEKİL DİZİNİ

[iv]

KISALTMALAR

1.GİRİŞ

2.ENFLASYON

2.1.Enflasyon Teorileri 2.1.1. Paranın Miktar Teorisi 2.1.2. Keynesyen Teori 2.2. Ekonomik Büyüme

8 8 10 11

2.2.1 Global Büyüme Politikaları

2.2.2. Büyüme Hızını Etkileyen Faktörler

2.2.3. Ekonomik Büyüme Modelleri

2.2.3.1 Modern Büyüme Teoriler

2.2.3.2. Neoklasik Büyüme Teorisi

2.2.3.3. Sermaye Birikimi Yaklaşımı

2.2.3.4. Harrod-Domar Modeli

2.2.3.5. Solow-Swan Ve Ak Modellerinin Karşılaştırılması

2.3. Enflasyon Ve Ekonomik Büyüme İlişkisi

2.3.1. Enflasyon Ve Ekonomik Büyüme İlişkisini İnceleyen Yaklaşımlar 18 2.3.2. Phillips Eğrisi Yaklaşımında Enflasyon

Ve Ekonomik Büyüme İlişkisi 2.3.3. Neoklasik Yaklaşımlarda Enflasyon Ve Büyüme İlişkisi

2.3.4. İçsel Ekonomik Büyüme Yaklaşımında Enflasyon Ve Ekonomik

Büyüme İlişkisi 2.4. Kapasite Kullanım Oranı Ve Enflasyon 2.4.1. Kapasite Kullanım Oranı Ve Keynesyen Teori 3.METODOLOJİ

26 26 29

3.1.Durağanlık ve Dickey Fuller Testleri

3.2.Koentegrasyon

3.3.Engle-Granger Yaklaşımı

3.4.Johansen Yaklaşımı

3.5.Genelden Özele Modelleme Yaklaşımı

(Hendry Yöntemi) 3.6.Vektör Otoregresif Modeller (Var)

3.7.Granger Nedensellik Testi

4.UYGULAMA

4.1. Durağanlık Ve Dıckey- Fuller Testleri

4.2. Koentegrasyon

4.2.1. Engle-Granger Yaklaşımı

4.2.2. Johansen Yaklaşımı

4.3. Genelden Özele Modelleme Yaklaşımı

( Hendry Yöntemi ) 4.3.1. Jarque-Bera Normallik Testi

4.3.2. Breusch Godfrey Otokorelasyon Testi

4.3.3. Arch Testi

4.4. Vektör Otoregresif Modeller (Var)

4.4.1. Varyans Ayrıştırma Grafikleri

4.4.2. Granger Nedensellik Testi

5. SONUÇ

KAYNAKÇA

EKLER

Ek-1: Uygulama E-views program çıktıları

ÖZET

Bu çalışmada, iktisat literatürünün önemli tartışma konularından birini oluşturan ekonomik büyüme ile enflasyon arasındaki ilişki Türkiye açısından incelenecektir. 2007: 01– 2012: 06 dönemini kapsayan bu çalışmada, Üretici fiyatları endeksi (ÜFE), İmalat sanayi kapasite kullanım oranı (IMALATSANAYI) ve Gayrisafi yurtiçi hasıla (GSYH) değişkenleri kullanılmıştır. Bu değişkenlerin uzun ve kısa dönem ilişkileri ekonometrik yöntemlerle incelenecektir. Analiz sonuçlarına göre enflasyon değişkenlerinin (ÜFE ve IMALATSANAYI), ekonomik büyüme (GSYH) değişkenini negatif etkilemesi beklenmektedir.

[i]

TABLO DİZİNİ Tablo

Tablo 4.1. LOGGSYIH’nın birim kök testi

Tablo 4.2. LOGIMALAT’ın birim kök testi

Tablo 4.3. LOGUFE’ nin birim kök testi

Tablo 4.4. GSYIH ve IMALATSANAYI EKK

Tablo 4.5. GSYIH ve IMALATSANAYI Trendli EKK

Tablo 4.6. Hata terimi durağanlık tablosu

Tablo 4.7. GSYIH ve IMALATSANAYI Hata Düzeltme Modeli

Tablo 4.8. GSYIH ve UFE EKK

Tablo 4.9. Hata terimi durağanlık tablosu

Tablo 4.10. GSYIH ve UFE Hata Düzeltme Modeli

Tablo 4.11. UFE ve IMALATSANAYI EKK

Tablo 4.12. ÜFE ve IMALATSANAYI Trendli EKK

Tablo 4.13. Hata terimi durağanlık tablosu

Tablo 4.14. UFE ve IMALAT SANAYI Hata Düzeltme Modeli

Tablo 4.15. Uygun gecikme sayısı

Tablo 4.16. Pantula ilkesi

Tablo 4.17. Johansen dışsallık-içsellik tabloları

Tablo 4.18. Rassallık tablosu

Tablo 4.19. Hendry genel model

Tablo 4.20. Hendry özel model

62 [ii]

Tablo 4.21. LM testi

Tablo 4.22. Arch testi

Tablo 4.23. F testi sonuçları

Tablo 4.24. VAR modeli için gecikme sayısı

Tablo 4.25. VAR modeli

Tablo 4.26. LOGGSYIH Değişkeninin Varyans Ayrıştırması

Tablo 4.27. LOGIMALATSANAYI Değişkeninin Varyans Ayrıştırması

Tablo 4.28. LOGUFE Değişkeninin Varyans Ayrıştırması

Tablo 4.29. Granger nedensellik testi

[iii]

ŞEKİLLER LİSTESİ

Şekil Şekil 2.1. Phillips Eğrisi

Şekil 2.2. : Keynesyen Teori

Şekil 4.1. GSYİH grafiği

Şekil 4.2. İMALAT SANAYİ grafiği

Şekil 4.3. ÜFE grafiği

Şekil 4.4. LOGGSYİH grafiği

Şekil 4.5. LOGİMALAT SANAYİ grafiği

Şekil 4.6. LOGÜFE grafiği

Şekil 4.7. 1.Fark durağan LOGGSYİH grafiği

Şekil 4.8. 1.Fark durağan LOGİMALAT SANAYİ grafiği

Şekil 4.9. 1.Fark durağan LOGÜFE grafiği

Şekil 4.10. Jarque-Bera normallik testi

Şekil 4.11. Breusch Godfrey Otokorelasyon Testi

Şekil 4.12. Gsyih ve İmalat sanayi kapasite etki-tepki analizi

Şekil 4.13. Gsyih ve üfe etki-tepki analizi

Şekil 4.14. Gsyih - Gsyih etki-tepki analizi

Şekil 4.15. Varyans ayrıştırma grafikleri

Şekil 4.16. Nedensellik Şeması

[iv]

KISALTMALAR

ADF

: Arttırılmış Dickey Fuller Testi

AIC

: Akaike Bilgi Kriteri

ABD

: Amerika Birleşik Devletleri

EKK

: En Küçük Kareler

GAP

: Güney Doğu Anadolu Projesi

GSMH

: Gayri Safi Milli Hasıla

GSYİH

: Gayri Safi Yurt İçi Hasıla

IMF

: International Money Found

İMKB

: İstanbul Menkul Kıymetler Borsası

SIC

: Schwarz Bilgi Kriteri

ÜFE

: Üretici Fiyat Emdeksi

VEC

: Vector Error Corection

VAR

: Vector Auto Regression

[v]

1.GİRİŞ İnsanoğlunun tüm çabası, daha fazla gelir elde etmek ve elde ettiği gelirle daha fazla mal ve hizmet satın almak yani refahını yükseltmektir. Kişilerin refah düzeyinin belirlenmesinde, ne kadar mal ve hizmet satın alabileceğini gösteren yıllık gelirine bakılır. Aynı şey ülkeler içinde söz konusudur. Daha fazla mal ve hizmet üreten ülkeler, daha gelişmiş, daha zengin ve dolayısıyla daha yüksek refah düzeyine erişmiş ülkeler olarak kabul edilirler. Türkiye 1980 sonrası dönemde dışa açık bir piyasa ekonomisi olmanın koşullarını geliştirmiş ve uygulamıştır. Bu dönemde dış ticaret serbestleştirilmiş, ihracata yönelik sanayileşme stratejisi benimsenmiş, mali piyasaların yeniden yapılandırılması ve geliştirilmesi yönünde önemli adımlar atılmıştır. Küreselleşme sürecinin tamamlayıcısı olarak, 1989 yılında uluslararası sermaye hareketleri tamamen serbest bırakılmış, kamu kesiminin yeniden yapılandırılması çerçevesinde özelleştirme girişimleri hızlandırılmıştır. Bütün bu yapısal değişimlerin istikrarlı bir politik

ortamda

yapılmaması

değişim

sürecini

geciktirmiş,

dönemde

makroekonomik sorunların yanında çeşitli yapısal sorunların da ortaya çıkmasına neden olmuştur. Bu sorunlardan en önemlileri; kronik yüksek enflasyon, imalat sanayindeki yatırım eksikliği, özellikle rekabet ortamını geliştirecek değişikliklerin gerçekleştirilmesinin yarattığı verimlilik düzeyindeki yavaş gelişme, kamu finansman dengesindeki bozulma sonucu mali piyasaların baskı altında kalması ve reel faizlerin yükselmesidir. 1989 yılından itibaren ekonomide kısa vadeli sermaye girişiyle desteklenen tüketime dayanan bir büyüme sağlanırken, kamu kesimi finansman dengesindeki bozulma büyümenin sürdürülebilir olmasını güçleştirmiştir. Son yıllarda kamu açıkları finansmanı için genellikle iç borçlanmaya gidilmesi, kaynak sorunu yaşayan ve yeterince derinleşemeyen mali piyasalarda istikrarsızlığı körüklemiş ve reel faizleri artırmıştır. Yüksek reel faiz oranları kamunun faiz harcamalarını önemli ölçüde artırarak kamu finansmanı üzerinde önemli bir yük oluşturmuş ve makro ekonomik dengesizlikleri besleyen bir faktör olmuştur. Bu dönemde, yüksek kronik enflasyonun da bu sürece önemli ölçüde katkıda bulunduğu ve ekonominin büyüme potansiyelini geriye çektiği düşünülmektedir. Günümüz ekonomilerinde bilgi, üretim

[1]

faaliyetlerinin en önemli üretim faktorü haline gelirken, bilgi yetersizliğinin yarattığı belirsizlikler de bu faaliyetleri kısıtlayıcı bir etmen olarak ortaya çıkmıştır. Bir ülkede belirli bir dönemde üretilen mal ve hizmet miktarı, enflasyon oranı o ekonominin yıldan yıla eriştiği büyümeyi ya da negatif büyümeyi göstermesi yanında, ekonominin eriştiği refah düzeyinin belirlenmesinde de yardımcı olmaktadır. Ülke ekonomilerinin temel amaçlarından biri olması sebebiyle ekonomik büyümeyle ilgili dünyada ve ülkemizde birçok çalışma yapılmış, çeşitli teori ve modeller ortaya konmuştur. Literatürde bulunan bu çalışmaların amacı katkıda bulunmaktır. Bu alanda dünyada birçok çalışmaya rastlanmaktadır. Ekonomik büyüme ile enflasyon arasındaki ilişkiyi araştıran en kapsamlı ilişki Baro tarafından yapılmıştır. Barro (1991) çalışmasında 117 ülkenin 1960-1970 ve 1970-1985 yıllarına ait verilerini kullanarak enflasyonla, ekonomik büyüme arasında zayıf ama negatif bir ilişki tespit etmiştir. Yine Körendi ve Memure (1985), 47 ülkenin 1950-1977 yılına ait verileriyle yaptığı çalışmada benzer sonuçlara ulaşmıştır. Fisher (1993), 19601989 yıllarına ait veri ve regresyon tahminlerinde, diğer değişkenlerin aynı kaldığı koşulda, bir ülkeden diğerine %5’den %50’ye değişen enflasyon oranının büyümeyi %1,8 azalttığını tespit etmiştir. De Geronimo (1992) ise 12 Latin Amerika ülkesi üzerinde çalışmış ve %5’ten %50’ye çıkan enflasyon oranının, kişi başına milli geliri %0,7 azalttığını tespit etmiştir. Enflasyon ve ekonomik büyüme üstünde yapılan daha güncel çalışmalar, Glyfason ve Herbertsson (2001), Frenandez Valdovinos (2003), Richard C.K. Burdekin, Arthur T. Denzau, Manfred W. Keil, Thitithep Sitthiyot, Thomas D. Willett (2003)’e ait ampirik çalışmalara yer verilmiştir. Buna göre Glyfason ve Herbertsson (2001), fiyat istikrarının büyüme için bir ön koşul olduğu sonucuna varmışlardır. 1960-1992 döneminde yüksek enflasyon, 170 ülkede büyüme hızını durdurmuştur. İstatistiksel ve ekonomik olarak enflasyon ile ekonomik büyüme arasındaki negatif ilişki kuvvetlidir. Enflasyonda görülecek %5’ten %50’ye varan bir artış, diğer değişkenler sabit tutulduğunda, kişi başına milli geliri %0,6 ile %1,3 oranında aşağıya çekmektedir. Aralarındaki ilişki doğrusal değildir. Büyüme ani artış ve [2]

azalışlarda daha hassas tepkiler verebilmektedir. %10 ve %20’nin üzerindeki enflasyon oranları büyümeyi uzun vadede olumsuz etkilemektedir. Yüksek enflasyon eğilimi olan ülkelerin döviz kurları dengede değildir. Aynı zamanda sermaye üzerindeki reel ve finansal kazanç dengesini bozarak tasarrufların ve yatırımların kalitesini düşürüp üretimde verimsizliğe yol açmaktadır. Enflasyon ve

ekonomik

büyüme

üzerinde

yapılan

güncel

çalışmalardan biri Frenandez Valdovinos’a (2003) aittir. Fernandez Valdovinos, Lucas’ın 1980 yılında yaptığı çalışmadaki metodolojiyi uygulayarak Brezilya, Bolivya, Peru, Paraguay, Meksika, Kosta Rika, Kolombiya ve Şile’de enflasyon ve büyüme arasındaki ilişkiyi araştırmıştır. Lucas paranın miktar teorisinden yola çıkarak yaptığı çalışmada, dolaşımdaki para miktarındaki bir değişimin, diğer faktörler aynı kalmak koşuluyla fiyatlarda ve nominal faizlerde de aynı oranda bir değişime neden olduğunu ortaya koymuştur. Lucas kullandığı verilerin konjonktürden bağımsız olması için, daha açık bir

ifade

ile

uzun

vadede

fiyatları, belirli bir yönde hareket etme eğiliminin etkisinden kurtarmak için filtre kullanmıştır. Valdovinos da, Burns ve Wesley’nin 1946

yılındaki

konjonktür tanımından yola çıkarak kullandığı verilerdeki düşük frekanslı verileri ve trendleri izole etmiştir. Orijinal verilerde enflasyonla büyüme arasında negatif yönde çok zayıf bir korelasyon gözlemlerken, filtrelenmiş verilerde çok açık bir negatif ilişki tespit etmiştir. Enflasyon ve ekonomik büyüme ilişkisi üzerinde yapılan çalışmalar negatif ilişkiyi göstermekle beraber, bu ilişkinin derecesi ve kritik değerleri, ülkeden ülkeye değişmektedir. Sarel (1996)%8’in üstünde gerçekleşen enflasyon oranının büyümeyi olumsuz etkilediğini, %8’in altında gerçekleşen enflasyon oranının ise büyüme üzerinde pozitif etkisi olabileceğini söylemiştir. Ghosh ve Philips (1998) bu eşiği %2.5 olarak bulmuş ama %5-%10 aralığınında da, istatistiksel olarak bir sorun olmadığını belirtmişlerdir. Burdekin (2003) ise, endüstri ülkeleri ve gelişmekte olan ülkeler olarak bir ayrıma gitmiş ve farklı eşik değerleri elde etmiştir. Buna göre gelişmekte olan ülkelerdeki eşik değerini %3 olarak bulurken, endüstri ülkelerinde %8 rakamına ulaşmıştır. [3]

Khan ve Senhadji (2001) aynı sınıflandırmaya sahip veri setleriyle tam tersi sonuçlar elde etmişlerdir. Büyüme üzerinde pozitif etki yaratan enflasyon aralığını, endüstri ülkeleri için %1-%3, gelişmiş ülkeler için %7-%11 olarak bulmuşlardır.

Eski

Bundesbank

başkanı

Otmar

Emminger

enflasyon

hakkında büyüme üzerindeki pozitif etkisi için, enflasyonist politikaların uygulanması uzun vadede kötü sonuçlar doğurabileceğini söylemiştir. Dennis Logue ve Richard James Sweeney, yirmi dört ülkenin yıllık verilerle yaptıkları araştırmada, enflasyonla, enflasyonun tahmin edilebilirliği ve değişkenliği

hakkında

pozitif

ilişki

bulmuşlardır.

Yüksek

enflasyon

enflasyondaki değişkenlik, üretimde, yatırımlarda ve dolayısıyla büyümede belirsizliğe yol açmaktadır. Enflasyon hakkında çalışmaları olan Okun’un (1971) saptamalarına göre eğer bir ülkede yüksek enflasyon varsa, devlet bu enflasyonu kontrol altında tutabilmek ve düşürebilmek için olamayacaktır.

mali

finansal

politikalarında

tutarlı

Yüksek enflasyonun yol açtığı fiyatlardaki dalgalanmalar,

reel büyümede de istikrarsızlığa neden olacaktır. Ülkemizde Diboğlu ve Kibritçioğlu (2004),

enflasyon ve büyüme

hareketlerini; ticaret, arz, ödemeler dengesi, mali ve parasal şoklar olarak ayırarak incelemişlerdir. Ampirik sonuçlar şokların kısa vadede enflasyon üzerinde önemli etkisi olduğunu göstermiştir. Bütçe açıklarının enflasyon üzerinde zayıf b i r etkisi vardır. Büyüme ise, ticari şoklardan ve arz şoklarından etkilenir. Diboğlu (2002), Türkiye’de enflasyon beklentilerinin ileriye ve geriye dönük elementleri olduğunu göstermiştir. Bir diğer araştırmada, Artan ve Berber (2004), 1987-2003 dönemini kapsayan bir veri setiyle çalışarak, enflasyon i l e ekonomik büyüme arasında negatif korelasyon tespit etmiştir. Bu

korelasyona

göre

enflasyon

%10

arttığında, büyüme %1.9 oranında azalmaktadır. 1987 ve 2003 dönemine ait verilerin nedensellik analizi ise, ilişkinin yönünün enflasyondan büyümeye doğru [4]

olduğunu göstermiştir. Bu istatistiki çalışmanın amacı, enflasyon ve büyüme kavramları hakkında, daha önceki bölümlerde anlatılan ilişkiyi, istatistiki veriler ve sonuçlarla da ispatlamak ve ispatlanan bu matematiksel ilişki yardımıyla, enflasyon ve büyüme için gelecek tahmininde bulunmaktadır. İktisat literatüründe enflasyon ve büyüme ilişki konusunda farklı görüşler yer almaktadır. Bu farklı görüşleri iktisadi olarak değerlendirmesinde karşımıza şu yaklaşımlar ve teoriler çıkar: 

Paranın miktar teorisi



Keynesyen teori



Modern büyüme teorileri



Neoklasik büyüme teorisi

Paranın miktar teorisine göre, ekonomide tüm kaynaklar tam kapasite ile kullanılıyorsa, para arzının tek etkilenebileceği değişken genel fiyat seviyesi olacaktır. Buna göre klasik ve neoklasik görüş, paranın dolaşım hızı ve reel işlem hacmindeki muhtemel değişim gözardı edildiğinde, enflasyonun sadece parasal bir kavram olduğunu öne sürmektedir. Keynes ise enflasyonla işsizlik arasında negatif bir ilişkinin varlığıyla talep yönlü bir model geliştirmiştir. Harrod (1939) ve Domar (1946), Keynes’in analizine ekonomik büyüme elementlerini eklemişlerdir. Bu çalışmalarını, “Büyük Depresyon” zamanında yaptıkları için ekonomistler tarafından ilgi görmüşlerdir. En önemli katkıyı ise Solow (1956) ve Swan (1956) yapmıştır. Solow Swan modeli üretim fonksiyonunun neoklasik formudur. Girdilerin azalan verime sahip olduğu ve tasarruf oranının sabit olduğu bu modelde, teknolojik gelişmeler olmaksızın, kişi başı milli gelirdeki büyümenin duracağı öne sürülmüştür.

[5]

Neoklasik büyüme modeli ise büyümeyi teknolojik gelişmişliğe bağlamıştır. Buna göre eğer teknolojik gelişme yoksa, azalan verimler kanuna göre büyüme sıfırlanacaktır. Enflasyon ekonomiyi makro ve mikro düzeyde etkileyen çok önemli bir sorundur. Enflasyonun ekonomiye vereceği zararı ortadan kaldırmanın yolu enflasyonu düşürmektir fakat enflasyonu düşürmenin kısa vadede mümkün olmadığı durumlarda da, enflasyon karşısında devletin, tüm finans ve ekonomik kurumların, enflasyonu önemli bir sorun olarak görüp ortak hareket etmeleri gerekmektedir. Tahmin edilebilen bir enflasyonun ekonomiye vereceği zarar daha az olacaktır. Fiyat artışlarını kendi gelirlerine anında yansıtabilen sermaye sahiplerinin gelirleri de reel olarak değer kazanmaktadır. Enflasyonist bir ortamda gelir dağılımı azınlık bir kitlenin lehine bozulmaktadır. Bu durumda toplumun çoğunlunu oluşturan kitlenin alım gücünün düşük olması, toplam talebi negatif yönde etkileyecektir. Olmayan talep de arzı tetikleyemeyecek ve ekonomide bir canlanma yaratamayacaktır. Çalışmamızda gayrisafi yurtiçi hasıla, üretici fiyatları endeksi ve imalat kapasite oranı değişkenlerinin ilişkisi araştırılmıştır. Bu değişkenler 2007: 01– 2012: 06 dönemleri için araştırılmıştır. Değişkenlerin herbirinin logaritması alınarak analize dahil edilmiştir. Çalışmanın ikinci bölümünde,

enflasyon ve ekonomik büyümenin

kavramsal çerçevesi incelenmiş, enflasyon ve ekonomik büyüme arasındaki ilişkinin teorik altyapısı araştırılmıştır. Çalışmada

benimsenen

ekonometrik

yöntemler

üçüncü

bölümde

anlatılmıştır. Uygulama sonuçlarının yer aldığı dördüncü bölümden sonra çalışmadan elde edilen sonuçların değerlendirildiği sonuç bölümü ile çalışma tamamlanmıştır.

[6]

2. ENFLASYON Enflasyon terimi, ekonomide, ürün ve genel fiyat seviyesindeki artışı belirtmek için kullanılır (Kibritçioğlu, 2002: 45). Fiyatlardaki artışın enflasyon olarak adlandırılması için sürekli ve kalıcı olması şarttır. Aynı zamanda bu fiyat artışının piyasadaki tüm mal ve hizmetlerin fiyatında gözlenmesi gerekir (TCMB, 2004). Ekonomistler arasında, enflasyonun nedeni hakkında geniş çevrelerce kabul edilen ortak bir yaklaşım yoktur. Fakat enflasyon, kaynaklarına göre ve hızına göre sınıflandırılabilmektedir. Enflasyon kaynaklarına göre 3’e ayrılır; talep enflasyonu, maliyet enflasyonu ve beklenti enflasyonu. Talep

enflasyonu,

enflasyonun

nedeni

için

yapılan

geleneksel

açıklamadır. Bu yaklaşıma göre, piyasada mevcut mal ve hizmetler için arzdan çok talep olması durumundaki fiyat artışı enflasyona sebebiyet verir. Hem geleneksel, hem de modern miktar teorilerine göre, sadece para arzındaki bir artış, genel fiyatlar seviyesini yukarıya çekebilir (Wallece ve Entenson, 1992: 507). Maliyet enflasyonu, İkinci Dünya Savaşı’ndan sonra, özellikle 1970’lerde tartışılmaya başlanan bir kavramdır. Bazı üreticilerin veya bazı işçi gruplarının ya da her ikisinin, ürettikleri malların veya sağladıkları hizmetlerin fiyatlarını arttırmaları maliyet enflasyonunun sebebidir. Fiyat artışı, petrol fiyatlarındaki veya döviz kurlarındaki artışlar gibi dış kaynaklı faktörlerden de etkileniyor olabilir (Estenson, 1992: 507). Beklenti enflasyonu, çalışanların ve işverenlerin yakın gelecekte beklediği enflasyon oranıdır (Krugman ve Wells, 2006: 385). Enflasyonu teorik olarak kaynaklarına göre sınıflandırmak mümkün olsa da, pratikte, gözlenen enflasyonun talepten mi, maliyetten mi, yoksa beklentilerden dolayı mı arttığını saptamak hiç kolay değildir. Çünkü fiyatlar genel seviyesi dinamik bir şekilde belirlenir ve fiyatlara etki eden şokların oluşmasında bütün kaynakların payı vardır (Kibritçioğlu, 2002: 46). Enflasyonu hızına göre de sınıflandırmak mümkündür. Gelişmiş ülkelerde yıllara göre volatilitesi çok düşük ve tek haneli rakamlarda seyreden enflasyona [7]

sürünen enflasyon denilmektedir. Sürünen enflasyon yaşanan ülkelerde fiyatlar genel seviyesindeki artış fark edilmeyecek kadar azdır. Enflasyon ekonomiyi makro ve mikro düzeyde etkileyen çok önemli bir sorundur. Enflasyon ilk 1970’li yıllarda, yüksek enflasyon yaşanan ülkelerde ekonomik küçülmenin de gözlenmesi üzerine bir sorun olarak görülmeye başlanmıştır. Enflasyonun ekonomiye vereceği zararı ortadan kaldırmanın yolu enflasyonu düşürmektir. Fakat enflasyonu düşürmenin kısa vadede mümkün olmadığı durumlarda da, enflasyon karşısında devletin, tüm finans ve ekonomik kurumların, enflasyonu önemli bir sorun olarak görüp ortak hareket etmeleri gerekmektedir. Tahmin edilebilen bir enflasyonun ekonomiye vereceği zarar daha az olacaktır ( Nas, Tevfik, Perry, 2000: 170, 179). Tahmin

edilemeyen

bir

enflasyonda

çok,

kendi

gelirlerini

makroekonomik göstergelere göre güncellenemeyen, sabit gelirliler etkilenecektir. Ücret gelirlerindeki artış hep bir yıl önceki yılın endeks değerlerine göre belirlendiği için, sabit gelirliler, hak ettikleri emeğin karşılığını gecikmeli olarak almaktadır. Paralelinde kazançları da her yıl reel olarak değer kaybetmektedir. Fiyat artışlarını kendi gelirlerine anında yansıtabilen sermaye sahiplerinin gelirleri de reel olarak değer kazanmaktadır. Enflasyonist bir ortamda gelir dağılımı azınlık bir kitlenin lehine bozulmaktadır. Bu durumda toplumun çoğunluğunu oluşturan kitlenin alım gücünün düşük olması, toplam talebi negatif yönde etkileyecektir. Olmayan talep de arzı tetiklemeyecek ve ekonomide bir canlanma yaratamayacaktır.

2.1. Enflasyon Teorileri

2.1.1. Paranın Miktar Teorisi David Hume, Adam Smith, David Ricardo ve John Stuart Mill gibi klasik ekonomistler

ve Leon

Walras ,Alfred Marshall ve Arthur C. Pigou gibi

neoklasikler enflasyonu açıklamak için paranın miktar teorisini kullanmışlardır. Bu teoriye göre fiyatlar genel seviyesinin öncelikli belirleyicisi para arzıdır (Peterson ve

[8]

Estenson, 1992: 29). Paranın miktar teorisine göre satılan tüm malların değeri tüm alımların değerine eşit olmalıdır: M*V=P*T Bu eşitlikte “M” para arzını, “V” dolaşımdaki para hızını, “P” fiyatlar genel seviyesini, “T” reel işlem hacmini göstermektedir. Bu teori çerçevesinde emtia pazarındaki toplam arzın bilindiği ve uzun vadede reel çıktıya, “T”, eşit olduğu varsayılmıştır. Toplam talep “AD” ve toplam arz “AS” aşağıdaki gibi tanımlanmaktadır. AD=T AS=(M*V)/P Emtia pazarındaki denge seviyesinde toplam arzın toplam talebe eşit olması gerekmektedir. Buna göre: T=(M*V)/P Klasik ekonomistlere göre kısa vadede paranın dolaşım hızı ve reel çıktılar “T” sabittir. Buna göre yukarıdaki işlem denklemi, fiyat denklemi olarak yenide yazılabilmektedir: P=(V/T)*M Elde edilen denkleme göre fiyatlar genel seviyesi para arzının bir fonksiyonudur ve diğer değişkenlerin sabit olduğu ortamda para arzında görülebilecek bir artış,emtia pazarında talebi arttıracak ve artan talep de fiyatların yüselmesine sebep olacaktır. Eğer ekonomide tüm kaynaklar tam kapasite ile kullanılıyorsa, para arzının tek etkilenebileceği değişken fiyatlar genel seviyesi olacaktır. Buna göre klasik ve neoklasik görüş, paranın dolaşım hızı ve reel işlem hacmindeki muhtemel değişim göz ardı edildiğinde, enflasyonun sadece parasal bir kavram olduğunu öne sürmektedir.

[9]

2.1.2. Keynesyen Teori Keynes 1940 yılında enflasyon hakkında talep yönlü bir model geliştirmiştir ( Kibritçioğlu, 2002: 46, 48). π= α*U “π” enflasyon oranını, “U” işsizlik oranını temsil etmektedir. Enflasyon ve işsizlik arasındaki negatif korelasyondan dolayı “α”nın negatif olduğu belirtilmiştir. İşsizlik oranındaki bir azalışın, işgücündeki ve dolayısıyla emtia pazarındaki aşırı bir talebin indikatörü olduğu ve bunun da

talep enflasyonu yaratacağı

düşünülmektedir. Milton Friedman ve Edmund Phelps 1960’lı yıllarda bu modele enflasyon beklentilerini de entegre etmiştir. π= α*U+β* πᵉ “πᵉ” enflasyon beklentilerini, “β” ise beklenti düzeltme parametresini göstermektedir. Bu modelde de kısa vadede enflasyon ile işsizlik arasında negatif bir ilişki vardır ama uzun vadede β=1 ve π= πᵉ olduğu için işsizlik ve enflasyon arasında bir etkileşim yoktur. Paracı yaklaşımı benimseyen ekonomistlere göre enflasyon beklentileri geçmişle bağlantılı olarak oluşur.Diğer bir ifadeyle fiyat beklentilerini oluşturan tüm bilgiler tahmin aşamasında mevcuttur. t= λ*πt-1+(1-λ)*πt-1 “λ” ve “(1-λ)” düzeltme parametreleridir.Bu eşitliğe göre “t” zamanındaki beklenen enflasyon, “t-1” zamanında gerçekleşen enflasyon oranının ağırlıklı ortalamasıdır.

[10]

enflasyon ve tahmin edilen

2.2. Ekonomik Büyüme Ekonomik büyüme bir ülkenin, talep edilen mal ve hizmetleri üretebilme kapasitesinin gelişmesi olarak tanımlanabilir. Bir ülkenin üretken kapasitesi de üretilen mal ve hizmetlerin miktarı ve kalitesi ile birlikte kullanılan teknoloji ile ilgili olduğuna göre, ekonomik büyüme de bu değişkenlerin gelişmesi ve genişlemesi ile ilgilidir. Üretim kapasitesinin genişlemesi büyümenin arz yönüyle ilişkiliyken, bu kapasitenin kullanımı büyümenin talep yönüyle ilgilidir ( Cornwall, 1994: 237, 251). Büyüme sonucunda elde edilen mal ve hizmetlerin miktarı ve üretken kapasitenin artması kadar, bu mal ve hizmetlerin ve kapasitenin, gerek halk, gerekse devlet tarafından

nasıl değerlendirildiği de çok önemlidir. Üretilen mal ve

hizmetlerin, kullanılabilir potansiyel kapasitenin ne kadarı ile üretildiği toplam üretim miktarı etkilenmese de, üretimde kullanılan kaynakları etkileyecektir (Peterson ve Estenson, 1992: 545,547). Yine, üretilen mevcut mal ve hizmetlerin saysı kadar, kişi başına düşen mal ve hizmetlerin sayısı da önemlidir. Eğer ekonomik büyümeden söz ediliyorsa, her bireyin kullanılabilir mal ve hizmet alternatiflerinin artıyor olması gerekir. Bu kritere göre ekonomik büyümenin en anlamlı ölçümü, birim zamanda kişi başı gerçek çıktı/hasıla miktarıdır. Nüfus boyutu da burada önem kazanmaktadır. Eğer nüfus artış hızı büyüme hızından daha yüksekse, pozitif ekonomik büyümeden söz etmek mümkün değildir (Petrucci, 2003: 545,547)

2.2.1 Global Büyüme Politikaları 1950 ve 1960’lı yılların gelişen ekonomileri için büyüme, ekonomik, politik ve sosyal dönüşümleri içeren kompleks bir olguydu. Büyümenin boyutlarını yakalamak için, Lewis “Çifte Ekonomi”, “İşsizlik Fazlalığı”, Schultz “İnsan Sermayesi”, Gerschenkron ve Rostow’un “Büyümenin Aşamaları” teorisi, Prebish ve

Hirshmann’ın

“Yapısalcılık”

teorileri

yaratılmıştır.

[11]

gibi

yeni

ekonomik

konseptler

1980’lerin sonunda ve 1990’ların başlarında ise, büyüme üzerinde çalışan ekonomistler, büyümenin o kadar da komplike kriterleri olmadığı ve daha çok ulusal politikaları doğru uygulamakla ilgili olduğu fikri üzerinde görüş birliğine varmışlardır. Hangi ülkede olursa olsun, doğru ve tutarlı politikalar sonucu cari açık daha düşük olacaktır. Doğru politikaların hem mali, hem ticari, hem de siyasi boyutu vardır. Mali boyutu uygulanan vergi ve yatırım teşvik politikalarıyla; ticari boyutuyla uluslararası sermayeyle; siyasi boyutu ise; ülkenin siyasi ilişkilerinden bağımsız olarak, tüm ülkelerle ticari ilişkilerin sürdürülmesi ile ilgilidir. Bu önergelerin çoğu, 1990’ların başında yüksek enflasyon ve düşük büyüme rakamları ile mücadele eden Latin Amerika ülkelerinde uygulanması gereken politikaların tartışıldığı “Washington Konsensüs” ünde ortaya açılan düşücelerdir ( Roberto ve Gobind , Indermınt, 2006). 1990’ların başında bütün ülkeler bu politikaları uygulamaya koymuşlardır. Doğu Avrupa ülkeleri ve Rusya, komünizmden vazgeçmiş;9 Latin Amerika ülkeleri pazarlarını, uluslararası ticarete açmış ve kamu teşebbüsleri özelleştirilmiş; Asya ülkeleri ve özellikle Çin, pazarlarını geliştirmeye yönelik reformlara yönelmişlerdir. Bolivya,Brezilya,Hindistan ve Rusya da aşırı değerli yerel kurlarıyla uluslararası ticarette rekabetçi bir politika izlemişlerdir. 1990’larda gelişen ülkeler, açık ve rekabetçi ekonomileri, düşük enflasyon ve mali açıkları, daha az kısıtlama getirilen özel sektörleri ve pazar odaklı finansal sektörleri ile büyük ilerleme kaydetmişlerdir. Birçok ekonomist, hızla büyüyen uluslararası ticaret, sabit emtia fiyatları ve sürekli sermaye akışı ile birkikte bu değişimlerin, gelişen ekonomileri sürdürülebir bir büyüme trendine sokacağını öne sürmüşlerdir. 1990’ların sonuna doğru ekonomik krizler bütün gelişmekte olan ülkeleri vurmuştur. Meksika (1994), Doğu Asya (1997), Rusya (1998), Brezilya (1999,2002), Türkiye (2001) ve Arjantin (2001) sırasıyla ekonomik krizlerden etkilenen ülkeler olmuşlardır. Bazı ülkeler basit reformlarla krizleri atlatmış, fakat çoğu ülke geniş çaplı reformlara rağmen, uzun süre krizlerin etkisinden kurtulamamıştır.

[12]

2.2.2. Büyüme Hızını Etkileyen Faktörler Büyümek isteyen bir ekonominin vazgeçilmez koşulu yatırım harcamalarıdır. Yatırım harcamalarının finansmanı iki yolla oluşur. İlki ve daha sağlıklı olanıda, hane halkı tüketim harcamalarından tasarruf eder ve bu kaynağı finans kurumlarına aktarır, ya da yurtdışındaki yatırımcıların tasarrufları, finansal sistem aracılığıyla ülkeye ve takiben yatırımlara yönlendirilir. Hükümet de vergi yoluyla, halkı zorunlu tasarrufa yönlendirebilir. İkinci ve daha sağlıksız olan yol ise devletin uyguladığı para politikasıdır. Eğer devlet yüksek enflasyon politikası yürütürse, vatandaşlar da kendini enflasyondan korumak ve güvende hissetmek için tasarrufa yönlenir. Ülkenin yatırım harcamaları, yerel tasarrufdan daha fazla veya az olabilir. Fazla olması durumunda gerekli olan finansman, yabancı yatırımdır. Ekonomide finansal sermayeyi, bireylere ve kurumlara yapılan yatırımlar belirler; halbuki ekonominin insan sermayesini, devlet bireylere yatırım yaparak sağlar. Şöyle ki bir ülkenin halkına sağladığı eğitim düzeyinin kalitesi o ülkenin ekonomik büyümesiyle doğru orantılıdır. Buna en güzel, geçtiğimiz on yılda gerçekleşen Doğu Asya ekonomik mucizesidir; Asya ülkeleri en fakir dönemlerinde bile halkına iyi temel eğitimi sağlamıştır. Altyapının sürekliliği ile ekonomik büyüme arasında çok ciddi bir ilişki vardır. Örneğin, sık sık elektrik kesintisi olan bir ülkenin ekonomik büyümesi düşünülemez bile. Şöyle ki, İrlanda’nın hızlı büyümesinde, ciddi altyapı faaliyetlerinin büyük öneme sahip olduğu bilinmektedir. Teknolojinin gelişmesi, ekonomik büyümenin en önemli katalizörlerinden biridir. Teknolojik gelişme, bireylere sağlanan eğitim ve bu eğitimde kazanılan bilimsel bilgi birikiminin yararlı ürün ve süreçlere dönüşmesiyle gerçekleştirilir. Bilimsel bilginin bulunması kadar, bu bilginin ürün ve hizmetlere uyarlanması ve kullanılması da gerekir. Özel sektör, araştırma ve geliştirme departmanlarına (ARGE) çok önem vermekte ve bu departmanların harcamaları çoğunlukla finanse etmektedir. ABD’nin dünyanın lider ekonomisi haline gelmesindeki en önemli etken, ARGE’ye ayırdığı büyük kaynaktır.

[13]

Ekonomik büyüme ile ülkedeki güven ortamı ve istikrar arasında doğrudan bir ilişki vardır. Şöyle ki hiçbir yatırımcı, sermayesini, politik istikrarı sağlanmamış ve güven ortamı olmayan bir ortama kanalize etmek istemez. Siyasi belirsizlik, hukuki istikrarsızlık ve bürokratik engeller yatırımın en büyük düşmanıdır. Örneğin, Hindstan’da,

1991

yılında

hükümetin

uyguladığı

bürokratik

engellerin

kalkmasından sonra, Hindistan, 1947’de kazandığı bağımsızlığından sonra ilk 40 yıla kıyasla yakın geçmişte oldukça hızlı büyüme göstermiştir

2.2.3. Ekonomik Büyüme Modelleri Klasik ekonomistlerden Adam Smith (1776), David Ricardo (1817), Thomas Malthus (1798); 1900’lü yılların başında ise Frank Ramsey (1928), Allyn Young (1928), Frank Knight (1944) ve Joseph Schumpeter (1934), modern teorileri de kullanılan birçok kuramı ortaya çıkmışlardır. Bu kuramlar ekonomide rekabetçi hareketler ve ekonominin denge dinamiklerinin basit yaklaşımları üzerine kurulmuştur. Azalan verimlerin sermaye birikimleri üzerine etkisi, kişi başına milli gelir ve nüfus artış hızı ilişkisi, teknolojik gelişmeler ve işgücü de bu yaklaşımlardaki ilişkiler arasında sayılabilir (Barro ve Martin, 1995: 9) . Ekonomik modeller, ekonominin herhangi bir bileşiminin matematiksel temsilidir. Modellerin temsil ettiği ekonomiler robotlardan oluşmuş, oyuncak bir dünya olarak düşünülebilir. Bu modellerde robotların kendi menfaatlerini maksimze etmek için nasıl davrandıkları araştırılır. Aynı zamanda, robotların bu süreçte hangi kısıtlamalarla

karşılaştıkları

belirlenir.

Araştırılan

değişkenler

dışındaki

değişkenlerin sabit olması esastır. En iyi modeller, en basit olanlarıdır. Örneğin, ekonominin arz- talep dengesini gösteren basit bir fonksiyon, birçok sorunun çözümüne öncülük etmiştir ( Jones, 1998: 19)

[14]

2.2.3.1 Modern Büyüme Teorileri Modern büyüme teorisinin başlangıç noktası, Ramsey’in 1928 yılında yazdığı makale olarak görülmektedir. Ramsey’in fayda fonksiyonu Cobb-Douglas üretim

fonksiyonu

olarak

bilinen

fonksiyondur.

Ekonomistler

Ramsey’in

yaklaşımına 1960 yılına kadar ilgi göstermemişlerdir. Paul Douglas milli hasılanın sermaye ve işgücü arasındaki dağılımının sabit olduğu gözlenmiştir. Paul Douglas, Charles Cobb’dan (matematikçi) girdi, sermaye ve işgücü için, bu koşulları sağlayan toplam üretim fonksiyonu bulmasını istemiştir. Charles Cobb da aşağıdaki fonksiyonu bulmuştur ( Minford ve David, 2002: 239): Yt=F( Kt ,Ft)=Kα(A,L)1-α Bu tip fonksiyonlar Cobb-Douglas üretim fonksiyonu olarak bilinir.1927 yılında Cobb-Douglas bu gözlemi yaptıktan sonraki yıllarda, ABD’de birçok politik, sosyal ve ekonomik değişikliğe rağmen işgücü/kazanç oranı hep 2 ile 3 arasındaki bir bantta seyretmiştir. Ortalama olarak ABD milli hasılasının %30’u kar, %70’i ücret

olarak

dağılmıştır.

Ekonomistler

çoğunlukla,

Cobb-Douglas

üretim

fonksiyonunun gerçek hayattaki üretim fonksiyonunun iyi bir temsilcisi olduğu düşünürler (Jones, 1998: 20,21). Harrod (1939) ve Domar (1946), Keynes’in analizine ekonomik büyüme elementlerini eklemişlerdir. Bu çalışmalarını, “Büyük Depresyon” zamanında yaptıkları için ekonomistler tarafından ilgi görmüşlerdir. En önemli katkıyı ise Solow (1956) ve Swan (1956) yapmıştır. Solow Swan Modeli üretim fonksiyonunun neoklasik formudur. Girdilerin azalan verime sahip olduğu ve tasarruf oranının sabit olduğu bu modelde, teknolojik gelişmeler olmaksızın, kişi başına düşen milli gelirdeki büyümenin duracağı öne sürülmüştür ( Barro ve Martin, 1995: 11)

2.2.3.2. Neoklasik Büyüme Teorisi Büyüme teorisinin en temel önerisine göre, uzun vadede kişi başı sürekli pozitif büyümeyi yakalamak için, yeni ürünler, pazarlar ya da süreçler bazında sürekli teknolojik gelişme şarttır. Bu öneri, Solow ve Swan’ın 1956 yılında geliştirdiği neoklasik büyüme modeliyle de açıklanabilir. Eğer teknolojik gelişme [15]

yoksa, azalan verimler kanuna göre büyüme sıfırlanacaktır. Neoklasik büyüme modelinin en temel dayanağı, sermaye üzerindeki sabit getirileri esas alması ve işçiliğin değişmediğini varsaymasıdır. Toplam üretim, sermayenin bir fonksiyonu olarak Y=F(K) şeklinde ifade edilebilir (Aghion ve Peter, 1998: 11). Fonksiyon toplam sermaye stoku “K”ile, belirli bilgi düzeyinde, mevcut belirli teknolojilerle ne kadar çıktı üretilebileceğini gösterir. Nüfus artış hızı ve işgücüyle ilgili konularda modele dahil edilmemiş ve sermaye ile işgücünün tam kapasite ile etkin bir şekilde kullanıldığı varsayılmıştır. Nüfus artışı ve teknolojik gelişmeler modele dahil edilmediği için, büyümeyi etkileyecek tek faktör sermaye birikimidir. Üretimde büyüme sadece sermaye stoku artarsa yaşanacaktır. Sermaye stokunun hangi hızla artacağını tespit etmek için Solow ve Swan’ın önergesi izlenebilir. Solow ve Swan’a göre insanlar gelirlerinin sabit bir kısmını, “s” kadarını tasarruf ederler ve sermaye birikiminin “δ” kadarı kadar da kaybolur. Yeni sermayenin birikim hızı “sY” ve sermaye stokunun eskime payı da“δK” olduğuna göre, sermaye stokundaki, diğer bir ifadeyle yatırımdaki, net artış aşağıdaki gibi ifade edilebilir; Ǩ=sF(K)-δK Bu fark denklemi, neoklasik büyüme teorisinin temelini oluşturur. Herhangi bir zaman diliminde, “Ǩ” sermaye stokundaki değişimi gösterir. Sermayedeki değişim,

topla

üretim

fonksiyonuna

(Y=F(K))

yerleştirildiğinde,

çıktıdaki

değişimler ve dolayısıyla büyüme hızı belirlenmiş olur ( Jones, 1998: 22). Bu bulgulara göre sermaye ile büyümeyi ilişkilendirmek mümkündür. Sermaye birikimi az olduğunda, milli gelirin sermayeye oranı yüksek olacak ve insanlar tasarruf eğilimine gireceklerdir. Gelirlerinin daha büyük bir bölümünü tasarrufa yönelttikçe, sermaye birikimi, K, artacak ve bunu takiben milli gelir, F(K) artacaktır. Fakat azalan verimler kanununa göre, milli gelir, sermaye birikimi kadar artmayacak, tasarruflar amortismanlar kadar hızlı büyüyecektir ve bunun sonucunda sermaye birikiminin yükselişi duracaktır (Aghion ve Peter, 1998: 12) . Bu yüzden, teknolojik gelişmeler olmadan, azalan verimler kanunu, en sonunda gerçekleşen büyümeyi sıfırlayacaktır. Sermaye birikimi durağan seviyesine geldiğinde, milli gelirin büyüme hızı da sıfırlanacaktır. [16]

Bu yaklaşıma göre ekonomik büyümeyi körüklemek için insanları tasarrufa teşvik etmek için, en sonunda başarısızlığa uğrayacaktır. Her ne kadar, tasarruf eğilimi geçici olarak kısa vadede sermaye birikimini arttırsa da, uzun vadede büyümeye herhangi bir katkısı olmayacaktır.

2.2.3.3. Sermaye Birikimi Yaklaşımı Neoklasik modelde, teknolojik ve işçilik belirlenmiş bilgiler olduğundan (toplam üretim fonksiyonunda belirleyici değişken sermaye idi.) azalan verimler, sermayedeki artış oranının, çıktılara farklı oranda yansımasına yol açıyordu. Teknoloji veya işçiliğin sermayeye paralel olarak büyümesine olanak sağlanan modeller de vardır. Bu modellere genellikle AK modelleri denir. Çünkü formülsel olarak “Y=AK” diye ifade edilir. Bu denklemde “A” sabittir. AK modellerinin en bilineni Harrod-Domar modelidir. Bu modelde işgücünün sermayeyle orantılı olarak büyüyeceği ön görülmüştür ( Aghion ve Peter,1998: 24, 25) .

2.2.3.4. Harrod-Domar Modeli Harrod Domar modelinin çıkış noktası Keynes’in “Genel Teori”sidir. Genel Teori yaklaşımı, var olan işgücünün, üretim ekipman ve tekniklerinin, rekabet derecesinin ve pazardaki müşterilerin tüketim alışkanlıklarının ve kapasitelerinin değişmediği varsayımı üzerine kurulmuştur. Bu yüzden statik ve basit bir modeldir. Çünkü ekonominin üretim potansiyelini etkileyen ana belirleyicilerin zaman içinde hiç değişmediğini varsaymaktadır. Bu modelde üretim kapasitesinin bilindiği göz önünde bulundurulursa, ilk amaç toplam talebi belirlemektir. Çünkü toplam arz ve işgücü üzerinde belirleyici olacak faktör toplam taleptir ( Peterson ve Estenson, 1992: 567,582) . En basit gelir-gider modeline göre, üretim safhasında yatırıma yönlendirilen gelir, yatırımcıya veya üreticiye herhangi bir şekilde geri dönmelidir. Üretilen mal ve hizmetler ise toplam talebi karşılayacak düzeyde olmalıdır.

[17]

2.2.3.5. Solow-Swan Ve Ak Modellerinin Karşılaştırılması Solow-Swan ve AK modelleri, büyüme hakkında iki farklı yaklaşım ortaya koymaktadır. Sermaye getirileri ve uzun dönemde büyümeyi etkileyen değişkenler, yaklaşımların temelini oluşturmaktadır. Sermaye getirileri boyutunda, Neoklasik model, azalan verimleri, Harrod Domar ise sabit getirileri esas almıştır. Solow Swan modelinde,

büyüme tamamen

nüfus artışı ve teknolojik değişim gibi dışsal

faktörlere bağlanmıştır. AK modelinde ise büyüme, ekonominin büyüklüğünden ve yapısal karakteristiklerinden etkilenir.

2.3. Enflasyon Ve Ekonomik Büyüme İlişkisi

2.3.1. Enflasyon Ve Ekonomik Büyüme İlişkisini İnceleyen Yaklaşımlar Gerek enflasyonu gerekse de ekonomik büyümeyi açıklayan yaklaşımlardan da görüleceği üzere enflasyonun düşürülmesi ekonomik büyümenin arttırılması toplum refahının arttırılmasının önemli ön koşullarını oluşturmaktadır. Fakat bu ön koşulların birbirinden bağımsız bir biçimde gerçekleştirilmesinin her zaman mümkün olmadığı belirtilmektedir. Diğer bir deyişle, ekonomik büyüme oranlarının artırılmasının bazı durumlarda ki özellikle kısa dönemde fiyat artışlarının sağlanmasıyla oluşacağı belirtilmektedir ( Savaş, 1998: 44). Bu düşüncenin temel dayanağını ise fiyatların yükselmesinin, kar oranını artırması ve üreticiyi daha çok istihdama ve daha çok üretime teşvik etmesi oluşturmaktadır. Dolayısıyla kısa dönemde enflasyon ile ekonomik büyüme arasında pozitif bir ilişki öngörüsünü taşıyan bu tespit bir anlamda enflasyon ile ekonomik büyüme arasında bir çelişki olduğunu da iddia etmektedir. Her ne kadar bazı koşulların gerçekleşmesi durumunda bu şekilde bir ilişkinin ortaya çıkacağı öngörüsü yapılmakla birlikte enflasyon ile ekonomik büyüme arasındaki ilişkinin yönü ve bu ilişkinin ekonomi politikaları açısından uzantıları iktisadi teorinin en önemli tartışma konularından birisini oluşturmuştur. Enflasyon ile ekonomik büyüme arasındaki ilişkinin pozitif olduğu, daha da önemlisi enflasyonun yükselmesine izin verdiği taktirde ekonomik büyüme hızının da yükseleceği fikri, önceleri Phillips Eğrisi yaklaşımını tartışılır hale getirmesiyle birlikte konuya [18]

yönelik farklı teorilerin geliştirildiği gözlenmektedir (Akçay vd., 2002:39; Saçkan, 2006: 1). Bu nedenle, söz konusu ilişkinin Phillips Eğrisi, Neoklasik Yaklaşım ve İçsel Büyüme Yaklaşımları anlamında üç ana başlık altında incelendiği görülmektedir.

2.3.2. Phillips Eğrisi Yaklaşımında Enflasyon Ve Ekonomik Büyüme İlişkisi A.W.Phillips (1958), İngiltere ekonomisinin 1861-1957 dönemine ait işsizlik oranı ve yıllık ücret artış oranlarının işaretlenmesi suretiyle, gözlemsel bir eğri oluşturulmuşur. Phillips Eğrisi olarak isimlendirilen ve işsizlik oranı ile yıllık ücret artışları arasında negatif yönlü bir ilişki olduğunu ileri süren bu eğri, daha sonra Samuelson ve Solow (1960)’un katkılarıyla enflasyon oranı ile işsizlik oranı arasındaki kararlı ve ters yönlü ilişki şeklinde yeniden formüle edilmiştir . π= -γ (u-uN) π: Enflasyon oranını u: İşsizlik oranını uN: Doğal işsizlik oranı γ: Enflasyon oranının işsizlik oranı ile doğal işsizlik oranı arasındaki değişmeye olan duyarlılığını göstermektedir.

Şekil 2.1. Phillips Eğrisi

1960’lı yıllarda, enflasyonla işsizlik arasında bir değiş-tokuş bulunduğu görüşünü benimseyerek, ekonomi politikası yürütenlerin, belli bir enflasyona razı olunarak [19]

işsizliği azaltmak amacıyla genişletici para ve maliyet politikaları izlemişler ve büyük ölçüde beklenene uygun sonuçlar elde etmişlerdir. Ancak 1960’lı yılların sonlarından itibaren yaşanan stagflasyon olgusunun da etkisiyle Phillips Eğrisi’ne olan güven aksi sonuçlar elde edilmesine neden olmuştur. Bu durum karşısında da, Friedman ve Phelps, değişen enflasyon beklentilerinin etkilerini göz önünde almayan Phillips Eğrisi’ne yönelik eleştirileri anlam kazanmaya başlamıştır ( Güran 1996: 248). Zira Friedman ve Phelps, değişen enflasyon beklentilerinin hesaba katılması halinde Phillips Eğrisi’nin zaman içinde istikrarlı olamayacağını ve eğri üzerindeki bir noktanın seçilmesi ile belirlenen enflasyon oranının bir uyum döneminden sonra yeni bir beklenen enflasyon oranına ve Phillips Eğrisi’nin kaymasına neden olacağını ileri sürmüşlerdir. Bu anlamda bekleyişlerin dahil edildiği Phillip Eğrisi denklemi şu şekilde ifade edilmiştir. π= πc- γ ( u- uN) Denkleme beklenen enflasyon (πc) eklenmesiyle oluşturulan denkleme göre, beklenen enflasyon oranı gerçekleşen enflasyon oranına eşit olunca, işsizlik oranı da doğal işsizlik oranına eşit olmaktadır: π= πc, (u-uN). Buna karşılık, gerçekleşen enflasyon oranı beklenen enflasyon oranından büyük olduğunda, işsizlik oranı doğal işsizlik oranından küçük olmaktadır: π>πc , u<uN. Tam tersi durumunda ise gerçekleşen enflasyon haddi beklenen enflasyon haddinden küçük olduğunda, işsizlik oranı doğal işsizlik oranından büyük olmaktadır: π<πc , u>uN Bununla birlikte, bekleyişlerin sokulduğu Phillips Eğrisi dinamik toplam arz eğrisi şeklinde de tanımlanabilmektedir. Bunun için ise öncelikle, dinamik toplam arz eğrisi denklemdeki gibi oluşturulmaktadır. π=πc-1/α (Y-YN) İşsizlik haddi doğal işsizlik haddinden küçük olunca , denklemde de belirtildiği üzere hasıla doğal hasıladan büyük olmaktadır. (Y-Y)=-a(u-uN) Okun Kanun’u olarak tanımlanan, bu husus hesaba katıldığında, kısa dönem arz denklemi denklemde şu şekilde oluşturulmaktadır. π = πc –γ (u-uN)

γ= (1/α)*a

α: Hasılanın fiyat düzeyindeki beklenmedik değişimlere karşı duyarlılığını, a: Okun katsayısını göstermektedir. [20]

Phillips Eğrisi, beklenen enflasyon haddinin veri olduğu kısa dönemde, enflasyon oranı yükseldikçe işsizlik oranının düştüğünü- hasıla düzeyinin yükseldiğini, buna karşılık beklenen ve gerçekleşen enflasyon oranlarının eşit olduğu uzun dönemde, işsizlik oranının enflasyon oranından bağımsız olduğu anlamında aynı şeyi ifade etmektedir (Ünsal, 2001: 248, 249; Yıldırım ve Karaman, 2001: 276). Bununla birlikte, kısa dönemde enflasyon ile ekonomik büyüme arasıda pozitif yönlü bir ilişki olduğunu kabul eden beklentilerin dahil edildiği Phillips Eğrisi

yaklaşıma

destekler

nitelikte

başka

yaklaşımların

geliştirildiği

gözlenmektedir.Neoklasik bakış açısı çerçevesinde geliştirilen bu yaklaşımlarda da enflasyon ile ekonomik büyüme arasında pozitif bir ilişki olduğu savunulmaktadır. 2.3.3. Neoklasik Yaklaşımlarda Enflasyon Ve Büyüme İlişkisi Neoklasik modelde enflasyon ve ekonomik büyüme ilişkisi kapsamlı bir şekilde ilk defa Mundell (1963) tarafından incelenmiştir. Mundell’e göre, enflasyonda veya enflasyon bekleyişlerinde meydana gelebilecek olan bir artış bireylerin servetlerini azaltacaktır. Bu azalma karşısında bireyler, eski servet düzeylerine dönmek için daha fazla tasarruf edeceklerdir. Daha fazla tasarruf edilmesi ise faiz oranlarının düşmesine ve buna bağlı olarak yatırımların artmasına; dolayısıyla ekonomik büyümenin gerçekleşmesine neden olacaktır ( Erçel, 1999: Gokal ve Subrina,2004: 10). Mundell’e paralel olarak enflasyon ile ekonomik büyüme arasında pozitif yönlü bir ilişki olduğunu savunan diğer iktisatçı ise James Tobin (1965)’dir. Tobin neoklasik ekonomik büyüme modellerinde parasal faktörlerin dikkate alınmadığına işaret etmekle birlikte kısa dönemde parasal faktörlerin dikkate alınmadığına işaret etmekle birlikte kısa dönemde parasal faktörlerin sermaye birikimi üzerinde etkili olacağını belirten Keynes’in düşüncelerinin aslında uzun dönemde geçerli olduğunu ortaya koymaya çalışmıştır. Buna göre Tobin, Solow (1956) ve Swan (1956)’nın modellerini izleyerek, kapalı bir ekonomide kar getiren sermaye ve diğer parasal varlıklar üzere iki birikim aracı olduğunu ve parasal varlıkların getirilerinin sermaye getirilerini ve sermaye birikimini sınırladığını ileri sürmektedir. Bununla beraber, Tobin parasal varlıkları yalnızca merkez bankaları tarafından arz edilen, getirisi devlet tarafından sabitlenmiş ödeme ve değişim araçları olarak ifade etmiştir. Bu nedenle, toplam servetin; geçmişteki reel yatırımlardan elde edilen reel varlıklar [21]

(sermaye) ve devlet tarafından arz edilen (üretilen) kağıt varlıklar (para) olmak üzere iki bileşeni bulunmaktadır.

Reel varlıklar ile kağıt varlıklar arasında bir

portföy seçimi söz konusu ise servet sahipleri en fazla getiriye sahip olanı seçmek isteyeceklerdir. Eğer her ikiside aynı getiriye sahipse bunlar arasında kayıtsız kalınacaktır. Dolayısıyla, Tobin’e göre eğer para otoritesi paranın faiz oranını kontrol ediyorsa sermayenin getirisini de kontrol ediyordur. Parasal varlıkların portföy içindeki payının azalması, sermayenin payının artmasına ve üretimin artmasına neden olacaktır. Bu arada parayı elde tutmanın alternatif maliyeti, sermayenin getirisi artı enflasyon oranı olmaktadır. Bu sebeple, politika uygulayıcıları enflasyon oranını yükselterek servetin bileşimini sermaye lehine değiştirebilmektedirler ( Tobin, 1965:676, 684; Aktaran: Saçkan,2006:11). Eğer insanlar çeşitli politika önlemleriyle ki, daha az para tutmaya zorlanıyorsa servetlerini daha verimli aktivitelere kaydıracaklardır. Tasarruf oranı sabitse bu kayma tasarrufların para ve sermaye arasındaki dağılımını değiştirecek dolayısıyla kişi başına sermaye artacaktır. Böylelikle de, enflasyon kişi başına sermaye ve kişi başına çıktıda bir artışa neden olacaktır. Neoklasik teoride enflasyonun etkileri konusundaki diğer bir çalışma ise Sidrauski (1967) tarafından yapılmıştır. Paranın güçlü yansız olduğunu düşünen Sidrauski’nin modelinde ise insanlar Tobin modelinden farklı olarak kendi faydalarını maksimize edecek bir tasarruf oranı belirlemektedirler. Zira,

Tobin

modelinde tasarruf oranı çıktının sabit bir bölümünden oluşmaktaydı. Bununla birlikte, Sidrauski’nin modelinde paranın örtük bir işlevi bulunmaktadır. Diğer bir deyişle, bireylerin fayda düzeyleri tutmuş oldukları reel para balanslarıyla doğrudan ilişkilidir. Dolayısıyla enflasyon oranında meydana gelecek bir artış durağan durumdaki sermaye stokunu etkilememektedir. Bu anlamda, Sidrauski’nin modelinde enflasyon oranında meydana gelebilecek bir artış reel para balanslarının azalmasına neden olurken, Tobin modelinden farklı olarak sermaye miktarında herhangi bir değişikliğe neden olmamaktadır (De Gregorio,1996: 3; Haslag, 1997:13 ; Sidrauski.1997:797). Stockman (1981) ise Tobin modellinden farklı olarak enflasyonun ekonomik büyümeyi negatif yönde etkilediğini düşünmektedir. Buna göre Stockman, enflasyon oranındaki bir artışın durağan durumum çıktı düzeyi ile enflasyon [22]

arasındaki negatif ilişkinin temelini oluşturmaktadır. Burada firmalar yatırımlarının finansmanı için bir miktar nakit para kullanmakta ve bazı durumlarda nakit para yatırım paketinin doğrudan bir parçası olmaktadır. Stockman, bu nakit yatırımı tüketim ve sermaye birikimi üzerinde bir kısıt olarak görmektedir. Buna göre, enflasyon yükseldiğinde paranın satın alma gücü düştüğünden, insanların para talebi dolayısıyla da sermaye talepleri düşmektedir. Dolayısıyla durağan durum çıktı düzeyleri azalmaktadır. Bu süreç ise Stockman etkisi olarak tanımlanmaktadır. Stockman etkisi işgücünün çalışma kararları üzerinde de geçerli olabilmektedir. Greenwood ve Huffman ise (1987), temel çalışma-boş vakit mekanizmasının sermaye birikimi uzantılarını ortaya koymaktadırlar. Greenwood ve Huffman’ın çalışmasında insanlar tüketim amacıyla ellerinde para tutmakta ve tüketim ile boş vakitten oluşan fayda maksimize etmeye çalışmaktadırlar. Enflasyon yükseldiğinde işgücünün getirisi azalmakta ve insanlar daha az çalışıp daha az tüketmeye başlamakta ve daha fazla boş vakit kazanmak şeklinde faydalarındaki azalmayı giderebilmektedirler. Bu nedenle de, işgücündeki azalma çıktı düzeyini başka bir ifadeyle ekonomik büyüme oranını düşürmektedir (Gokal ve Subrina, 2004: 11,12 ; Saçkan, 2006: 12,13). Cooley ve Hansen (1989) ise bu mekanizmayı sermaye birikimini içerecek şekilde genişletmişlerdir ve temel de üç soruya cevap aramışlardır: Para arzı iş çevrimlerinin genişliğini etkiler mi ?, Beklenen enflasyon

makroekonomik

değişkenlerin uzun vadedeki değerlerini etkiler mi ?, Alternatif para arzı kurallarının refah üzerindeki maliyetleri nelerdir? B u soruların ilk ikisini, para arzının düzensiz bir şekilde arttırılmasının iş çevrimlerini çok yüksek düzeyde olmasa da değiştirdiğini ve beklenen enflasyon makroekonomik değişkenleri uzun dönemde değerlerini etkilediği şeklinde cevaplamışlardır. Son soruyu ise, para arzının sabit büyüme hızı ile arttırılması neticesinde, nominal faiz oranlarının yükseleceği, bireylerin boş zamanlarını arttıracağı ve daha fazla mal satın alınacağı, yatırımların azalacağı ve buna bağlı olarak da çıktı düzeyinin düşeceği şeklinde yanıtlamışlardır Kısacası, Stockman, Cooley ve Hansen’in modellerinde enflasyon oranının yükselmesi bireyin düşük refah seviyesiyle mücadele etmesine neden olmaktadır. Buna göre, Stockman’ın ekonomisinde enflasyon, sermaye de dahil olmak üzere bireylerin harcama ile ilgili kararlarını çarptırmaktadır. Cooley ve Hansen

[23]

modelinde ise enflasyon, karşısında bireylerin nakit mal almak yerine kredili mal almayı 1 boş zamanı tercih edeceklerini belirtmektedirler ( Haslag, 1997: 15). Sonuç olarak, neoklasik yapıdaki bu çalışmalar, durağan durumdaki çıktı düzeyi üzerinde enflasyonun farklı etkileri olabileceğini ortaya koymaktadır. Bu anlamda, Tobin, enflasyonun ekonomik büyümeyi arttıtacağını iddia ederken, Stockman , Cooley ve Hansen enflasyonun ekonomik büyümeyi azaltacağını ileri sürmektedirler. Söz konusu bu teoriler, paranın ekonomideki reel değişkenler üzerinde etkilerinin olduğunu savunurken, Sidrauski ise buna karşılık paranın reel değişkenler üzerinde nötr etkisi olduğunu kabul ettiği modelinde, enflasyonun ekonomik

büyüme

oranı

üzerinde

herhangi

bir

etkisinin

olmayacağını

savunmaktadır. Buna karşılık, 1980’li yıllarda gelişmeye başlayan ve neoklasik ekonomik büyüme yaklaşımında dışsal kabul edilen teknolojinin içsel olarak nasıl araştırılabileceğini araştıran içsel ekonomik büyüme yaklaşımı çerçevesinde geliştirilen yaklaşımlarda ise enflasyonun ekonomik büyümeyi olumsuz yönde etkileyeceği ileri sürülmektedir.

2.3.4. İçsel Ekonomik Büyüme Yaklaşımında Enflasyon Ve Ekonomik Büyüme İlişkisi Neoklasik ekonomi büyüme modellerinden farklı olarak, sermayenin artan getiriye sahip olduğunu düşünen içsel ekonomik büyüme modellerinde sermaye kavramı beşeri sermayeyi de kapsayacak şekilde tanımlanmaktadır. Bu nedenle, Lucas (1980), Lucas ve Stokey (1987), McCallum ve Goodfiriend (1987) enflasyonun sermaye üzerinde vergi etkisi oluşturacağını ve hem fiziksel anlamda hem de beşeri anlamdaki sermayenin getirisinin azalacağını ve ekonomi büyüme oranının düşeceğini kabul etmektedirler (Gokal ve Subrina, 2004:17) Diğer bir içsel ekonomik büyüme modelinde ise Gomme (1993), enflasyon oranındaki yükselişin

istihdam üzerinde bir azalışa neden olacağını ortaya

koymuştur. Buna göre Gomme, öncelikle etkili kaynak dağılımının, son tüketiminin marjinal değeri ile son birim çalışmanın maliyeti eşitlenince sağlayacağını ifade

Bu modellerde nakit mal ile tüketim, kredi mal ile boş zaman ifade edilmektedir.

[24]

etmiştir. Bu anlamda, Gomme enflasyonun yükselmesinin son tüketiminin marjinal faydasını azalttığını ve etkinlik koşulunun bireylerin daha az çalışmasıyla sağlanacağını ve bireylerin daha az çalışması nedeniyle, sermayenin marjinal ürün değerinin azalacağını ve sermaye birikim sürecinin düşeceğini savunmuştur. Bu açıklamalara göre, Gomme enflasyonunun, ekonomik büyüme üzerinde çok az bir etki yapacağını düşünmüştür. Zira, çalışmasında da, yüzde 10 gibi ılımlı bir enflasyon oranının ekonomik büyüme üzerinde yüzde 1’den daha az bir etki yapacağını ortaya koymuştur. ( Haslag, 1997:15, 16; Walsh, 2003 :63). Marquis ve Reffert (1995) ile Haslag (1995) ise çalışmalrında sermaye ve paranın tamamlayıcı mallar olduğunu ekonomilerden hareket etmektedirler. Buna göre, Marguis ve Reffert, enflasyonun etkilerini bir Stockman ekonomisinde açıklamaktadırlar. Haslag’ın çalışmasında ise bankalar, küçük tasarruf sahiplerini toplamakta ancak nakit rezervi bulundurmaktadırlar. Paranın getirisinin sermayenin getirisinden az olması nedeniyle bu ekonomide nakit rezervi zorunlu olarak tutulmaktadır. Diğer taraftan, mevduatın denge getirisi, para ve sermayenin getirisinin ağırlıklı toplamı olarak kabul edilmektedir. Bu durumda enflasyonun artışı, mevduat getirisini düşürmekte ve dolayısıyla mevduat birikim hızı azalmaktadır. Sermaye de mevduatın bir parçası olması nedeniyle de sermaye birikimi ve çıktı büyümesi yavaşlamaktadır. Bununla birlikte, Marguis ve Reffert ile Haslag

enflasyonun

ekonomik

büyüme

üzerindeki

etkisini,

Gomme’nin

çalışmasından farklı olarak oldukça yüksek bulmuşlardır. Örneğin, Marquis ve Reffert (1995), ABD’nin 1959:1-1991:6 arası aylık verilerini kullanarak gerçekleştirdiği yatay kesit çalışmasında, enflasyonun yüzde 10 düzeylerinde düşmesi durumunda ekonomik büyümenin yüzde 0.22 oranında artacağını belirlemiştir. (Saçkan, 2006: 17 ; Marquis ve Reffert, 1995: 117; Haslag, 1995: 6, 18: Haslag,1997:16) Geliştirilen bir teorinin geçerliliği, gerçek hayattaki gözlemlerin teorinin öngörülerine büyük ölçüde uyum göstermesi ile anlam kazanmaktadır. Dolayısıyla enflasyon ve ekonomik büyüme ilişkisini inceleyen teorilerinin geçerliliği bir anlamda, konu ile ilgili yapılan uygulamalı çalışmaların incelenmesi ile ortaya konulabilmektedir.

[25]

2.4. Kapasite Kullanım Oranı Ve Enflasyon

2.4.1. Kapasite Kullanım Oranı Ve Keynesyen Teori Bilindiği üzere mevcut kapasitenin tam kapasiteye oranı olarak tanımlanan kapasite kullanım oranı, ekonomilerin genel performansları hakkında fikir veren ölçütlerden biridir. Kapasite kullanım oranındaki artışlar (azalışlar) ekonomideki canlanma (durgunluk) döneminin göstergesi olarak kabul edilir. Kapasite kullanım oranları ile enflasyon arasındaki ilişkiler yönünden ise aynı fikir birliği mevcut değildir. Garner (1994) ve Finn (1995) gibi iktisatçılara göre, kapasite kullanım oranındaki hareketlenmeler enflasyonist eğilimler için öncü gösterge niteliği taşımaktadır. Diğer yandan Farrell (1994) ve Epstein (1994) gibi iktisatçılara göre, kapasite kullanım oranı enflasyon için güvenilir bir gösterge niteliğini kaybetmiştir. İlk grup iktisatçılar kapasite kullanım oranındaki bir artışın enflasyon üzerinde baskı unsuru oluşturmasını, ekonominin canlanma dönemine girmesiyle birlikte daha az verimli üretim faktörlerinin üretim sürecine katılması ve bu yüzden maliyetlerin artması yoluyla açıklanmaktadırlar. Maliyetlerin artması tamamlanmış mal fiyatlarına yansımakta ve sonuçta tüketici fiyatlarında yükseliş yönünde bir eğilime neden olmaktadır. Bu düşünce çerçevesinde fiyat istikrarının sağlandığı optimal kapasite kullanım oranının varlığından bahsedilmektedir. Bu kapasite kullanım oranında fiyat istikrarı sağlanırken, daha yüksek (düşük) kapasite kullanım oranlarında enflasyonda artış (azalış) beklenecektir. Alternatif düşünceye göre, hızlı verimlilik artışı ve dışa açıklık seviyesinin artması

kapasite kullanım oranlarındaki artışların enflasyonist etki yapmasını

engellemektedir. Teknolojik gelişmelerdeki hızlı gelişme ve işletme yatırımlarındaki artışların endüstriyel üretimde sürekli artışa neden olmasına dikkat çeken Farrel (1994) yanında, teknolojik gelişmeleri ve verimlilik artışlarnı mevcut kapasite kullanım oranı istatistiklerinin yansıtamadığını savunan Epstein (1994), verimlilik artışının

kapasite

kullanım

oranlarının

enflasyon

için

gösterge

niteliğini

kaybetmesine neden olduğunu iddia etmektedirler. Harris (1993)’e göre ise dışa açıklığın artmasıyla birlikte ithalat yerli üretime ek arz görevi üstlenmekte, böylelikle enflasyon ile kapasite kullanım oranı arasındaki istikrarlı ilişki ortadan [26]

kalkmaktadır. Ancak Tatom (1994), yurtiçinde üretilip satılan birçok malın dış ticarete konu olmadığını ve yurtiçi üreticilerin yurtdışı üreticilere oranla fiyatları arttırmada daha esnek olduğuna dikkat çekerek kapasite kullanım oranının enflasyon göstergesi olarak kullanılabileceğini ifade etmektedir. Finn (1995), yüksek oranlardaki kapasite kullanım oranının enflasyonist etki yapmasını Keynesyen düşünce içinde açıklamıştır. Şekil 3.1’de, Keynesyen düşüncedeki toplam arz toplam talep analizinin temel ifadesi görülmektedir. Şekilde P: fiyatlar genel seviyesini Y: üretim miktarını (reel milli geliri) , Y *: tam kapasite üretim miktarını (tam istihdam milli gelir seviyesini) , Yc: ekonominin maksimum (aşırı) kapasite kullanım miktarını (maksimum gelir kapasitesini), D 1 ve D2: toplam talep eğrilerini ve S: toplam arz eğrisini göstermektedir. Toplam arz ve toplam talep eğrilerinin keşismesi ekonominin fiyat ve üretimin (gelir) seviyesini belirler. Kısa dönem dikkate alındığında üretim seviyesinin (Y) tam istihdam üretim seviyesinin (Y*) altında ve üstünde sürekli bir biçimde gerçekleşmesi devresel dalgalanma olarak bilinir. Keynesyen düşüncede devresel dalgalanmalar talepteki değişimlerden kaynaklanır. Uzun dönem dikkate alındığında Y* ve Yc deki artışlar ekonomik büyüme olarak ifade edilebilir. Bu tür gelişmeler ise teknoloji seviyesindeki ve üretim faktörü stokundaki artışlar ile gerçekleşir.

Şekil 2.2. : Keynesyen Teori

P D1

P2 P1 Y1

Y* Y2

[27]

Keynesyen teorinin bu açılımında toplam arz eğrisi üç bölümden oluşur. Birinci bölümde, toplam arz eğrisi fiyatlara tamamen esnek, dolayısıyla gelir eksenine paralel konumdadır. Bu bölümdeki talep değişmeleri sadece ve sadece miktar değişimlerine neden olmaktadır.İkinci pozitif eğimlidir. Bu bölümde talep değişmelerine karşılık hem fiyat hem de miktar değişimleri yaşanır. Üçüncü bölüm, toplam arz eğrisinin fiyatlara göre sıfır esneklikte olduğu ve fiyat eksenine paralel olarak uzandığı bölümdür. Bu bölümde talep değişimlerine karşılık sadece fiyat değişimleri yaşanmaktadır. Üretim miktarı ise kısa dönem sınırına gelmiştir. Düşük üretim seviyesinde Y=Y1 kaynakların eksik kullanımı söz konusudur. Bu durumda firmalar istedikleri kadar üretim faktörünü (hammadde,ara malı ve işgücü) sabit maliyetle elde edilebilmektedir. Eğer üretim yüksekse (Y=Y 2), diğer bir ifadeyle tam kapasite üretim seviyesinin üzerinden ise (Y>Y *), kaynaklar aşırı kullanılmaktadır. Bu durumda firmaların kaynak kullanımını artırma istekleri, daha yüksek maliyetle üretim faktörü kullanımı sonucunu doğuracaktır. Bu nedenle talep artışına karşılık firmalar ancak son ürün fiyatlarının artması durumunda yeni kaynak kullanımına gideceklerdir. Bu durum ancak maksimum kapasite kullanım oranına (Yc) kadar devam edebilir. Kısaca düşük üretim seviyelerinde talepteki artışlar, gelirin artmasına neden olurken fiyatlar genel seviyesinde önemli bir yükselmeye neden olmamaktadır. Yüksek üretim seviyelerinde ise talep artışları hem gelir artışına hem de fiyatlar genel seviyesinde artışa neden olmaktadır.

[28]

3. METODOLOJİ

3.1. DURAĞANLIK VE DICKEY- FULLER TESTLERİ

Eğer bir zaman serisi durağansa, ortalaması, varyansı ve kovaryansı zaman içerisinde değişmemektedir. Bir zaman serisinin ortalamasının, varyansının ve kovaryasının zaman içerisinde sabit kalması zayıf durağanlık olarak tanımlanmakta olup kovaryans durağanlık veya ikinci mertebeden durağanlık olarak da ifade edilmektedir (Darnell, 1994:386). Bu aynı zamanda geniş anlamda durağanlık olarak da bilinmektedir. Bir stokastik sürecin ortak ve koşullu olasılık dağılımı zaman içinde değişmiyorsa bu seri güçlü anlamda durağan olarak isimlendirilir (CharemzaDeadman, 1993:118). Genelde uygulama yapılırken kovaryans durağanlık kavramı yeterli olmaktadır. Makroekonomik zaman serileri genellikle durağan değildir. Bu özelliğe sahip olan seriler birinci veya ikinci farkları ya da logaritmaları alınarak durağan hale getirilmektedir. Durağanlığın saptanabilmesi için kullanılan pek çok test bulunmaktadır. Bu çalışmada değişkenlere ait verilerin durağanlığı Genişletilmiş Dickey-Fuller birim kök testi (ADF) kullanılarak test edilecektir. Dickey-Fuller testi, hata terimlerinin otokorelasyon içermesi halinde kullanılamamaktadır. Zaman serisinin gecikmeli değerleri kullanılarak hata terimindeki otokorelasyon ortadan kaldırılabilmektedir. Dickey-Fuller bağımlı değişkenin gecikmeli değerlerini, bağımsız değişken olarak modele dahil eden yeni bir test geliştirmiştir. Bu test Genişletilmiş Dickey-Fuller testidir. Burada gecikmeli değişkene ait uygun gecikme mertebesi belirlenirken Akaike ve Schwarz kriterlerinden yararlanılmaktadır. Bu test için önerilen modeller aşağıda gösterilmektedir (Enders,1995;225).

Sabitsiz ve trendsiz model

∑

[29]

Sabitli ve trendsiz model

∑ Sabitli ve trendli model

∑

şeklinde ifade edilebilir. Her üç durumda da hipotez değişmeyecek ve H0:

Ha:

şeklinde olacaktır. Test istatistiğide τ =

şeklinde hesaplanmaktadır.

ADF için gereken tablo değerleri Dickey-Fuller testi için kullanılan tablo değerlerine eşittir. ADF testinin Dickey-Fuller testinden önemli bir farkı değişkenin gecikmeli değerlerini içermesi ve dolayısı ile gecikme sayısının belirlenmesidir. Gecikme sayısının belirlenmesi için bir çok kriter bulunmaktadır. Bu kriterler arasında Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SC) en çok kullanılanlarıdır. AIC ve SC, hata terimlerinin kareleri toplamı (RSS) içeriğinden, bu kriterlerin değerlerini en küçük yapan gecikme sayısı en uygun gecikme sayısı olarak belirlenebilir. [30]

3.2. KOENTEGRASYON

Doğrusal olmayan serilerde durağanlığı sağlamak için serilerin birinci, ikinci vb. farklarının alınması sadece geçmiş dönemlerde maruz kaldığı kalıcı şokların etkisini yok etmekle kalmayıp, aynı zamanda dönemler arasında bu şoklar dışında var olabilecek uzun dönemli ilişkilerin de ortadan kalkmasına neden olmaktadır. Dolayısıyla, bu şekilde durağanlaştırılmış veriler arasında bulunacak bir regresyon ise uzun döneme ait tüm bilginin yok edilmesi nedeniyle, bir uzun dönem denge ilişkisi vermeyecektir. Eşbütünleşme analizi iktisadi değişkenlere ait serilerin durağan olmasalar bile bu serilerin durağan bir doğrusal kombinasyonunun var olabileceğini ve eğer varsa bunun ekonometrik olarak belirlenebileceğini ileri sürmektedir. Durağan olmayan iki zaman serisi aynı derecede entegre iseler, bu durumda iki seri arasında bir eşbütünleşme olabilir. Serilerin düzey değerleri arasındaki regresyon sahte olmayıp anlamlıdır. Başka bir ifadeyle durağan olmayan iki seri bütünleşik ise bu durumda seriler arasında bir uzun dönem ilişkisi olabilir. İki serinin aynı mertebeden entegre olması ikisindeki trendin birbirini götürmesini ve trend faktöründen arındırılmış bir ilişkinin bulunmasını sağlar. Eşbütünleşme yaklaşımı uzun dönem serilerinde fark almaktan kaynaklanan bilgi kaybını ve çözümsüzlüğünü önleyen bir yaklaşımdır.

3.3.ENGLE-GRANGER YAKLAŞIMI Bu yaklaşım Engle-Granger (1987) çalışması ile ortaya atılmıştır. İki değişken arasındaki uzun dönemli ilişkiyi araştırırken modelde kullanılan tüm değişkenlerin aynı mertebeden durağan olduğu varsayılmaktadır. Diğer bir ifadeyle öncelikle her bir değişken için birim kök testleri uygulandıktan sonra aynı mertebeden durağan olduklarını bulmak gerekmektedir. Aksi halde farklı dereceden durağan iseler Engle-Granger yaklaşımı kullanılmaz. [31]

Burada Y ve X birinci mertebeden durağan I(1) değişkenleri göstermektedir. Bu iki değişkenin ko-entegre olması hata teriminin durağan olmasına bağlıdır. Diğer bir ifadeyle hata terimi düzey değerleri ile durağansa değişkenlerin eşbütünleşik olduğu sonucuna varılır. Bu yaklaşımın ilk aşamasında değişkenlere birim kök testi uygulayarak durağanlık dereceleri belirlenir. İki değişken aynı derecede entegre ise koentegrasyon analizi uygulanır. Değişkenler farklı derecede durağansa koentegre (eşbütünleşik) olmadığı sonucuna ulaşılır. İki değişken düzey değerleri ile durağan ise analiz yapmaya gerek yoktur çünkü her iki değişken de durağan olduğu için geleneksel ekonometrik yaklaşımlar kullanılır. İki

değişkenin

aynı

mertebeden

durağan

olduğu

bulunduğunda

eşbütünleştirici regresyon denklemi en küçük kareler yntemi ile tahmin edilir. Model tahmin edildikten sonra elde edilen hata terimlerine durağanlık testi yapılır. Kalıntıların durağan olması iki değişkenin eşbütünleşik olduğunu gösterir. (MacKinnon(1991) değerleriyle karşılaştırılarak karar verilir. )

3.4.JOHANSEN YAKLAŞIMI İkiden fazla değişken varsa birden fazla uzun dönem denge ilişkisi ortaya çıkabilir.Bu durumda Johansen eşbütünleşme testi kullanılır. Genel olarak m sayıda eşbütünleştirici vektör görülebilir. Dolayısıyla m=2 olması durumunda değişkenler eşbütünleşik ise tek bir eşbütünleştirici vektör olacaktır. M > 2 olması durumunda ise tek bir eşbütünleştirici vektör ortaya çıkabileceği gibi birden fazla eşbütünleştirici vektör de söz konusu olabilir. Johansen testi özdeğer ve öz vektörlere dayanarak hesaplanan bir testtir. Bu testin ilk aşamasında Engle- Granger testindeki gibi durağanlık dereceleri belirlenir. Aynı mertebede durağan olan seriler için uygun gecikme sayısı bulunur. Uygun gecikme sayısının belirlenmesi için öncelikle VAR modeli kurulur. Akaike ve Schwarz bilgi kriterleriyle gecikme sayısına karar verilir. [32]

Johansen

eşbütünleşme

analizinde

matrisinin

rankının

bilinmesi

gerekmektedir. Π matrisi, π = αβ şeklinde ifade edilir. Bu gösterimde 

β eşbütünleşme matrisi



α her bir eşbütünleşme vektörünün parametrelerine ilişkin ağırlıkları vermektedir

Johansen eşbütünleşme analizinde 

r(π) = 0 ise eşbütünleşme yoktur.



r(π) = 1 ise 1 tane eşbütünleşme ilişkisi vardır.



r(π) = 2 ise 2 tane eşbütünleşme ilişkisi vardır.



r(π) = r ise r tane eşbütünleşme ilişkisi vardır.

1 ≤ r(n) ≤ n-1 ise r(π) = r olacaktır. π matrisinin rankı belirlenmişse değişkenler arasında eşbütünleşme ilişkisinin var olup olmadığı bulunur. π matrisinin rankının belirlenmesi amacıyla 2 farklı test geliştirilmiştir. 

λmax maksimum özdeğer istatistiği



λiz iz istatistiği

Bu istatistikler şu şekilde hesaplanmaktadır: 

λmax = -T ln(1-λi)



λiz = -T ∑

(1-λi)

Johansen eşbütünleşme analizinin son aşamasında standartlaştırılmış α ve β vektörleri

kullanılarak

eşbütünleşme

ilişkileri

yazılır.

Standartlaştırılmış

vektörünün satırındaki en büyük pozitif değer ortak bütünleşme ilişkisindeki içsel terimi ifade etmektedir. Bu terim belirlendikten sonra standartlaştırılmış β vektörü kullanılarak katsayılar belirlenir.

[33]

Johansen eşbütünleşme analizi ile Engle-Granger eşbütünleşme analizi arasında bazı farklılıklar bulunmaktadır. 

Engle-Granger yöntemi sadece bir eşbütünleşme bulabilirken, Johansen yöntemi, VAR yöntemini kullandığı için birden fazla eşbütünleşme ilişkisi bulabilir.



Her iki yöntem de statik model tahmin eder fakat Johansen yöntemi kısa dönemli ilişkileri de gösterebilir.



Johansen yöntemi öngörü amaçlı kullanılabilir, oysa Engle-Granger yöntemi öngörü için uygun değildir



Johansen yönteminde bütün değişkenler içsel iken, Engle-Granger yönteminde değişkenler ve değişkenler arasındaki ilişkiler tamamen iktisat teorisine göre belirlenmektedir.



Engle-Granger yönteminde sıfır kısıtlama yapılırken, Johansen yönteminde böyle bir kısıtlama yoktur.



Johansen yönteminde gecikme sayısının bulunması bir dezavantajdır.



Engle-Granger yöntemi en küçük kareler yöntemini kullanırken, Johansen yöntemi en çok olabilirlik yöntemini kullanmaktadır.

3.5. GENELDEN ÖZELE MODELLEME YAKLAŞIMI ( HENDRY YÖNTEMİ )

Bu yöntem 1932’de ABD-Chicago’da başlangıçta sermaye piyasalarıyla ilgili araştırmalar yapma amacıyla oluşturulan Cowles Komisyonu’nun çalışmalarına dayanır.(Charemza, 1997). Uzun yıllar boyunca ekonometrik araştırmalarda izlenen ve Gilbert

(Gilbert, 1986 ) tarafından ‘ortalama iktisadi regresyon ‘ olarak da

isimlendirilen bu yöntem şu şekilde işlemektedir.

[34]

Geleneksel ekonometrik yöntemde çıkış noktası olarak doğru olduğu önsel olarak kabul edilen, iktisat kuramından elde edilen bir matematiksel kalıp ele alınır ( Gilbert, 1986 ).

Burada amaç denklemde

‘in ve eğer kesişim katsayısı modele alındıysa

’ın tahmin değerlerini elde edilmektedir. Ekonometrik modelin başarılı bir model olarak kabul edilmesi için hata terimi ile ilgili bazı varsayımların sağlanmış olması gerekir. Yani, hata terimiyle ilgili olarak, çoklu doğrusal bağlantı, değişen varyans, otokorelasyon gibi sorunların bulunmaması, ayrıca katsayıların istatistiksel açıdan anlamlı olması , modelin iktisadi beklentilere uygun olması gerekir. Ancak başarılı bir tahmin modeli elde edilse dahi geleneksel yöntemle ilgili kuramsal bir sorun her zaman vardır. Şöyle ki; aynı veya birbirine yakın iki veri seti kullanılarak , aynı konuyu açıklama amacı güden ancak temelinde farklı bir iktisadi düşünceyi hareket noktası olarak alan bir başka model ( ya da modeller ) olabilir. Bu durumda aynı iktisadi kavramı ( değişkeni) başarılı bir şekilde açıklayan fakat temel aldığı iktisadi kuramlarda farklılaşan birden çok model ortaya çıkacaktır. Birbirine zıt düşünceleri aynı veya benzer veri setiyle doğrulayan modellerin literatürde yer alması, bu çalışmaların bilimselliğiyle ilgili şüpheler doğmasına neden olabilir.

Bu sebeple; geleneksel ekonometri yöntemleriyle ilgili temel sorun

ekonometriye, doğruluğuna inanılan bir iktisadi kuramın, veriler yardımıyla kanıtlanması amacına yönelik olarak başvurulan bir disiplin olarak yaklaşılmasıdır. ( Gilbert, 1986). Dolayısıyla farklı araştırmacılar tarafından belirli görüşleri desteklemek amacıyla hazırlanan modeller ekonominin gerçek durumu ve ekonomik değişkenlerin aralarındaki

etkileşimleri

hakkında

sağlıklı

bilgi

vermeyebilir.

Geleneksel

ekonometri yöntemlerinin bu eksik tarafını gidermek amacıyla önerilen alternatif yöntemlerinin en önemlilerinden biri genelden özele modelleme yöntemidir ( Darnell , Evans , 1990).

[35]

Genelden özele modelleme yöntemi, ya da diğer adıyla Hendry yönteminde amaç iktisadi kuramın öngördüğü tüm değişkenleri gecikmeli değerleriyle birlikte içeren geniş kapsamlı bir genel modelden, veri setiyle tutarlı, belirli kriterleri sağlayan mümkün olan en dar modele ulaşılmaktadır. Modelleme süreci dört aşamadan oluşur. İlk olarak içerdiği değişkenler iktisat kuramının önerdiği denge ilişkileri ile örtüşen, sürecin dinamiği mümkün olduğunca düşük sınırlayan genel model formüle edilir. Model, birbirine mümkün olduğunca dik, açıklama gücüne sahip ve iktisadi açıdan

yorumlanabilecek

niteliklere

sahip

değişkenler

kullanarak

yeniden

parametrelendirilir. Model basitleştirilerek veri setiyle uyumlu en küçük versiyonu bulunur. Sonuçta ulaşılan modelin tahmin gücü üzerinde analizler yapılır ( Pagan, 1987: 4 ). İlk aşamada kurulacak olan genel model konusunda dikkatli olmak gerekir. Çünkü bu model, çalışmanın ilerdeki aşamalarında kullanılacak olan tüm basitleştirilmiş modellerin yuvalandığı ve bu modellerin karşılaştırılacağı anahtar model görevi görmektedir ( Pagan, 1987) . Bu modelin oluşturulmasında kullanılacak rehber, ekonomi kuramı olacaktır.

Ekonomi kuramında, incelenen bağımlı değişkenin üzerine ortaya atılan görüşler doğrultusunda tüm olası açıklayıcı değişkenler tespit edilir. Bu değişkenlerin ve bağımlı değişkenin, gecikmeli değerleri açıklayıcı değişken olarak modele alınır. Genel modelin formu şu şekilde olmalıdır.

∑

Burada k’nın yani gecikme sayısının belirlenmesi aşamasında serbestlik derecesinin fazla azalmamasına dikkat edilmelidir. Diğer yandan dinamik iktisadi süreci açıklayacak kadar da geriye gitmek gerekir. Genel modeli kurarken önemli olan işte bu dengeyi kurmaktır. En uygun gecikme sayısının belirlenmesi için tahmin [36]

edilen modellere ait Akaike bilgi kriterleri v.b. kullanılarak gecikme sayıları belirlenir. Hendry yöntemi’nin diğer bir aşamalarında genel modelde yeniden parametrelendirme ve basitleştirme işlemleri yapılarak en basit , en uygun modele ulaşılacaktır. Ancak elde edilen basit modelin uygun olup olmadığına nasıl karar verilecektir? Diğer bir deyişle daha iyi bir modelin olup olmadığı kuşkusunu taşımadan en uygun modele ulaşıldığına nasıl karar verilecektir? Bu sorulara yanıt verebilmek için Hendry ve Richard ‘ ın önerdiği kriterlerin sağlanıp sağlanmadığına bakmak gerekir. ( Hendry ve Richard, 1982; Darnell ve Evans, 1990 ). Model veri kabullü olmalıdır. Tahmin denkleminden elde edilen tahmin değerleri mantığa uygun olmalıdır. İktisadi olaylar hakkında birçok farklı yorum yapılmış, farklı kuramlar geliştirilmiştir. Ancak elde edilen model, en azından bir kuram ile uyumlu olmalıdır. Modelde kullanılan açıklayıcı değişkenler en azından zayıf dışsal olmalıdır. Zayıf dışsal terimi açıklayıcı değişkenlerin hata teriminden bağımsız olması durumunu ifade eder. Zayıf dışsal olmayan açıklayıcı değişkenler, normal olarak içseldir ve bu değişkenlerin kullanılması durumunda bir eşanlı denklem sistemi kurmak gerekebilir ( Gilbert, 1986 ) .Uygun model parametre değişmezliği sergilemelidir. Yani modelin farklı dönemler için tahmin edilmesi durumunda tahmin edilen parametreler, her dönem için aynı olmalıdır. Bu nokta özelikle öngörü ve politika belirleme amacı taşıyan modellerde çok önemlidir. Çünkü bu iki ekonometrik amaç, belli bir dönem için tahmin edilen parametrelerin tahmin dönemi sonrası içinde geçerli olmasını gerektirmektedir. Model veri uyumluluğu sergilemelidir. Modelden tahmin edilen değerler ile gözlenen değerler arasındaki farkların oluşturduğu seri temiz dizi sürecine sahip olmalı yani hata terimi rassal olmalıdır. Uygun model diğer rakip modelleri içeriyor olmalıdır. Bu durumda model rakip modellerin sonuçlarını ve eksikliklerini içeriyor demektir. Yukarıdaki kriterler elde edilecek olan nihai modelin sağlanması gereken kriterlerdir.Ancak burada genelden özele basitleştirme sürecinde nelere dikkat edileceği sorusu ortaya çıkar. 9.7.2. model formunda, 6 açıklayıcı değişkenin 5 dönem gecikmeli değerlerini modele katan bir genel model ele alalım. Böyle bir [37]

modelde 30 (=6x5) tane açıklayıcı değişken olacaktır. Bağımlı değişkenin gecikmeli değerlerinin

veya

kukla

değişkenlerin

kullanılması

durumunda

sayı

artabilmektedir. Bu modeli basitleştirme işlemi sırasında araştırmacının dayanağı ne olmalıdır ? Bu sorunun yanıtı modelin amacıyla yakından ilgilidir. Örneğin basitleştirilecek olan modeldeki dışsallık durumları modelin amacına bağlı olarak önem kazanmaktadır. Genelde yapısal analiz amaçlı hipotez testleri için zayıf dışsallık yeterli olurken öngörü amaçlı çalışmalarda güçlü dışsallık, politika belirleme amacı taşıyan modellerde ise süper dışsallık gerekmektedir. Bu nedenle hata terimi ve açıklayıcı değişkenler arasındaki bağlantıların dereceleri dışlanacak veri seçiminde belirleyici olabilir. ( Gilbert, 1986). Dikkat edilmesi gereken diğer bir nokta kurulan modelin sadece gözlenen dönemde değil, gözlem aralığı sonrasında da geçerli olmasını sağlanmasıdır. Model kullanılarak yapılan öngörüler veya politika analizleri kullanılan değişkenlerin gelecekteki değişimlerinden olumsuz etkilenmemelidir. Basitleştirme sürecinde göz önünde bulundurulması gereken bir başka konu elde edilen parametrelerin yorumlanabilirliği konusudur. Tahmin edilen parametrelerin uzun dönem ekonomik ilişkiler açısından anlamlı kullanılabilir nitelikte olabilmelidir. Herhangi bir olguyu açıklamak üzere kurulan modellerden birkaçı birbirine yakın açıklama gücüne ve yeterliliğe sahip olabilir. Böyle bir durumda yapılması gereken en basit olan model tercih edilmelidir. Bu sayede serbestlik derecesi daha yüksek olan model kullanılmış olur. Mümkün olduğunca az sayıda açıklayıcı değişkenin kullanılması bu değişkenlerin birbirine dik olması olasılığını güçlendirecektir. Ayrıca daha basit model, modeli kullanılanlar için de daha anlaşılır olacaktır. Yukarıdaki kriterlere göre yapılacak basitleştirme işlemi sırasında önerilen her yeni modelde yapılan kısıtlamanın geçerliliği F testi kullanılarak sınanmakta, yapılan basitleştirmenin istatistiksel açıdan uygun olup olmadığı modelin açıklama gücünü azaltıp azalmadığı test edilir. Burada amaç, modelin sahip olduğu açıklama gücünü mümkün olduğunca korumaktır. Basitleştirme süreci sonunda ulaşılan özel modelin kabulü için bazı testler yapılmaktadır. Özel modelde yer alan açıklayıcı değişkenlere ait katsayıların istatistiksel olarak anlamlı katsayılar olması gerekmektedir. Bunun test edilmesi için bu katsayılara Student- t testi uygulanır. Değişen varyans sorununun incelenmesi için [38]

White ve Arch testi, spesifikasyon hatalarının tespiti için Reset testi, modelde otokorelasyon olup olmadığının tespit edilmesi için LM testi özel modelin uygunluğunun araştırılması için başvurulan diğer testlerdir. Ayrıca tahmin edilen özel modelin daha önce yapılan rakip modellerin sonuçlarını da içeriyor olması beklenir. Bunun tespiti için yuvalanmış ya da yuvalanmamış testlere başvurulur. Tüm bu testler sonucu iktisadi, istatistiksel ve ekonometrik yönden uygun olduğuna karar verilen özel modelin katsayıları iktisadi bilgileri verecek güce sahiptir. ( Çelem, 2003).

3.6.VEKTÖR OTOREGRESİF MODELLER (VAR)

Ekonomik değişkenlerin analizinde tek veya çok denklem oluşan modeller kullanılabilmektedir. Bu bağımlı değişken ile bir veya birden çok bağımsız değişken arasındaki neden sonuç ilişkisinin ortaya koyduğu tek denklem modellerinden, bir çok faktörden etkilenen ve bir çok faktörü etkileyen iktisadi serilerde sebep sonuç ilişkisini

kesin

olarak

ayırmanın

mümkün

olmaması

nedeni

ile

yararlanılamamaktadır. Bu gibi durumlarda çok denklem modelleri kullanmak daha uygun olacaktır. Değişkenler arasındaki kısa dönemi korelasyon ilişkisinin belirlenmesi ve ileriye yönelik tahminlerde yarar sağlaması açısından tek denklem modelleri faydalı olurken, sistemin yapısının belirlenmesi açısından çok denklemli modeller daha faydalıdır. Tek denklemli modellere regresyon analizi uygulanırken çok denklemli modeller eşanlı denklem sistemlerinin çözümlerini gerektirmektedir. Eşanlı modellerde sistemde yer alan tüm denklemler aynı anda analiz edilerek sistem katsayılarının tahmini yapılmaktadır. Ancak eşanlı denklem sistemlerinden gerekli olan belirlenme koşulunun sağlanmasında ve değişkenlerin hangisinin içsel hangisinin dışsal olduğunun belirlenmesinde sıkıntılar yaşanmaktadır. Belirlenme [39]

problemlerini aşabilmek için bazen yapısal model üzerinde bazı kısıtlamalar yapmak gerekmektedir. Söz edilen bu kısıtlamalar araştırma için bir takım güçlükler doğurmaktadır. Eşanlı modeller üzerindeki bu kısıtlamaları ilk olarak Sims tarafından 1980’de ortaya atılan VAR modellerine dayalı yeni metodolojiyle çözüm üretilmiştir. VAR yönteminde ekonometrik modelin şekillendirilmesi aşamasında, belirli ve modelin oluşmasına etki eden katı bir iktisadi teorinin varlığı kabul edilmez. İktisadi teorinin öne sürdüğü kısıtlamaların, varsayımların model tanımını bozmasına izin verilmez. Değişkenler arasındaki ilişkiler hakkında bir ön kısıt konulmaz. Böylelikle ekonomistlerin model kurma aşamasında yapmak zorunda oldukları ön varsayımların olumsuz etkileri büyük ölçüde ortadan kalkmaktadır. Zaman serileri üzerinde yapılan ekonomik çalışmalarda çok kullanılan VAR modeli herhangi bir iktisat teorisiınden yola çıkarak değişkenlerin içsel-dışsal ayrımını gerektirmediği için bu yönüyle eşanlı denklem sistemlerinden ayrılmaktadır. VAR modelleri yapısal model üzerinde herhangi bir kısıtlama getirmeksizin dinamik ilişkileri verebilmekte ve bu sebeple zaman serileri için sıklıkla kullanılmaktadır. VAR modelleri öncelikle makro ekonomik değişkenler arasındaki ilişkilerin incelenmesinde ve rasssal şokların değişkenler sistemine olan dinamik etkisinin incelenmesinde kullanılır. Granger nedensellik testine dayanan VAR modellemede değişkenler arası ilişkiler, varyans ayrıştırması ve etki-tepki fonksiyonları ile incelenmektedir. VAR modellemesi, seçilen gecikme uzunluğuna karşı oldukça duyarlıdır. VAR analizinde modele girecek değişkenlerin gecikme uzunluğunun değişkenler arası dinamik ilişkileri yakalayacak uzunlukta olması gerekir. VAR modelleri sistemdeki her değişkenin hem kendi gecikmeli değerlerinin hem de diğer değişkenlerin gecikmeli değerlerinin doğrusal bir fonksiyonudur. Bu durumda herhangi bir kısıtlama olmazsa VAR modelindeki her eşitiliğin sağ tarafı aynı değişkenleri içerecektir. Ayrıca VAR modellerinde bağımlı değişkenleri gecikmeli değerlerinin yer alması geleceğe yönelik güçlü tahminlerin yapılmasını mümkün kılmaktadır.

[40]

VAR modellemede serilerin durağan olmaları tercih edilir. Çünkü; durağan zaman serilerinde şoklar geçicidir. Yani sisteme verilen rassal şokun etkisi zamanla kaybolur ve seriler uzun dönem denge seviyelerine geri dönerler, durağan olmayan zaman serileri içinse şoklar kalıcıdır. VAR modellemede her eşitliğe ait hata terimi standart sapmalı temiz dizi süreçleridir ve bu hata terimleri kendi aralarında otokorelasyonsuzdurlar. VAR yöntemi dört adımda özetlenebilir:



Veriler VAR’a uygun bir forma dönüştürülür.



k gecikme sayısı ve değişkenler belirlenir.



k gecikme sayısı azaltılarak ve katsayılar düzleştirilerek VAR basitleştirilir.



Şokların etkisi belirlenir.

Gecikme uzunluğunun hatalı belirlenmesi durumunda modelleme sonucunda elde edilen öngörü hatalarına ilişkin etki-tepki ve varyans ayrıştırması analizlerinin tutarsız sonuçlar verdiği konusunda bir görüş birliği vardır. Gecikme uzunluğu serbestlik derecesini düşürmeyecek kadar küçük ancak hata terimlerindeki otokorelasyonu yok edecek kadar büyük olmalıdır. Olması gereken gecikme uzunluğundan daha büyük seçilen bir gecikme uzunluğunun tahminleri ortalama hata karelerini yükselttiği ve parametre tahminlerinin varyansının yüksek olduğu sonucuna ulaşılmıştır. Daha küçük bir gecikme uzunluğu seçildiğinde ise otokorelasyonlu hata terimleri üretilmektedir. VAR modeli parametre olarak gecikmeli bağımlı değişkenler

içerdiğinden

hata

terimlerinin otokorelasyonlu

olması

durumu

hesaplamada kullanılan çoklu EKK veya klasik EKK tahminlerinin tutarsız olması önem taşımaktadır.

Gecikme sayısı belirlenirken Akaike ve Schwarz’lere bakılır. Sistem için veya her bir değişken için gecikme sayısı belirlenebilir. [41]

Örnek olarak iki değişkenli bir VAR modeli ele alınsın : ∑

∑

Bu model daha genel ifade ile , şeklinde yazılabilir.

A(Z)

Ancak gecikmeli içsel varlığından dolayı hata terimlerinin varyanskovaryans matrisi diyagonel değildir. Hata terimleri karşılıklı olarak birbirinden bağımsız değildir. Bu nedenle denklem A( A(

ile çarpılır.

A(Z)

Denklem hareketli ortalama modeli (MAR) dönüşümüdür.

Hata terimleri üzerinde diğer değişkenlerin beklenmedik şoklarını ortaya çıkarmak mümkün olmaktadır. Böylelikle hareketli ortalamalar ile temsil edilen model aşağıdaki gibi yazılabilir.

∑ + λ∑

∑ ∑ [42]

Yukarıdaki denklemlerde 

β, Y ’de meydana gelen şokların Yt üzerindeki etkisini



, X ‘de meydana gelen şokların Yt üzerindeki etkisini



λ , Y ’de meydana gelen şokların Xt üzerindeki etkisini



θ , X ‘ de meydana gelen şokların Xt üzerindeki etkisini

göstermektedir. Burada şokların beklenen değerleri sıfıra eşit olsalarda eşit miktardaki şokların farklı değişkenlerdeki etkisi farklı olacaktır. Başka bir deyişle E(ut, vt ) =φ ve diyagonel olmayacaktır. Bu sorunu ortadan kaldırmak için yeni bir şok matrisi yaratılacak ve herhangi bir değişkene şok verildiğinde, diğer değişkenlerdeki şok 0 olacak. P üçgensel matristir ve φ ‘nin Cholesky ayrıştırmasından elde edilen matris olacaktır. Yani hatalar Cholesky ayrıştırması kullanarak dikeyleştirilmesi ve elde edilen varyans-kovaryans matrisinin çapraz hale getirilmesidir. η= P φ P` denklem η , diyagonel matristir.

∑

+ P∑

∑

Denklemdeki PYt= Yt* ve PXt= Xt* etki tepki fonksiyonlarıdır.

standartlaştırılmış şoklardır ve Sims tarafından “ Orthogonal Innovation “ olarak tanımlanır.

[43]

VAR modelini tahmin edilmesi neticesinde, elde edilen parametreleri yorumlamak yerine, sistemin tahmini neticesinde elde edilen artıkların analizine geçilerek geleceğe yönelik yorumlar yapılabilir. Modelde yer alan değişkenlerin hata terimlerinde meydana gelecek şokların diğer değişkenler üzerindeki etkisi Etki-Tepki Fonksiyonları ile ölçülmektedir. Etki-tepki

analizi

sistem

içerisinde

değişkenlerin

vereceği

tepkiyi

göstermektedir. Etki – tepki analizi sonuçlarının grafiksel gösterimi serilerin değişik şoklar karşısındaki tepkilerinin seyrini görsel olarak sunan pratik bir yol olmaktadır. Varyans ayrıştırması modelin tahmini ile belirlenen ve öngörü hata varyansını ölçen artıkların analizinde kullanılan bir tekniktir. Bu teknik yardımı ile istatistiki şokların değişkenler üzerindeki etkileri görülebilmektedir. Bir değişkenin hata teriminde meydana gelecek şokun diğer değişkenler tarafından açıklanma oranı hesaplanarak, değişkenler arasındaki iktisadi ilişkiler daha iyi açıklanabilmektedir. Eğer bir değişkenin hata terimine ilişkin şok diğer bir değişkenin ileriye yönelik tahmin hatası varyansını açıklayabiliyorsa ilgili değişken içsel olarak değerlendirilebilir. Değişkenler arasındaki doğrudan ve dolaylı etkinin belirlenmesinde kullanılan varyans ayrıştırması, değişkenlerin kendilerine ve diğer değişkenlerden birinde meydana gelen şokların kaynaklarını yüzde olarak ifade eder. Varyans ayrıştırması aynı zamanda değişkenler arası nedensellik ilişkilerinin derecesi konusunda da bilgi verir. Var modelinde değişkenlerin dışsaldan içsele doğru modele dahil edilmesi önemlidir. Bu yapılmadığı takdirde çıkan sonuçlar hatalı olacaktır. Modeldeki değişkenleri dışsaldan içsele doğru sıralamak için daha önce yapılan Granger nedensellik testi sonuçlarına bakılır.

[44]

3.7.GRANGER NEDENSELLİK TESTİ

İki değişken arasında zamana bağlı olarak gecikmeli ilişkinin varlığı söz konusu ise, ilişkinin nedenselliğinin yönünü istatistiksel açıdan belirlemede kullanılan testlerden biri de Granger nedensellik testidir. Nedenselliğin kavramsal olarak tanımında çeşitli görüş farklılıkları olsa da, bu kavramın neden sonuç arasında bir ilişki kurduğu görüşünde birleşilmiştir. Gözlenen iki ilişki arasında güçlü bir ilişki olabilir. Ancak bu ilişkinin bir nedensellik anlamı taşıması her zaman mümkün olmayabilir. Regresyon çözümlenmesi, bir değişkenin başka bir değişkene bağlılığıyla ilgilense de, bunun nedensellik anlamı ne olursa olsun, nedensel bir ilişki olarak algılanamaz. İstatistiksel olarak ilişki, bir birlikteliğin ifadesidir. Nedensellik ise her şeyden önce teorik bir açıklamaya dayanmaktadır. Grangerin operasyonel nedensellik tanımı şu varsayımlara dayanmaktadır. 

Gelecek geçmişin nedeni olamaz. Kesin nedensellik sadece geçmişin şimdiki zamana veya geleceğe neden olmasıyla mümkün olabilir. Neden her zaman sonuçtan önce gerçekleşmektedir. Bu da neden ile sonuç arasında bir zaman gecikmesini zorunlu kılmaktadır.



Nedensellik sadece bir grup stokastik süreç için belirlenebilir. İki deterministik süreç arasında nedenselliğin bilinmesi mümkün değildir ( Işığıçok , 1994 ) . Granger (1969) değişkenler arasındaki nedenselliği tanımlayan nispeten basit bir test geliştirmiştir. Granger e göre Y’ nin öngörüsü, X’ in geçmiş değerlerinin kullanıldığı durumda, X ‘ in geçmiş değerlerinin kullanılmadığı duruma göre daha başarılı ise ( diğer terimler değişmezken ) X, Y ‘ nin Granger nedenidir. gibi iki değişkenin bulunduğu Granger nedensellik testi, aşağıda VAR modelinin kestiriminin ilk adımını gerekmektedir:

∑

[45]

∑

hata terimleri, arasında ilişki olmayan temiz dizi sürecidir. Modelde, aşağıdaki muhtemel dört farklı durum söz konusudur: 

İlk denklemdeki gecikmeli x değerleri, grupça istatistiksel olarak sıfırdan farklıdır ve ikinci denklemdeki gecikmeli y değerleri istatistiksel olarak sıfırdan farklı değildir. Bu ’ ye neden olmaktadır.

durumda



İkinci denklemdeki gecikmeli y değerleri, grupça istatistiksel olarak sıfırdan farklıdır ve ilk denklemdeki gecikmeli x değerleri istatistiksel olarak sıfırdan farklı değildir. Bu durumda



’ ye neden olmaktadır.

Her iki denklemdeki x ve y değerleri setinin tümü, istatistiksel olarak sıfırdan farklıdır. Bu durumda

arasında iki

yönlü nedensellik vardır. 

Her iki denklemdeki x ve y değerleri setinin tümü istatistiksel olarak

sıfırdan

farklı

değildir.

durumda

birbirinden bağımsızdır. Granger

nedensellik

testi

daha

sonra

aşağıdaki

süreçleri

gerektirmektedir. Örnek olarak, ilk denklem daha analitiksel olarak incelenirse, aşağıdaki adımlar uygulanacaktır: 1.

, aşağıdaki modelde olduğu gibi gecikmeli y değerleri ile regresyona sokulur.

[46]

∑

ve bu regresyondan

kısıtlı hata kareleri toplamı ( RSS ) değerleri elde edilir ve olarak adlandırılır. aşağıdaki modelde olduğu gibi hem gecikmeli y değerleri artı

gecikmeli x değerleri ile regresyona sokulur. ∑

∑

ve bu regresyondan

kısıtsız hata kareleri toplamı ( RSS ) değerleri elde edilir ve olarak adlandırılır. 3. Sıfır ve alternatif hipotezi aşağıdaki gibi oluşturulur. ∑

∑ 4.

‘ ye neden olmamaktadır.

ya da

‘ ye neden olmaktadır.

ya da ,

dağılımına sahip ( k = m+ n+1) , katsayılar kısıtları

üzerinde F istatistiği hesaplanır.

5. Hesaplanan F değeri , F kritik değeri aşarsa , sıfır hipotez ‘ye neden olmaktadır sonucuna varılır.

reddedilir ve

Granger nedensellik testi için öncelikle modellerdeki gecikme sayısının belirlenmesi gerekmektedir. Granger nedensellik testi VAR modelini temel aldığından kaynaklı öncelikle VAR modeline göre

AIC

kriterleri

belirlenmelidir.

[47]

kullanılarak

gecikme

sayısı

4. UYGULAMA Çalışmamızda belirtildiği üzere üretici fiyatları endeksi ve imalat sanayi kapasite kullanım oranının gayrisafi yurtiçi hasıla ile ilişkisi incelenecektir. Bu amaçla

değişkenlerin

logaritmik

dönüşümleri

kullanılmıştır.

Çalışmamızda

LOGGSYIH: Gayrisafi Yurtiçi Hasıla, LOGUFE: Üretici Fiyatları Endeksi, LOGIMALATSANAYI: adlandırılmıştır.

İmalat

İncelenen

Sanayi

Kapasite

değişkenlere

ait

Kullanım

grafikler

Oranı

aşağıdaki

olarak

şekillerde

gösterilmiştir.

GSYIH 120,000,000 110,000,000 100,000,000 90,000,000 80,000,000 70,000,000 60,000,000 50,000,000 I

II III IV

2007

II III IV

2008

II III IV

2009

II III IV

2010

III IV

2011

2012

Şekil 4.1.

GSYİH grafiğine bakıldığında mevsimsellik ve trend olduğu görülmektedir. Serinin durağan olmayan bir yapıda olduğu söylenebilir ve kesin bilgi elde etmek için birim kök testleri uygulamak gerekir. IMALATSANAYIKAPASITE 85

55 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.2.

İMALAT SANAYİ grafiğine baktığımızda düzensiz hareketlere sahip olduğu ve durağan olmadığı görülmektedir. Seri durağanlıkları ADF testleriyle analiz edilir.

[48]

UFE 210 200 190 180

170 160 150 140 130 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.3.

ÜFE grafiğine bakıldığında trendli ve durağan olmayan bir yapıya sahip olduğu görülmektedir. Serinin durağanlaşması için birim kök testleri uygulanır.

LOGGSYIH 8.08 8.04 8.00 7.96 7.92 7.88 7.84 7.80 7.76 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.4.

GSYH’deki değişimleri daha net görebilmek için serinin logaritmik dönüşümüne başvurulmuştur.

[49]

LOGIMALATSANAYI 1.92 1.90 1.88 1.86 1.84 1.82 1.80 1.78 1.76 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.5.

İMALAT SANAYİ grafiğindeki büyüme oranlarını daha net görebilmek için serilerin logaritmik dönüşümleri kullanılmıştır. LOGUFE 2.32

2.28

2.24

2.20

2.16

2.12 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.6.

ÜFE serisindeki değişimleri daha iyi anlayabilmek için serinin logaritmik dönüşümleri alınmıştır.

Ham veri grafiklerine bakıldığında durağan olmayan bir yapıda oldukları gözlenmiştir. Büyüme oranlarını daha iyi görebilmek için verilerin logaritmaları alınmıştır. Logaritmik grafiklerine bakıldığında da durağan olmadığı görülmüştür.

[50]

4.1. DURAĞANLIK VE DICKEY- FULLER TESTLERİ

Çalışmada kullanılan değişkenlere ilişkin birim kök testleri sonuçları aşağıda verilmiştir.

Sabitsiz ve trendsiz

Sabitli ve trendsiz

Sabitli ve trendli

Test İst.

Olasılık

Test İst.

Olasılık

Test İst.

Olasılık

Düzey

1.784

0.981

-0.181

0.934

-1.703

0.736

Birinci Fark

-1.674

0.088

-3.142

0.029

-3.341

0.071

İkinci Fark

-7.777

0.000

-7.687

0.000

-7.573

0.000

Tablo 4.1.

Tabloda LOGGSYIH’nın ADF test sonuçları gözükmektedir. Çalışmada ADF testi sabitsiz ve trendsiz, sabitli ve trendsiz, sabitli ve trendli olmak üzere üç tip için yapılmıştır. Tablo 4.1.’de Test istatistikleri ve olasılık değerlerine bakıldığında LOGGSYIH’nın birinci farkta sabitli ve trendsiz modelde olasılık değeri 0,05’ten küçük olduğu görülmektedir. Bu nedenle H0 hipotezi reddedilir. LOGGSYIH serisi birinci mertebeden durağandır. D1LOGGSYH .08 .06 .04 .02 .00 -.02 -.04 -.06 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.7.

Birim kök testleri sonucunda Şekil 4.7.’de görüldüğü üzere serimiz durağanlaşmıştır.

[51]

Sabitsiz ve trendsiz

Sabitli ve trendsiz

Sabitli ve trendli

Test İst.

Olasılık

Test İst.

Olasılık

Test İst.

Olasılık

Düzey

0.135

0.633

-0.261

0.260

-2.030

0.573

Birinci Fark

-5.328

0.000

-5.287

0.000

-5.255

0.003

İkinci Fark

-11.314

0.000

-11.224

0.000

-11.137

0.000

Tablo 4.2.

Tablo 4.2.’de Test istatistikleri ve olasılık değerlerine bakıldığında LOGIMALAT’ın birinci farkta sabitli ve trendsiz modelde olasılık değeri 0,05’ten küçük olduğu görülmektedir. Bu nedenle H0 hipotezi reddedilir. LOGIMALAT serisi birinci mertebeden durağandır.

D1LOGIMALATSANAYI .04 .03 .02 .01 .00 -.01 -.02 -.03 -.04 -.05 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.8.

Birim kök testleri sonucunda Şekil 4.8.’de görüldüğü üzere serimiz durağanlaşmıştır.

Sabitsiz ve trendsiz

Sabitli ve trendsiz

Sabitli ve trendli

Test İst.

Olasılık

Test İst.

Olasılık

Test İst.

Olasılık

Düzey

0.222

0.993

-0.891

0.784

-2.632

0.268

Birinci Fark

-4.386

0.000

-5.046

0.001

-5.007

0.007

İkinci Fark

-10.294

0.000

-10.218

0.000

-10.140

0.000

Tablo 4.3.

[52]

Tablo 4.3.’de Test istatistikleri ve olasılık değerlerine bakıldığında LOGUFE’nin birinci farkta sabitli ve trendsiz modelde olasılık değeri 0,05’ten küçük olduğu görülmektedir. Bu nedenle H0 hipotezi reddedilir. LOGUFE serisi birinci mertebeden durağandır. D1LOGUFE .020 .016 .012 .008 .004 .000 -.004 -.008 -.012 -.016 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.9.

Birim kök testleri sonucunda Şekil 4.9.’de görüldüğü üzere serimiz durağanlaşmıştır. Üç serinin birinci mertebeden sabitli ve trendsiz modelde durağan olduğu bulunmuştur. Başka bir deyişle 

Y ~ I(1)



X1 ~ I(1)



X2 ~ I(1) olduğu söylenebilir.

[53]

4.2. KOENTEGRASYON 4.2.1. ENGLE-GRANGER YAKLAŞIMI İki değişken arasındaki uzun dönemli ilişkiyi araştırırken modelde kullanılan tüm değişkenlerin aynı mertebeden durağan olması gerekir. Değişkenlerimiz birinci derece de entegre olduğu için uzun dönem ilişkileri araştırılabilir. İlk adımda değişkenlerin en küçük kareler yöntemiyle modeli tahmin edilir. Bağımlı Değişken : LOGGSYIH Katsayılar

Standart Hata

t-istatistiği

Olasılık

LOGIMALATSANAYI

0.160934

7.637466

0.291321

0.55243

0.5826

0.544309

14.03148

0.0000

R-squared

0.004746

Mean dependent var

7.938108

Adjusted R-squared

-0.010805

S.D. dependent var

0.080221

S.E. of regression

0.080653

Akaike info criterion

-2.167480

Sum squared resid

0.416317

Schwarz criterion

-2.101127

Log likelihood

73.52683

Hannan-Quinn criter.

-2.141261

F-statistic

0.305179

Durbin-Watson stat

0.114547

Prob(F-statistic)

0.582578

Tablo 4.4. GSYIH ve IMALATSANAYI EKK

Tablo 4.4.’te görüldüğü üzere modelde imalat sanayi katsayısı anlamlı çıkmadığı için model trend eklenip tekrar EKK kurulur.

Bağımlı Değişken : LOGGSYIH Katsayılar

Standart Hata

t-istatistiği

Olasılık

6.556925

0.166056

3.948627

0.0000

@TREND

0.004088

0.000158

2.590292

0.0000

LOGIMALATSANAYI

0.668227

0.088226

7.574025

0.0000

R-squared

0.914572

Mean dependent var

7.938108

Adjusted R-squared

0.91186

S.D. dependent var

0.080221

S.E. of regression

0.023816

Akaike info criterion

-4.592498

Sum squared resid

0.035735

Schwarz criterion

-4.492969

Log likelihood

154.5524

Hannan-Quinn criter.

-4.553169

F-statistic

337.2306

Durbin-Watson stat

1.306608

Prob(F-statistic)

0.000000

Tablo 4.5. GSYIH ve IMALATSANAYI Trendli EKK

[54]

Tablo

4.5.’e

bakıldığında

modelin

katsayılarının

anlamlı

olduğu

görülmektedir. Değişkenlerin eşbütünleşik olup olmadığına karar vermek için modelin hata terimlerinin durağanlığına bakılır.

Hata Terimleri Düzey

Sabitsiz-Trendsiz

Sabitli-Trendsiz

Sabitli-Trendli

Test İst.

Olasılık

Test İst.

Olasılık

Test İst.

Olasılık

-5.579455

0.0000

-5.535799

0.0000

-5.489998

0.0001

Tablo 4.6.

Modelin hata terimleri birim kök testlerine bakıldığında, düzeyde durağan oldukları görülmektedir.

Bağımlı Değişken : D(LOGGSYIH) D(LOGIMALATSANAYI) C RESID01(-1)

Katsayılar 0.41701 0.0041 -0.655183

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.351346 0.330421 0.022317 0.03088 156.4599 16.79125 0.000001

Standart Hata 0.243193 0.002769 0.118317

t-istatistiği 1.714.730 1.480.467 -5.537.536

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Olasılık 0.0914 0.1438 0.0000 0.003854 0.027274 -4.721842 -4.621485 -4.682245 1.828776

Tablo 4.7. GSYIH ve IMALATSANAYI Hata Düzeltme Modeli

İMALAT SANAYİ’ndeki değişmeler GAYRİSAFİ’yi pozitif etkiler. Değişkenler arasında uzun dönem ilişkisi vardır. İki değişken arasındaki kısa dönem dengesizliği her dönemde %65 düzelmektedir.

[55]

Bağımlı Değişken : LOGGSYIH LOGUFE C

Katsayılar 1.397463 4.827537

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.860065 0.857879 0.030243 0.058535 138.2669 393.3556 0.000000

Standart Hata 0.070461 0.156881

t-istatistiği 1.983320 3.077200

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Olasılık 0.0000 0.0000 7.938108 0.080221 -4.129301 -4.062948 -4.103082 0.868485

Tablo 4.8. GSYIH ve UFE EKK

Tablo 4.8.’te görüldüğü üzere modelde üfe katsayısı anlamlı çıkmıştır.

Sabitsiz-Trendsiz

Sabitli-Trendsiz

Sabitli-Trendli

Hata Terimleri

Test İst.

Olasılık

Test İst.

Olasılık

Test İst.

Olasılık

Düzey

-4.209918

0.0001

-4.176813

0.0015

-4.147089

0.0089

Tablo 4.9.

Modelin hata terimleri birim kök testlerine bakıldığında, düzeyde durağan oldukları görülmektedir.

[56]

Bağımlı Değişken : D(LOGGSYIH)

D(LOGUFE) C RESID02(-1)

Katsayılar 0.026150 0.003736 -0.432644

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.229934 0.205093 0.024317 0.036660 150.8836 9.256303 0.000304

Standart Hata 0.594002 0.003411 0.100554

t-istatistiği 0.044024 1.095.249 -4.302.599

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Olasılık 0.0650 0.2776 0.0001 0.003854 0.027274 -4.550266 -4.449909 -4.510669 1.845446

Tablo 4.10. GSYIH ve UFE Hata Düzeltme Modeli

ÜFE’deki değişmeler GAYRİSAFİ’yi pozitif etkiler. Değişkenler arasında uzun dönem ilişkisi vardır. İki değişken arasındaki kısa dönem dengesizliği her dönemde %43 düzelmektedir.

Bağımlı Değişken : LOGUFE LOGIMALATSANAYI C

Katsayılar -0.184664 2.570844

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.014188 -0.001215 0.053269 0.181608 100.9035 0.921107 0.340796

Standart Hata 0.19241 0.359502

t-istatistiği -0.95743 7.15112

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Olasılık 0.3408 0.0000 2.225.871 0.053237 -2.997076 -2.930723 -2.970856 0.015646

Tablo 4.11. UFE ve IMALATSANAYI EKK

Tablo 4.11.’te görüldüğü üzere modelde imalat sanayi katsayısı anlamlı çıkmadığı için model trend eklenip tekrar EKK kurulur.

[57]

Bağımlı Değişken : LOGUFE

LOGIMALATSANAYI @TREND C

Katsayılar 0.158527 0.002766 1.839842

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.959688 0.958409 0.010857 0.007426 206.3986 749.9099 0.000000

Standart Hata 0.04022 7.19E-05 0.0757

t-istatistiği 3.941535 3.844017 2.430445

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Olasılık 0.0002 0.0000 0.0000 2.225871 0.053237 -6.163595 -6.064066 -6.124266 0.204576

Tablo 4.12. ÜFE ve IMALATSANAYI Trendli EKK

Tablo

4.12.’e

bakıldığında

modelin

katsayılarının

anlamlı

olduğu

görülmektedir. Değişkenlerin eşbütünleşik olup olmadığına karar vermek için modelin hata terimlerinin durağanlığına bakılır.

Sabitsiz-Trendsiz

Sabitli-Trendsiz

Sabitli-Trendli

Hata Terimleri

Test İst.

Olasılık

Test İst.

Olasılık

Test İst.

Olasılık

Düzey

-2.812004

0.0056

-2.787419

0.0657

-2.764073

0.2157

Tablo 4.13.

Modelin hata terimleri birim kök testlerine bakıldığında, düzeyde durağan oldukları görülmektedir.

[58]

Bağımlı Değişken : D(LOGUFE) D(LOGIMALATSANAYI) C RESID03(-1)

Katsayılar 0.129740 0.002732 -0.103601

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.142519 0.114858 0.004814 0.001437 256.1545 5.152398 0.008511

Standart Hata 0.052652 5.97E-04 0.056277

t-istatistiği 2.464097 4.572864 -1.840906

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Olasılık 0.0165 0.0000 0.0704 0.002682 0.005117 -7.789368 -7.689012 -7.749771 1.155241

Tablo 4.14. UFE ve IMALAT SANAYI Hata Düzeltme Modeli

ÜFE’deki değişmeler İMALAT SANAYİ’yi pozitif etkiler. Değişkenler arasında uzun dönem ilişkisi vardır. İki değişken arasındaki kısa dönem dengesizliği her dönemde %10 düzelmektedir.

4.2.2. JOHANSEN YAKLAŞIMI İkiden fazla değişken varsa birden fazla uzun dönem denge ilişkisi ortaya çıkabilir.Bu durumda Johansen eşbütünleşme testi kullanılır.

Gecikme 0 1 2 3 4 5 6

LogL 3.498.365 5.637.209 5.840.628 5.903.461 6.007.739 6.085.461 6.189.627

LR NA 3.992.509 35.93723* 1.047.222 1.633.685 1.139.932 1.423.598

FPE 1.91E-09 2.07E-12 1.42e-12* 1.57E-12 1.51E-12 1.60E-12 1.57E-12

AIC -1.156.122 -1.839.070 -18.76876* -1.867.820 -1.872.580 -1.868.487 -1.873.209

SC -1.145.650 -1.797.183 -18.03574* -1.763.103 -1.736.447 -1.700.940 -1.674.246

HQ -1.152.026 -1.822.686 -18.48203* -1.826.860 -1.819.331 -1.802.950 -1.795.384

Tablo 4.15.

Gecikme sayısı AIC, SIC ve HQ kriterlerine göre 2 olarak belirlenmiştir.

Değişkenlerin pantula ilkesine göre eşbütünleşme sonuçları aşağıdaki tablodadır. [59]

Model 2

Model 3

Model 4

Trace St. Critic Value Prob.

40.69097 35.19275 0.0115

31.75959 29.79707 0.0293

43.93941 42.91525 0.0393

Trace St. Critic Value Prob.

15.69824 20.26184 0.1890

7.257735 15.49471 0.5479

16.02066 25.87211 0.4909

Trace St. Critic Value Prob.

3.643838 9.164546 0.4677

1.033796 3.841466 0.3093

6.148013 12.51798 0.4417

PANTULA İLKESİ Yok

En Fazla 1*

En Fazla 2*

Tablo 4.16.

0.05 düzeyine 1 eşbütünleşme ilişkisi vardır*

Tabloya bakıldığında her üç model için hesaplanan iz istatistikleri kullanılırken, anlamlılıklarına göre karar verilmektedir. İlk olarak Model 2 ile başlanır. Model 2’de ilk iz istatistiği 40,69097’dir. Bu değer istatistiksel olarak anlamlı olduğu için süreç devam ettirilir ve Model 3’e bakılır. Aynı şekilde Model 3’te anlamlı olduğundan Model 4’e kaydırılır. Model 4’ten elde edilen iz istatistiği 43,93941’de anlamlı olduğundan süreç devam ettirilerek En Fazla 1* olan kısımdakilere bakılır. Model 2’nin iz istatistikleri istatistiksel olarak anlamlı değildir. Bu nedenle süreç durdurabilir. Uygun modelin Model 2 olduğu bulunmuştur. Johansen dışsallık-içsellik tabloları şekildeki gibidir. LOGGSYIH

LOGIMALAT

LOGUFE

A(1,1)

A(2,1)

A(3,1)

Ki-Kare Test İst.

1.293618

0.125529

0.697750

Olasılık

0.000322

0.723113

0.403541

Dışsallık-İçsellik

Tablo 4.17.

Zayıf dışsallıkta açıklayıcı değişkenlerin hata terimlerinden bağımsız olması beklenir. Zayıf dışsal olmayan açıklayıcı değişkenler içseldir ve bu değişkenlerin kullanılması durumunda bir eşanlı denklem sistemi kurmak gerekebilir.

[60]

Olasılık değerleri 0,05’ten küçük olanlar içsel, büyük olanlar ise zayıf dışsaldır. LOGGSYIH içsel, LOGIMALAT zayıf dışsal, LOGUFE zayıf dışsal olarak bulunmuştur.

Değişkenlerin aralarındaki ilişkinin tesadüfi olup olmadığını anlamak için uzaydaki konumları araştırılır.

Rassallık

B(1,1)=1, B(1,2)=0, B(1,3)=0 LOGGSYIH LOGIMALAT LOGUFE

Ki-Kare Test İst. Olasılık

15.03988

12.82322

15.17925

0.000542

0.001642

0.000506

Tablo 4.18.

Tablodaki değerlere bakıldığında olasılık değerleri 0,05’ten küçük olanlar rassal değildir. Değişkenlerimiz arasındaki ilişki rastgele bir şekilde ortaya çıkmamıştır.

4.3. GENELDEN ÖZELE MODELLEME YAKLAŞIMI ( HENDRY YÖNTEMİ ) Hendry yönteminin birinci adımında bütün değişkenler ve gecikmeli değerleri modele eklenerek KEKK yöntemi ile model tahmin edilir. Genel Model; D(LOGGSYIH) = C(1)*( LOGGSYIH(-1) - 0.441255670323*LOGIMALATSANAYI(-1) 1.39683328342*LOGUFE(-1)

4.01272117302

)

C(2)*D(LOGGSYIH(-1))

C(3)*D(LOGIMALATSANAYI(-1)) + C(4)*D(LOGUFE(-1))

Değişken

Katsayı

Standart Hata

t istatistiği

Olasılık

C(1)

-0.616022

0.120435

-5.114955

0.000

C(2)

0.06996

0.111224

0.629004

0.5317

C(3)

0.586095

0.246191

2.380652

0.0205

C(4)

-0.330863

0.552852

-0.598466

0.5518

Tablo 4.19.

[61]

Kurulan genel modeldir. Modelde % 5 güven aralığında sadece C, X1(1) anlamlı olarak bulunmuştur. Bu durumda kısıtlamış modelde bu değişkenler bulunacaktır. Yeni kurulacak model değişkenlerin durağan halleri de eklenerek oluşturulur.

Özel Model; D(LOGGSYIH) =C(1)*( LOGGSYIH(-1) - 0.441255670323*LOGIMALATSANAYI(-1) 1.39683328342*LOGUFE(-1)-4.01272117302) + C(3)*D(LOGIMALATSANAYI(-1))+C(4)

Değişken

Katsayı

Standart Hata

t istatistiği

Olasılık

C(1)

-0.557138

0.101166

-5.507162

0.0000

C(3)

0.575507

0.233847

2.461044

0.0167

C(4)

0.000299

0.002802

-0.106792

0.9153

Tablo 4.20.

F testi değeri 18,70530 ve olasılık değeri 0,000 çıkmıştır. Hesaplanan F değeri % 5’e göre tablo değerinden büyük olduğu için model anlamlıdır. Yt = 0.000299 – 0.557138C(1) + 0.575507C(3) Sabitin 0.9153 anlamlılığı göz ardı edilmiştir.

Model iktisadi olarak beklentileri tam karşılamasa da enflasyonun ekonomik büyümeyle ilişkisi ile ilgili görüşlerle ilgili olmasından dolayı kabul edilebilir. Ayrıca Finn ve Garner gibi iktisatçılara göre kapasite kullanım oranındaki hareketlenmeler enflasyonist eğilimler için öncü gösterge niteliği taşımaktadır.

[62]

Bu düşünceler çerçevesinde imalat kapasite kullanım oranının pozitif olması Finn ve Garner’in görüşlerini destekleyici niteliktedir. İmalat kapasite kullanım oranı artışı tüketici fiyatlarında artışa sebep olacaktır ve bu da enflasyonun artmasına böylelikle de ekonomik büyümeye etki edecektir. Zaten bu aşamada literatüre bakıldığında iktisatçıların görüş birliği bulunmamaktadır. Bu nedenle oluşan model iktisadi açıdan Barro, Kormendi, Meguire ve Fisher gibi iktisatçıların enflasyonun büyümeyi negatif etkilemesi görüşüyle uyuşmaktadır. 4.3.1. JARQUE-BERA NORMALLİK TESTİ

Series: Residuals Sample 2007M03 2012M06 Observations 64

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

-2.42e-17 0.003459 0.047362 -0.051617 0.021103 -0.184460 2.959016

Jarque-Bera Probability

0.367418 0.832178

0 -0.04

-0.02

0.00

0.02

0.04

Şekil 4.10.

Şekildeki histogramda Hendry yöntemine göre oluşturulan regresyon modelinin artıklarının normal dağlımı test edilmiştir. Bu teste ilişkin hipotezler şu şekildedir: H0 = Hata terimleri normal dağılmaktadır. Ha = Hata terimleri normal dağılmamaktadır.

Jarque-Bera testi ki-kare tablosu ile karşılaştırılmaktadır. Olasılık değerine bakıldığında hata terimlerinin normal dağıldığı sonucuna varılmıştır. Zaten grafiğe bakıldığında normal dağıldığı aşikârdır.

[63]

4.3.2. BREUSCH GODFREY OTOKORELASYON TESTİ

Otokorelasyon, tahmin edilen bir regresyon modelindeki artık terimlerin birbiriyle ilişki içinde olması durumudur. Model tahmin edildikten sonra et , terimi et-1 ile korelasyon halinde ise 1.derece otokorelasyonun varlığından söz edilir. Benzer şekilde et , hem et-1 hem de et-2 ile korelasyon halinde ise 2. Derece otokorelasyonun varlığından söz edilir. Genelleştirecek olursak hata terimi n. dereceden gecikmeli hata terimi ile korelasyon halinde olduğunda n. derece otokorelasyonun varlığından söz edilir. Hata teriminin grafiğine bakılarak modelde otokorelasyon olup olmadığına dair çabuk bir analiz yapılabilir. Eğer hata terimleri tesadüfi olarak dağılmamışsa modelde otokorelasyon olma ihtimali yüksektir.

.06

.04

.02

.00

-.02

-.04

-.06 I II

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Şekil 4.11.

D(LOGGSYIH) Residuals

Çalışmada gecikme sayısı 1 olarak alınmış ve test bu çerçevede yapılmıştır.

[64]

Değişken

Katsayı

Standart Hata

t istatistiği

Olasılık

C(1)

0.066347

0.161071

0.411910

0.6819

C(2)

0.033207

0.243393

0.136435

0.8919

C(3)

0.000565

0.003013

0.187463

0.8519

RESID(-1)

-0.109746

0.206517

-0.531412

0.5971

Tablo 4.21.

H0 = p1 = 0 ve p2 = 0 H1 = En az biri sıfırdan farklıdır.

Yukarıdaki tabloda LM test sonuçları yer almaktadır. % 95 güven aralığında bütün katsayılar anlamsız olduğundan sıfır hipotezi reddedilmemiş ve hata terimleri için otokorelasyon varlığı olmadığına karar verilmiştir.

4.3.3. ARCH TESTİ

Klasik doğrusal modelin önemli bir varsayımı anakütle fonksiyonunda görülen hata terimlerinin sabit varyanslı olduğudur. Bu varsayımdan sapma durumunda değişen varyans problemi ortaya çıkar. Bu durumda parametre tahmincileri ve varyansları sapmasızdırlar. Fakat artık en iyi minimum varyans tahmincileri değildirler.

[65]

Değişken

Katsayı

Standart Hata

t istatistiği

Olasılık

0.000467

0.000106

4.809325

0.0000

RESID^2(-1)

-0.050722

0.127697

-0.397206

0.6926

Tablo 4.22.

F istatistiği

0.157773

F Olasılığı

0.692602 Tablo 4.23.

Arch testi değişen varyansı test etmekte kullanılır. F testi sonuçlarına bakıldığında olasılık değeri 0,692602 olduğu görülmektedir. 0,05’ten büyük olduğu için H0 hipotezi kabul edilir. Sabit varyans vardır. 4.4. VEKTÖR OTOREGRESİF MODELLER (VAR) Değişkenler arasındaki doğrudan ve dolaylı etkinin belirlenmesinde kullanılan varyans ayrıştırması, değişkenlerin kendilerine ve diğer değişkenlerden birinde meydana gelen şokların kaynaklarını yüzde olarak ifade eder. Varyans ayrıştırması aynı zamanda değişkenler arası nedensellik ilişkilerinin derecesi konusunda da bilgi verir. Var modelinde değişkenlerin

dışsaldan içsele doğru

modele dahil edilmesi önemlidir. Bu yapılmadığı takdirde çıkan sonuçlar hatalı olacaktır. Modeldeki değişkenleri dışsaldan içsele doğru sıralamak için daha önce yapılan Granger nedensellik testi sonuçlarına bakılır. Granger nedensellik sonuçlarına göre;



LOGIMALAT ve LOGGSYIH arasında iki yönlü nedensellik



LOGUFE ve LOGGSYIH arasında tek yönlü nedensellik



LOGUFE

LOGIMALAT

arasında

bulunmaktadır.

[66]

tek

yönlü

bir

nedensellik

Daha sonra VAR modeli için gecikme uzunluğuna karar verdik. Öncül gecikme sayısı AIC’e göre 3 olarak belirlenmiştir. Sonuçlar tabloda görülmektedir.

VAR Modeli İçin Uygun Gecikme Sayısı Gecikme Aralıkları İnterval (1,1) İnterval (1,2) İnterval (1,3) İnterval (1,4) Akaike Schwarz

-18.41849

-18.78451

-18.78480

-18.75902

-18.01707

-18.07613

-17.76426

-17.42098

Tablo 4.24.

Gecikme sayısına AIC’e ve SIC’a göre bakılmıştır. VAR modeli için en uygun gecikme sayısı 3 olarak bulunmuştur. Sonuçta VAR modelinin tahmini şu şekilde olmuştur.

LOGGSYIH(-1)

LOGGSYIH(-2)

LOGGSYIH(-3)

LOGIMALATSANAYI(-1)

LOGGSYIH

LOGIMALATSANAYI

LOGUFE

0.402676

0.154267

0.033927

(0.13014)

(0.05968)

(0.03000)

[ 3.09427]

[ 2.58486]

[ 1.13090]

-0.140385

-0.070817

0.004315

(0.13677)

(0.06273)

(0.03153)

[-1.02640]

[-1.12899]

[ 0.13684]

0.139465

-0.046041

0.024768

(0.11858)

(0.05438)

(0.02734)

[ 1.17616]

[-0.84665]

[ 0.90608]

0.702363

1.124459

-0.069097

(0.29689)

(0.13615)

(0.06844)

[ 2.36577]

[ 8.25879]

[-1.00959]

[67]

LOGIMALATSANAYI(-2)

LOGIMALATSANAYI(-3)

LOGUFE(-1)

LOGUFE(-2)

LOGUFE(-3)

LOGGSYIH

LOGIMALATSANAYI

LOGUFE

0.201737

-0.216674

-0.004311

(0.46463)

(0.21308)

(0.10711)

[ 0.43419]

[-1.01685]

[-0.04025]

-0.707933

-0.03264

0.043627

(0.28474)

(0.13058)

(0.06564)

[-2.48628]

[-0.24996]

[ 0.66464]

0.869587

0.447608

1.381222

(0.63857)

(0.29285)

(0.14721)

[ 1.36177]

[ 1.52845]

[ 9.38273]

-0.683836

-0.228077

-0.348567

(1.05958)

(0.48593)

(0.24426)

[-0.64539]

[-0.46937]

[-1.42702]

0.634725

-0.272513

-0.131969

(0.68661)

(0.31488)

(0.15828)

[ 0.92444]

[-0.86545]

[-0.83376]

2.563276

0.050718

-0.222396

(0.62091)

(0.28475)

(0.14314)

[ 4.12828]

[ 0.17811]

[-1.55373]

Tablo4.25.

Tablodaki katsayıların altındaki değerler standart hataları, köşeli parantez içindeki değerler t istatistiklerini göstermektedir.

[68]

Şekilde LOGIMALAT değişkenindeki bir standart sapmalık şoka karşılık bağımlı

değişkendeki

(LOGGSYIH)

tepki

dönemlik

olarak

gözlemlenmektedir.

Response of LOGGSYIH to Cholesky One S.D. LOGIMALATSANAYI Innovation .012

.010

.008

.006

.004

.002

.000 5

Şekil 4.12.

Şekilde görüldüğü üzere imalat sanayi kapasite kullanım oranının gayrisafi yurtiçi hasıla içindeki değişimine verilecek bir standart sapmalık şoka karşı,gayri safi yurtiçi hasılanın verdiği tepki ilk 5 dönem belirli bir şekilde artmaktadır. 5. dönemden sonra kademeli olarak azalmakta ve 10. Dönemden sonra şokun etkisi sıfıra yaklaşmaktadır.

Response of LOGGSYIH to Cholesky One S.D. LOGUFE Innovation .014 .012 .010 .008 .006 .004 .002 .000 5

Şekil 4.13.

Şekilde görüldüğü üzere üretici fiyatları endeksinin gayrisafi yurtiçi hasıla içindeki değişimine verilecek bir standart sapmalık şoka karşı, gayri safi yurtiçi hasılanın verdiği tepki ilk 10 dönem belirli bir şekilde artmaktadır. 10. dönemden sonra kademeli olarak azalmakta ve şokun etkisi sıfıra yaklaşmaktadır. [69]

Response of LOGGSYIH to Cholesky One S.D. LOGGSYIH Innovation .024

.020

.016

.012

.008

.004

.000 5

Şekil 4.14.

Şekilde görüldüğü üzere gayrisafi yurtiçi hasılanın gayrisafi yurtiçi hasıla içindeki değişimine verilecek bir standart sapmalık şoka karşı, gayri safi yurtiçi hasılanın verdiği tepki ilk 5 dönem belirli bir şekilde azalmaktadır. 5. dönemden sonra yavaşlayarak sabit bir şekilde azalan hızda sıfıra yaklaşmaktadır.

LOGGSYIH Değişkeninin Varyans Ayrıştırması Period S.E. LOGGSYIH LOGIMALATSANAYI 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0.022021 0.026587 0.030369 0.033695 0.036441 0.038585 0.04026 0.041627 0.042806 0.043866 0.044844 0.045753 0.046601 0.047392 0.048131

100.0000 87.17847 72.39893 60.50101 52.59329 47.63027 44.46942 42.31206 40.68338 39.33736 38.16448 37.12222 36.19313 35.36550 34.62738

0 12.13104 20.58182 22.95448 22.27737 20.97555 19.82713 18.93259 18.23394 17.66300 17.17036 16.72764 16.32195 15.94836 15.60463

LOGUFE 0 0.69049 7.019258 16.54451 25.12934 31.39419 35.70345 38.75535 41.08268 42.99964 44.66516 46.15014 47.48492 48.68614 49.76799

Tablo 4.26.

Tabloda gayrisafi yurtiçi hasılanın varyans ayrıştırması görülmektedir. Buna göre gsyih değişkenine ait hata terimlerine imalat sanayi kapasitesi değişkeninin katkısı 15.dönem sonunda yaklaşık %15.60 olmuştur. Bu değişkenin hata terimlerine üfe değişkeninin katkısı 15. Döneme kadar giderek artmakta ve dönem sonunda yaklaşık %50 olmaktadır.

[70]

LOGIMALATSANAYI Değişkeninin Varyans Ayrıştırması Period S.E. LOGGSYIH LOGIMALATSANAYI LOGUFE 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0.022021 0.026587 0.030369 0.033695 0.036441 0.038585 0.04026 0.041627 0.042806 0.043866 0.044844 0.045753 0.046601 0.047392 0.048131

2.195791 7.521612 7.963754 7.799275 7.633197 7.567946 7.571939 7.600867 7.626598 7.638863 7.638243 7.629169 7.615945 7.601470 7.587339

97.80421 90.78080 88.12871 86.16285 84.71704 83.77497 83.24787 83.00442 82.93001 82.94553 83.00257 83.07324 83.14198 83.20030 83.24384

0 1.697583 3.907540 6.037873 7.649763 8.657084 9.180192 9.394709 9.443389 9.415603 9.359189 9.297596 9.242079 9.198226 9.168820

Tablo 4.27.

İmalat

sanayi

kapasitesi

değişkeninin

varyans

ayrıştırma

tablosuna

bakıldığında bağımlı değişkenin, bu değişkenin hata terimlerine katkısı 15.dönem sonunda %7.59 olmuştur. Üfe değişkenin hata terimlerine katkısı ise dönem sonuna kadar artmakta ve %9.17 olmaktadır. LOGUFE Değişkeninin Varyans Ayrıştırması Period S.E. LOGGSYIH LOGIMALATSANAYI 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0.022021 0.026587 0.030369 0.033695 0.036441 0.038585 0.04026 0.041627 0.042806 0.043866 0.044844 0.045753 0.046601 0.047392 0.048131

0.360618 1.118085 2.106826 3.300413 4.490337 5.511526 6.302183 6.882333 7.305133 7.622564 7.872285 8.077449 8.251061 8.400381 8.529892

9.966886 5.685861 3.765263 2.839788 2.374007 2.152626 2.070901 2.060019 2.076293 2.098185 2.118523 2.136610 2.153468 2.169928 2.186264

Tablo 4.28.

[71]

LOGUFE 8.967250 9.319605 9.412791 9.385980 9.313566 9.233585 9.162692 9.105765 9.061857 9.027925 9.000919 8.978594 8.959547 8.942969 8.928384

Tabloada üretici fiyatları endeksinin varyans ayrıştırması görülmektedir. Buna göre imalat sanayi kapasitesi değişkeninin üfe hata terimlerine katkısı dönem sonuna kadar azalmış ve %2.19 olmuştur. Bağımlı değişkenin hata terimlerine katkısı artmıştır ve % 8.53 olmuştur.

4.4.1. VARYANS AYRIŞTIRMA GRAFİKLERİ

Variance Decomposition Perc ent LOGGSYIH variance due to LOGGSYIH

Percent LOGGSYIH varianc e due to LOGIMALAT SANAYI

Percent LOGGSYIH varianc e due to LOGUFE

100

0 2

Percent LOGIMALAT SANAYI varianc e due to LOGGSYIH

0 2

Perc ent LOGIMALAT SANAYI variance due to LOGIMALAT SANAYI

100

0 4

Percent LOGUFE variance due to LOGGSYIH

Percent LOGUFE variance due to LOGIMALAT SANAYI 100

0 4

Percent LOGUFE variance due to LOGUFE

100

0 2

100

Percent LOGIMALAT SANAYI variance due to LOGUFE

100

0 2

Şekil 4.15.

[72]

4.4.2. GRANGER NEDENSELLİK TESTİ

Sıfır Hipotez

F İstatistiği

Olasılık

LOGIMALATSANAYI, LOGGSYIH'nin nedeni değildir.

4.67784

0.0026

LOGGSYIH, LOGIMALATSANAYI'nin nedeni değildir.

2.44720

0.0575

LOGUFE, LOGGSYIH'nin nedeni değildir.

3.44005

0.0143

LOGGSYIH, LOGUFE'nin nedeni değildir.

0.65084

0.6288

LOGUFE, LOGIMALATSANAYI'nin nedeni değildir.

2.37478

0.0637

LOGIMALATSANAYI, LOGUFE'nin nedeni değildir.

0.61589

0.6531

Tablo 4.29.

Yukarıdaki tabloda Granger nedensellik testi sonuçları yer almaktadır. Olasılık değerleri % 10’a göre bakılır ve küçük olduğu durumlarda sıfır hipotez reddedilir. Değişkenlerin Granger nedenselliği bulunduğu söylenebilir.

Bu durumda aralarında nedensellik bulunan değişkenler ve nedensellik yönü şu şekilde olur. 

LOGIMALAT ve LOGGSYIH arasında iki yönlü nedensellik



LOGUFE ve LOGGSYIH arasında tek yönlü nedensellik



LOGUFE ve LOGIMALAT arasında tek yönlü bir nedensellik bulunmaktadır.

[73]

Ĺ&#x17E;ekil 4.11.

[74]

5. SONUÇ

Bu çalışmada gayrisafi yurtiçi hasıla, imalat sanayi kapasite kullanım oranı ve enflasyon değişkenlerinin ilişkisi incelenmiştir. Bu çerçevede enflasyon ve imalat kapasite oranı ile büyüme arasındaki ilişkiler incelenip, birlikte anlamlı bir ekonometrik model kurulması amaçlanmıştır. Değişkenler 2007: 01– 2012: 06 dönemleri için araştırılmıştır. Bu çalışmada bağımlı değişken gayri safi yurtiçi hasıla (büyüme), açıklayıcı değişkenler üretici fiyatları endeksi (enflasyon) ve imalat sanayi kapasite kullanım oranı olarak araştırmaya alınmıştır. Araştırmada değişkenlerin logaritmik halinin kullanılmasındaki temel amaç,

büyüme oranlarını daha iyi

görebilmektir.

Literatürde üç değişkenin bir arada değerlendirildiği bir çalışmaya rastlanılmamıştır. İkili ilişkilerinin teorileri üzerinden araştırılma yapılmıştır. Enflasyon ve ekonomik büyüme arasındaki ilişki birbirini pozitif ve negatif etkileme olarak iki düşünce üzerinden ortaya koyulmuştur. Negatif yönlü ilişkiyi savunan Barro, Fisher ve Meguire gibi iktisatçılar bu ilişkinin doğrusal olmadığını ve büyümenin ani artış ve azalışlarla hassas tepkiler vereceğini tespit etmişlerdir. Aralarındaki ilişkinin pozitif yönlü olduğu savunanlar, enflasyonun büyüme üzerindeki pozitif etkisi için enflasyonist politikaların uygulanmasıyla uzun vadede kötü sonuçların ortaya çıkabileceği sonucuna ulaşmışlardır.

Araştırmamızda kullandığımız değişkenlerimizin doğru sonuçlar vermesi için hata terimlerinin temiz dizi özelliğinde olması gerekir. Bu durumları analiz etmek için öncelikle seriler üzerinde birim kök durağanlık testleri uygulanmıştır. Birim kök testlerinin

uygulanmasının

sebebi,

değişkenler

arası

yorumlanabilir ve gerçeğe uygun olmasının sağlanmasıdır.

[75]

kurulacak

ilişkinin

Seriler durağanlaştırıldıktan sonra eşbütünleşme testleriyle birbirlerini uzun dönemde etkileyip etkilemedikleri incelenmiştir. Bu testlerin sonucunda enflasyon ve kapasite kullanım oranının uzun dönemde büyümeyle birlikte hareket ettiği sonucuna varılmıştır. Kısacası enflasyon ve kapasite kullanım oranı uzun dönemde büyüme ile ilişkilidir. Ayrıca Granger nedensellik testinin sonuçlarına bakıldığında gayrisafi yurtiçi hasılanın içsel, imalat sanayi kapasite oranı ve üretici fiyatları endeksinin dışsal olduğu belirlenmiştir.

Eşbütünleşme analizlerinden sonra Hendry nin genelden özele yaklaşımı ile en uygun model seçilmiştir. Sonuç olarak LOGGSYIH, LOGIMALATSANAYI ve LOGUFE değişkenlerinin 1. Gecikmeli değerleri ve LOGIMALATSANAYI değişkenini içeren model anlamlılık derecelerine bakılarak en uygun model olarak tespit edilmiştir. Bu modele ilişkin varsayımların geçerliliği normallik, otokorelasyon ve değişen varyans testleri ile test edilmiştir.

Hendry yönteminden sonra VAR modellemesi yapılmış, etki-tepki ve varyans ayrıştırması analizleri uygulanmıştır. Etki-tepki analizi kullanılarak bir standart sapmalık şoklara verilen tepkilerin gözlemlenmesi yapılmıştır. Bu şoklar bütün değişkenler için uzun dönemde etkilerini kaybetmiştir. Varyans ayrıştırması kullanılarak değişkenlerin hata terimlerine diğer değişkenlerin katkısı ölçülmüştür.

Yapılan tüm analizlerin sonucunda ekonomik büyümenin enflasyon ve imalat sanayi kapasite kullanım oranı tarafından olumsuz etkilendiği söylenebilir. Ayrıca imalat sanayi kapasite kullanım oranının ekonomik büyümeyi tek başına pozitif yönde etkilediği görülmektedir. Fakat bu etki tek başına iktisadi açıdan yeterli değildir. Bu değerlendirmelerin sonucunda ekonomik büyümenin, imalat sanayi kapasite kulanım oranından ve üretici fiyatları endeksinden negatif etkilendiği sonucuna ulaşılmıştır. Bu durum negatif ilişki hipotezine daha uygundur.

[76]

KAYNAKLAR Acar, Y. (2002). İktisadi Büyüme Modelleri (4.Baskı). Bursa: Vipaş Yayınları. Akdiş, M. (2006). Para Teorisi ve Politikası (2.Baskı). Ankara: Gazi Kitabevi. Akyüz, Y. (1980). Sermaye, Bölüşüm, Büyüme (2.Baskı). Ankara : Ankara Üniversitesi Siyasal Bilgiler Fakültesi Yayınları. Alkan, F. (2004). Enflasyon ve İstikrar Programları. Yüksek Lisan Tezi, Gazi Üniversitesi Sosyal Bilimler Enstitüsü, Ankara. Alpay, Y. (2008). Türkiye Ekonomi Tarihi (1.Baskı). İstanbul: Akademia Yayınları. Altınok, S.(2004). İktisada Giriş (3.Baskı). Konya: Atlas Kitabevi. Artan, S. (2006a). Türkiye’de Enflasyon, Enflasyon Belirsizliği ve Büyüme. Tartışma Metni. Türkiye Ekonomi Kurumu. Yayın No. 2006/14. Artan, S. (2006b). Gelişmiş ve Gelişmekte Olan Ülkelerde Enflasyon ve Büyüme: yatay-kesit ve panel veri analizi. İktisat, İşletme ve Finans ,21 (239), 108-124. Ataç, B. (2006). Maliye Politikası (7.Baskı). Eskişehir: Etam A.Ş Matbaa Tesisleri. Bulut, Cihan (2002). Kamu Açıkları, Enflasyon, Faiz Oranı ve Döviz Kuru İlişkileri. Der Yayınları ,234. Badurlar, Ö. (17-19 Haziran 2009). Türkiye’de Enflasyon Hedeflemesi Rejimi Stratejisi Uygulaması ve Para Politikasına Etkisi: 2002-2008 (Bildiri). Anadolu Uluslararası İktisat Kongresi , Eskişehir. Bange, Mery , Bernhard, William,Granato, Jim and Jones, Lauren (1997). The Effect of İnflation on the Natural Rate of Output: Experimental Evidence .Applied Economics, 29 (9), 1191-1199. Barro, J.R. (1996). Inflation and Economic Growth. Federal Reserve Bank of St. Louis Review, 78 (3), 153-169. Barro, J.R. and Sala-i-Martin, Xavier (2001) .Economic Growth (3th Edition). London: The MIT press. Berber, M. (2006). İktisadi Büyüme ve Kalkınma (3.Baskı) , Trabzon: Derya Kitabevi. Bocutoğlu, E. (2007). Makro İktisat Keynezyen Teori ve Politikalar (4. Baskı). Trabzon: Derya Kitabevi. Bozkurt, H. (2007). Zaman Serileri Analizi (1.Baskı).Bursa: Ekin Kitabevi.

[77]

Brockwell, Peter J. and Davis, Richard A. (1991). Time Series: Theory and Methods (2th Edition).USA: Springer Series in Statistics . Ceylan S. , Yamak R.(2006). Kapasite Kullanım Oranı ve Enflasyon İlişkisinde Asimetri C.Ü İktisadi ve İdari Bilimler Dergisi, cilt 7, Sayı 2. Charemza, W. , Deadman, D.F,.(1993). New directions in econometric practice: General to specific modelling, cointegration and vector autoregression, Cheltenham, s:118. Cornwall, John, Cornwall, Wendy. (1994). Growth Theory and Economic Structure , Economia, New Series, Vol 61, No.242, s.237-251. Darnell, A.C .(1994). A Dictionary of Econometrics, s:386. Darnell, A.C, Evans, L. (1990). The Limits of Econometrics, USA. De Gregorio, José (1996). Inflatıon, Growth and Central Banks. Policy Research Working Paper. The World Bank Policy Research Department Macroeconomics and Growth Division. No:1575. Diboğlu, S. , Kibritçioğlu, A. (2004). Inflatıon, Output Growth and Stabilization in Turkey, 1980-2012 , Journal of Economics and Business, 56, s.43-61. Dinler, Z. (2009). İktisada Giriş (15.Basım). Bursa: Ekin Kitabevi, s 342-343. Eğilmez, Mafzi , Kumcu,Ercan.(2004). Ekonomi Politikaları Teori ve Uygulamaları, Remzi Kitabevi. Enders, W.(1995). Applied Econometric Time Series: Instructor’s Resource Guide, Prentice Hall. Erçel,G. (2000). Türkiye’de Enflasyon ve Büyüme ilişkisi Genel Bir Değerlendirme. http://www.tcmb.gov.tr/yeni/evds/konusma/tur/2000/enflasyon.html, Erişim Tarihi:10.12.2012. Fischer, Stanley (1983). Inflatıon and Growth. Working Paper. National Bureau of Economic Research. No: 1235. Gilbert, L, C. (1986). Professor Hendry’s Econometric Methodology, Oxford Bulletin of Economics and Statistic, 48, 3. Glyfason, T., Herbetsson , T.T. (2001). : ”Does İnflation Matter for Growht?”, Japan and the World Economy, 13, s 405-428. Gokal, Vikesh and Hanif, , Subrina (2004). Relationship Between Inflatıon and Economic Growth. Workıng Paper. Economics Departmant Reserve Bank of Fiji . No :2004/04. [78]

Gujarati, D. N. (2001). Temel Ekonometri (Çevirenler: Ümit Şenesen ve Gülay Günlük Şenesen). İstanbul: Literatür Yayıncılık. Gübe,Y.( Nisan 1997). İktisadi Büyüme ve İhracat Performansı, Hazine Dergisi, s 17-27 Güriş, B. (2012-2013). Zaman Serisi Analiz-1 Ders Notları. Harman,O.(2007).Enflasyon ile Ekonomik Büyüme Etkileşimi, Yüksek Lisans Tezi, İstanbul Üniversitesi. Haslag, Joseph H.(1995). Monetary Policy, Banking and Growth. Research Working Paper.Federal Reserve Bank of Dallas. Haslag, Joseph H.(1997). Output growth, welfare ann inflation : a survey. Economic Rewiew, Second Quarter, 11-21. Haslag, Joseph H.(1998).Monetary Policy,banking and growth. Economic Inquiry , 36 (3), 489-500. Hendry, D.F, Richard, J.F.(1982). Unıversity of Southampton, UK and Department of Statistic, Faculty of Economics, Australian Natıonal University, Canberra, Australia. Işığıçok, E.(1994). Zaman Serilerinde Nedensellik Çözümlemesi. Bursa, Uludağ Üniversitesi Basımevi. Jones,C.(1998). Introductıon to Economic Growth ,W.W.Norton & Company ,USA. Karaca O.(2003). Türkiye’de Enflasyon ve Büyüme İlişkisi :Zaman Serisi Analizi Doğuş Üniversitesi Dergisi, 4 (2), 247-255. Karagül, M.(2003).Beşeri Sermayenin Ekonomik Büyümeyle İlişkisi ve Etkin Kullanımı, Akdeniz Üniversitesi İktisadi ve İdari Bilimler Dergisi,5,,s.79-90. Kibritçioğlu, A.,v.d. (2002). Inflatıon and Disinflatıon in Turkey, Ashgate. Krugman, Paul, Wells,Robin. (2006). Macroeconomics, 2bs, Worth Publishers, New York. Lucas, Robert E.(1973). Some İnternational Evidence on Output-İnflation Tradeoff. The American Economic Review 63 (3) ,s. 326-334. Nargeleçekenler,M. ,Sevüktekin M. (2010). Ekonometrik Zaman Serileri Analizi (3.Baskı) Ankara: Nobel Yayın Dağıtım. Nas,T. And Perry, M.J.(2000). Inflatıon , Inflatıon Uncertainty, and Monetary Policy İn Turkey, 1960-1998, Contemporary Economic Policy, 18 (2),s.170-179. Özatay,F., “The 1994 Currency Crisis in Turkey” Journal of Policy Reform Vol. 3 No.4, 2000, s.327-352. [79]

Pagan, A.(1987). Three Econometric Methodologıes A Crıtıcal Appraısal, Unıversity of Rochester. Peterson, Wallace, Estenson, Paul S.(1992). Income, Employment, Economic Growth, W.W.Norton&Company ,7bs. ,USA. Petrucci,A.(2003). Money, Endogenous Fertility and Economic Growth ,Journal Macroeconomics, 25,pp.527-539, (Çevrimiçi), http://www.elsevier.com/locate/econbase.com Erişim Tarihi:05/12/12 Saatçi,Y.(2007). Türkiye’de Bütçe Açıkları ve Finansman Şekilleri. Bütçe Dünyası,2 (26),s.91-100. Saraç,T.B. (2009).Enflasyon ile Ekonomik Büyüme İlişki:Türkiye Ekonomisi Üzerine Ekonomerik Bir Uygulama, Doktora Tezi,Selçuk Üniversitesi. Sidruaski, M.(1967).Inflatıon and Economic Growth. Quarterly Journal of Economics,70,65-94. Solow,R.(1956). A Contribution to the Theory of Economic Growth.Quarterly of Economics,70 65-94 Türkiye İktisat Kongresi Büyüme Stratejileri Çalışma Grubu, Büyüme Stratejileri ,Türkiye Ekonomi Kurumu, Tartışma Metni, 2003/5, (Çevrimiçi),http://www.tek.org.tr Erişim Tarihi: 10/12/12. Türkiye Cumhuriyeti Merkez Bankası (TCMB), (Haziran 2002). Küreselleşmenin Türkiye Ekonomisi Üzerindeki Etkileri,Türkiye Cumhuriyeti Merkez Bankası,Ankara. Uzunoğlu,S.(2007).Para ve Döviz Piyasaları,(3.Baskı).İstanbul:Literatür Yayıncılık Tobin,J.(1965). Money and Economic Growth.Econometrica, 33(4), 671-684. Yılmaz,K.(2003). Denetlenemeyen Siyasi Elitler:Ekonominin Politik Analzi,Görüş,s.62-69.

[80]

EKLER

BİRİM KÖK TESTLERİ

Loggsyih Level-Intercept Null Hypothesis: LOGGSYIH has a unit root Exogenous: Constant Lag Length: 10 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.181914 -3.555023 -2.915522 -2.595565

0.9342

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 12/02/12 Time: 14:24 Sample (adjusted): 2007M12 2012M06 Included observations: 55 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGGSYIH(-1) D(LOGGSYIH(-1)) D(LOGGSYIH(-2)) D(LOGGSYIH(-3)) D(LOGGSYIH(-4)) D(LOGGSYIH(-5)) D(LOGGSYIH(-6)) D(LOGGSYIH(-7)) D(LOGGSYIH(-8)) D(LOGGSYIH(-9)) D(LOGGSYIH(-10)) C

-0.006791 -0.691231 -0.143258 0.502705 0.543187 -0.060845 -0.739594 -0.729084 -0.100272 0.443493 0.457138 0.060246

0.037333 0.144332 0.168549 0.167916 0.134255 0.096458 0.095725 0.127925 0.158067 0.156318 0.129418 0.295359

-0.181914 -4.789183 -0.849946 2.993781 4.045930 -0.630794 -7.726267 -5.699293 -0.634367 2.837116 3.532272 0.203977

0.8565 0.0000 0.4001 0.0046 0.0002 0.5315 0.0000 0.0000 0.5292 0.0069 0.0010 0.8393

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.702237 0.626066 0.016267 0.011379 155.2494 9.219124 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[81]

0.003755 0.026602 -5.209068 -4.771104 -5.039704 1.537830

Loggsyih Level-Trend-Intercept Null Hypothesis: LOGGSYIH has a unit root Exogenous: Constant, Linear Trend Lag Length: 10 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.703733 -4.133838 -3.493692 -3.175693

0.7363

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 12/02/12 Time: 14:31 Sample (adjusted): 2007M12 2012M06 Included observations: 55 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGGSYIH(-1) D(LOGGSYIH(-1)) D(LOGGSYIH(-2)) D(LOGGSYIH(-3)) D(LOGGSYIH(-4)) D(LOGGSYIH(-5)) D(LOGGSYIH(-6)) D(LOGGSYIH(-7)) D(LOGGSYIH(-8)) D(LOGGSYIH(-9)) D(LOGGSYIH(-10)) C @TREND(2007M01)

-0.218089 -0.518892 0.007026 0.632745 0.655647 0.047502 -0.641884 -0.647157 -0.040087 0.487500 0.484559 1.704653 0.000857

0.128007 0.173016 0.186498 0.180733 0.146630 0.113381 0.109460 0.133837 0.158474 0.154984 0.127554 0.997555 0.000498

-1.703733 -2.999093 0.037675 3.500983 4.471425 0.418958 -5.864104 -4.835393 -0.252959 3.145494 3.798841 1.708831 1.722204

0.0958 0.0045 0.9701 0.0011 0.0001 0.6774 0.0000 0.0000 0.8015 0.0030 0.0005 0.0949 0.0924

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.721878 0.642415 0.015908 0.010629 157.1259 9.084408 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[82]

0.003755 0.026602 -5.240941 -4.766480 -5.057463 1.543412

Loggsyih Level-None Null Hypothesis: LOGGSYIH has a unit root Exogenous: None Lag Length: 10 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

1.784764 -2.607686 -1.946878 -1.612999

0.9810

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 12/02/12 Time: 14:34 Sample (adjusted): 2007M12 2012M06 Included observations: 55 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGGSYIH(-1) D(LOGGSYIH(-1)) D(LOGGSYIH(-2)) D(LOGGSYIH(-3)) D(LOGGSYIH(-4)) D(LOGGSYIH(-5)) D(LOGGSYIH(-6)) D(LOGGSYIH(-7)) D(LOGGSYIH(-8)) D(LOGGSYIH(-9)) D(LOGGSYIH(-10))

0.000823 -0.702333 -0.156976 0.489577 0.534843 -0.064611 -0.743238 -0.735762 -0.110244 0.434811 0.451622

0.000461 0.132212 0.152857 0.153393 0.126471 0.093638 0.093012 0.122312 0.148671 0.148765 0.125175

1.784764 -5.312175 -1.026949 3.191639 4.228967 -0.690011 -7.990735 -6.015450 -0.741526 2.922808 3.607923

0.0812 0.0000 0.3101 0.0026 0.0001 0.4938 0.0000 0.0000 0.4623 0.0055 0.0008

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.701949 0.634211 0.016089 0.011390 155.2228 1.534790

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

[83]

0.003755 0.026602 -5.244464 -4.842998 -5.089214

Loggsyih 1st-Intercept Null Hypothesis: D(LOGGSYIH) has a unit root Exogenous: Constant Lag Length: 10 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-3.142353 -3.557472 -2.916566 -2.596116

0.0293

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGGSYIH,2) Method: Least Squares Date: 12/02/12 Time: 14:36 Sample (adjusted): 2008M01 2012M06 Included observations: 54 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LOGGSYIH(-1)) D(LOGGSYIH(-1),2) D(LOGGSYIH(-2),2) D(LOGGSYIH(-3),2) D(LOGGSYIH(-4),2) D(LOGGSYIH(-5),2) D(LOGGSYIH(-6),2) D(LOGGSYIH(-7),2) D(LOGGSYIH(-8),2) D(LOGGSYIH(-9),2) D(LOGGSYIH(-10),2) C

-2.252753 0.778457 0.857616 1.322135 1.521467 1.081224 0.274572 -0.220454 -0.105144 0.282573 0.437668 0.008918

0.716900 0.687811 0.631087 0.534535 0.425329 0.375143 0.366555 0.351418 0.322680 0.250734 0.130420 0.003445

-3.142353 1.131788 1.358949 2.473429 3.577152 2.882160 0.749061 -0.627327 -0.325846 1.126985 3.355824 2.588486

0.0031 0.2641 0.1814 0.0175 0.0009 0.0062 0.4580 0.5338 0.7462 0.2661 0.0017 0.0132

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.897032 0.870064 0.014546 0.008886 158.6078 33.26301 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[84]

-0.000527 0.040352 -5.429917 -4.987921 -5.259457 1.454566

Logimalatsanayi Level-Intercept

Null Hypothesis: LOGIMALATSANAYI has a unit root Exogenous: Constant Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-2.061543 -3.536587 -2.907660 -2.591396

0.2607

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGIMALATSANAYI) Method: Least Squares Date: 12/02/12 Time: 14:42 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGIMALATSANAYI(-1) D(LOGIMALATSANAYI(-1)) C

-0.079501 0.416285 0.148359

0.038564 0.115900 0.072042

-2.061543 3.591772 2.059349

0.0435 0.0007 0.0437

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.199604 0.173362 0.010506 0.006733 202.2964 7.606148 0.001124

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[85]

-0.000241 0.011555 -6.228012 -6.126815 -6.188146 2.020874

Logimalatsanayi Level-Intercept-Trend

Null Hypothesis: LOGIMALATSANAYI has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-2.030536 -4.107947 -3.481595 -3.168695

0.5736

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGIMALATSANAYI) Method: Least Squares Date: 12/02/12 Time: 14:53 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGIMALATSANAYI(-1) D(LOGIMALATSANAYI(-1)) C @TREND(2007M01)

-0.081158 0.418524 0.151896 -1.32E-05

0.039969 0.117503 0.075280 7.39E-05

-2.030536 3.561809 2.017746 -0.178338

0.0467 0.0007 0.0481 0.8591

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.200028 0.160030 0.010590 0.006729 202.3134 5.000883 0.003672

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[86]

-0.000241 0.011555 -6.197292 -6.062362 -6.144137 2.023492

Logimalatsanayi Level-None

Null Hypothesis: LOGIMALATSANAYI has a unit root Exogenous: None Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.135601 -2.601596 -1.945987 -1.613496

0.6331

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGIMALATSANAYI) Method: Least Squares Date: 12/02/12 Time: 14:57 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGIMALATSANAYI(-1) D(LOGIMALATSANAYI(-1))

-9.78E-05 0.378987

0.000721 0.117430

-0.135601 3.227356

0.8926 0.0020

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.143958 0.130151 0.010777 0.007201 200.1456 1.965340

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

[87]

-0.000241 0.011555 -6.192049 -6.124584 -6.165472

Logimalatsanayi 1st-Intercept Null Hypothesis: D(LOGIMALATSANAYI) has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-5.287137 -3.536587 -2.907660 -2.591396

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGIMALATSANAYI,2) Method: Least Squares Date: 12/02/12 Time: 14:58 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LOGIMALATSANAYI(-1)) C

-0.620952 -0.000133

0.117446 0.001348

-5.287137 -0.098965

0.0000 0.9215

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.310757 0.299641 0.010778 0.007202 200.1411 27.95382 0.000002

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[88]

4.34E-05 0.012879 -6.191911 -6.124446 -6.165333 1.965386

Logufe Level-Intercept Null Hypothesis: LOGUFE has a unit root Exogenous: Constant Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.891532 -3.536587 -2.907660 -2.591396

0.7848

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGUFE) Method: Least Squares Date: 12/02/12 Time: 15:19 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGUFE(-1) D(LOGUFE(-1)) C

-0.010446 0.398307

0.011717 0.120811

-0.891532 3.296934

0.3761 0.0016

0.024788

0.026072

0.950730

0.3455

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.157140 0.129505 0.004809 0.001411 252.3062 5.686323 0.005439

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[89]

0.002660 0.005155 -7.790819 -7.689621 -7.750952 1.936698

Logufe Level-Trend-Intercept Null Hypothesis: LOGUFE has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-2.632198 -4.107947 -3.481595 -3.168695

0.2680

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGUFE) Method: Least Squares Date: 12/02/12 Time: 15:20 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGUFE(-1) D(LOGUFE(-1)) C @TREND(2007M01)

-0.129390 0.457697 0.278020 0.000339

0.049157 0.118424 0.104908 0.000137

-2.632198 3.864906 2.650141 2.485653

0.0108 0.0003 0.0103 0.0157

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.235830 0.197622 0.004617 0.001279 255.4425 6.172192 0.000999

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[90]

0.002660 0.005155 -7.857579 -7.722649 -7.804424 2.021527

Logufe Level-None Null Hypothesis: LOGUFE has a unit root Exogenous: None Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

2.222402 -2.601596 -1.945987 -1.613496

0.9933

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGUFE) Method: Least Squares Date: 12/02/12 Time: 15:21 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGUFE(-1) D(LOGUFE(-1))

0.000690 0.393417

0.000310 0.120608

2.222402 3.261937

0.0299 0.0018

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.144651 0.130855 0.004806 0.001432 251.8355 1.920753

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

[91]

0.002660 0.005155 -7.807360 -7.739894 -7.780782

Logufe 1st-Intercept Null Hypothesis: D(LOGUFE) has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-5.046213 -3.536587 -2.907660 -2.591396

0.0001

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGUFE,2) Method: Least Squares Date: 12/02/12 Time: 15:21 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LOGUFE(-1)) C

-0.607687 0.001552

0.120424 0.000690

-5.046213 2.248823

0.0000 0.0281

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.291139 0.279706 0.004801 0.001429 251.8919 25.46426 0.000004

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[92]

-0.000166 0.005657 -7.809123 -7.741658 -7.782545 1.920793

BİRİM KÖK DURAĞANLIK GRAFİKLERİ

Loggsyih 1st-Intercept D1LOGGSYH .08 .06 .04 .02 .00 -.02 -.04 -.06 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Logimalatsanayi 1st-Intercept D1LOGIMALATSANAYI .04 .03 .02 .01 .00 -.01 -.02 -.03 -.04 -.05 I

III IV

2007

III IV

2008

III IV

2009

III IV

2010

III IV

2011

2012

Logufe 1st-Intercept D1LOGUFE .020 .016 .012 .008 .004 .000 -.004 -.008 -.012 -.016 I

III IV

2007

III IV

2008

III IV

2009

[93]

III IV

2010

III IV

2011

2012

ENGLE GRANGER EŞBÜTÜNLEŞME TESTLERİ Loggsyih ve Logimalat Engle-Granger

Dependent Variable: LOGGSYIH Method: Least Squares Date: 11/30/12 Time: 17:51 Sample: 2007M01 2012M06 Included observations: 66 Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGIMALATSANAYI C

0.160934 7.637466

0.291321 0.544309

0.552430 14.03148

0.5826 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.004746 -0.010805 0.080653 0.416317 73.52683 0.305179 0.582578

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

7.938108 0.080221 -2.167480 -2.101127 -2.141261 0.114547

Dependent Variable: LOGGSYIH Method: Least Squares Date: 11/30/12 Time: 17:52 Sample: 2007M01 2012M06 Included observations: 66 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C @TREND LOGIMALATSANAYI

6.556925 0.004088 0.668227

0.166056 0.000158 0.088226

39.48627 25.90292 7.574025

0.0000 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.914572 0.911860 0.023816 0.035735 154.5524 337.2306 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[94]

7.938108 0.080221 -4.592498 -4.492969 -4.553169 1.306608

GSYİH ve İmalat Sanayi Hata Terimleri Verileri -0.00974 -0.05579 -0.02672 -0.01652 -0.00745 -0.02899 0.033227 0.03776 0.015089 -0.00177 -0.01724 -0.00129 -0.00398 -0.0374 -0.0084 0.01232 0.020265 -0.00207 0.045045 0.040231 0.031866 -0.00357 -0.00616

0.033311 0.004143 -0.04083 0.009962 0.023046 0.013014 -0.02077 0.041723 0.033392 0.018879 0.01579 -0.00927 0.00975 -0.01199 -0.05688 -0.01462 -0.01733 -0.00956 -0.02789 0.019599 0.021024 0.000715 0.00353

-0.0171 -0.0058 -0.00625 -0.04825 -0.00893 0.001209 0.010201 -0.01386 0.040191 0.033422 0.014712 0.010056 -0.0079 0.007589 -0.00583 -0.0318 -0.00772 -0.00459 0.005563 -0.01238

[95]

Loggsyih ve Logimalat Hata Terimi Birim Kรถk Testi Null Hypothesis: RESID01 has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-5.535799 -3.534868 -2.906923 -2.591006

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID01) Method: Least Squares Date: 12/16/12 Time: 01:39 Sample (adjusted): 2007M02 2012M06 Included observations: 65 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

RESID01(-1) C

-0.655326 8.42E-05

0.118380 0.002770

-5.535799 0.030392

0.0000 0.9759

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.327247 0.316568 0.022329 0.031412 155.9053 30.64507 0.000001

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[96]

-4.06E-05 0.027010 -4.735546 -4.668642 -4.709148 1.894446

Loggsyih ve Logimalat Hata Düzeltme Modeli

Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 11/30/12 Time: 18:31 Sample (adjusted): 2007M02 2012M06 Included observations: 65 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C D(LOGIMALATSANAYI) RESID04(-1)

0.004100 0.417010 -0.655183

0.002769 0.243193 0.118317

1.480467 1.714730 -5.537536

0.0438 0.0914 0.0000

0.351346 0.330421 0.022317 0.030880 156.4599 16.79125 0.000001

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Loggsyih ve Logimalat Engle-Granger Grafiği

9 8 7 6 5 4 3 2 1 I

III IV

2007

III IV

2008

III IV

2009

LOGGSYIH

III IV

2010

III IV

2011

2012

LOGIMALATSANAYI

[97]

0.003854 0.027274 -4.721842 -4.621485 -4.682245 1.828776

Loggsyih ve Logufe Engle-Granger Dependent Variable: LOGGSYIH Method: Least Squares Date: 11/30/12 Time: 17:59 Sample: 2007M01 2012M06 Included observations: 66 Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGUFE C

1.397463 4.827537

0.070461 0.156881

19.83320 30.77200

0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.860065 0.857879 0.030243 0.058535 138.2669 393.3556 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Loggsyih ve Logufe Hata Terimleri Verileri

0.000348 -0.04957 -0.01124 -0.00106 0.010804 -0.00279 0.06419 0.059033 0.038661 0.029552 0.009906 0.023222 0.01726 -0.02706 -0.01704 -0.01258 -0.01106 -0.02726 0.014609 0.028956 0.020189 -0.0203

-0.03435 0.001779 -0.03984 -0.09109 -0.04865 -0.0305 -0.01595 -0.0359 0.036698 0.034166 0.016203 0.016333 -0.00571 0.004562 -0.01277 -0.06699 -0.03446 -0.0248 -0.00355 -0.01472 0.042125 0.035168

0.017857 0.024495 0.012162 0.018506 0.0041 -0.05047 -0.01363 0.003566 0.016886 0.002614 0.05595 0.045356 0.021808 0.01462 -0.00353 0.004645 -0.01009 -0.03849 -0.01171 0.001288 0.012322 0.007215

[98]

7.938108 0.080221 -4.129301 -4.062948 -4.103082 0.868485

Loggsyih ve Logufe Hata Terimleri Birim KĂśk Testi Null Hypothesis: RESID07 has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.176813 -3.534868 -2.906923 -2.591006

0.0015

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID07) Method: Least Squares Date: 11/30/12 Time: 18:07 Sample (adjusted): 2007M02 2012M06 Included observations: 65 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

RESID07(-1) C

-0.434178 5.75E-05

0.103950 0.003118

-4.176813 0.018427

0.0001 0.9854

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.216864 0.204433 0.025138 0.039812 148.2035 17.44577 0.000093

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.000106 0.028184 -4.498569 -4.431665 -4.472171 1.871709

Loggsyih ve Logufe Hata DĂźzeltme Modeli Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 11/30/12 Time: 18:33 Sample (adjusted): 2007M02 2012M06 Included observations: 65 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C D(LOGUFE) RESID07(-1)

0.003736 0.026150 -0.432644

0.003411 0.594002 0.100554

1.095249 0.044024 -4.302599

0.2776 0.0650 0.0001

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.229934 0.205093 0.024317 0.036660 150.8836 9.256303 0.000304

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[99]

0.003854 0.027274 -4.550266 -4.449909 -4.510669 1.845446

Loggsyih ve Logufe Engle-Granger GrafiÄ&#x;i 9 8 7 6 5 4 3 2 I

III IV

2007

III IV

2008

III IV

2009 LOGGSYIH

III IV

2010

III IV

2011

2012

LOGUFE

Logufe ve Logimalat Engle-Granger

Dependent Variable: LOGUFE Method: Least Squares Date: 11/30/12 Time: 18:20 Sample: 2007M01 2012M06 Included observations: 66 Variable

Coefficient

Std. Error

t-Statistic

Prob.

LOGIMALATSANAYI C

-0.184664 2.570844

0.192410 0.359502

-0.959743 7.151126

0.3408 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.014188 -0.001215 0.053269 0.181608 100.9035 0.921107 0.340796

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

2.225871 0.053237 -2.997076 -2.930723 -2.970856 0.015646

Dependent Variable: LOGUFE Method: Least Squares Date: 11/30/12 Time: 18:23 Sample: 2007M01 2012M06 Included observations: 66 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C @TREND LOGIMALATSANAYI

1.839842 0.002766 0.158527

0.075700 7.19E-05 0.040220

24.30445 38.44017 3.941535

0.0000 0.0000 0.0002

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.959688 0.958409 0.010857 0.007426 206.3986 749.9099 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[100]

2.225871 0.053237 -6.163595 -6.064066 -6.124266 0.204576

Logufe ve Logimalat Hata Terimleri Verileri -0.00492 -0.00306 -0.00425 -0.00373 -0.00505 -0.00904 -0.01178 -0.00881 -0.00822 -0.01224 -0.01046 -0.01119 -0.01098 -0.00285 0.008917 0.023754 0.029567 0.027253 0.030298 0.017094 0.012775

0.01383 0.014663 0.00319 0.005016 0.008081 0.009107 0.007984 0.000213 -0.00214 -0.00839 -0.01035 -0.00954 -0.01128 -0.01006 -0.00788 -0.00905 -0.00384 0.002264 0.004283 -0.00407 -0.00903

-0.0135 -0.00997 -0.01101 -0.01023 -0.01491 -0.01175 -0.00345 0.002695 0.005008 0.003305 0.000923 -0.00318 -0.00488 -0.0007 0.003101 0.006522 0.006647 0.009484 0.009107 0.007618 0.006229 0.002332 0.001861 -0.00735

[101]

Logufe ve Logimalat Hata Terimleri Birim Kรถk Testi

Null Hypothesis: RESID08 has a unit root Exogenous: None Lag Length: 1 (Automatic - based on SIC, maxlag=10)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-2.812004 -2.601596 -1.945987 -1.613496

0.0056

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID08) Method: Least Squares Date: 11/30/12 Time: 18:28 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

RESID08(-1) D(RESID08(-1))

-0.144678 0.463345

0.051450 0.116449

-2.812004 3.978966

0.0066 0.0002

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.241969 0.229742 0.004305 0.001149 258.8811 1.999029

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

[102]

-6.70E-05 0.004905 -8.027534 -7.960069 -8.000956

Logufe ve Logimalat Hata Düzeltme Modeli

Dependent Variable: D(LOGUFE) Method: Least Squares Date: 11/30/12 Time: 18:36 Sample (adjusted): 2007M02 2012M06 Included observations: 65 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C D(LOGIMALATSANAYI) RESID08(-1)

0.002732 0.129740 -0.103601

0.000597 0.052652 0.056277

4.572864 2.464097 -1.840906

0.0000 0.0165 0.0704

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.142519 0.114858 0.004814 0.001437 256.1545 5.152398 0.008511

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Logufe ve Logimalat Engle-Granger Grafiği

2.4 2.3 2.2 2.1 2.0 1.9 1.8 1.7 I

III IV

2007

III IV

2008 LOGUFE

III IV

2009

III IV

2010

III IV

2011

2012

LOGIMALATSANAYI

[103]

0.002682 0.005117 -7.789368 -7.689012 -7.749771 1.155241

JOHANSEN EŞ BÜTÜNLEŞME TESTLERİ

Model 2

Date: 11/30/12 Time: 18:41 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Trend assumption: No deterministic trend (restricted constant) Series: LOGGSYIH LOGIMALATSANAYI LOGUFE Lags interval (in first differences): 1 to 1 Unrestricted Cointegration Rank Test (Trace) Hypothesized

Trace

No. of CE(s)

Eigenvalue

None * At most 1 At most 2

0.323289 0.171675 0.055344

Statistic

0.05 Critical Value Prob.**

40.69097 35.19275 0.0115 15.69824 20.26184 0.1890 3.643838 9.164546 0.4677

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values Unrestricted Cointegration Rank Test (Maximum Eigenvalue) MaxEigen

Hypothesized No. of CE(s)

Eigenvalue

None * At most 1 At most 2

0.323289 0.171675 0.055344

Statistic

0.05 Critical Value Prob.**

24.99273 22.29962 0.0205 12.05440 15.89210 0.1828 3.643838 9.164546 0.4677

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

[104]

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I): LOGGSYIH -44.78046 7.538000 5.589327

LOGIMALATSANAYI LOGUFE C 19.75963 62.55083 179.6915 13.34968 -12.92935 -55.04648 -26.14989 -17.39432 43.65668

Unrestricted Adjustment Coefficients (alpha): D(LOGGSYIH) D(LOGIMALATSANAYI) D(LOGUFE)

1 Cointegrating Equation(s):

0.013756 -0.000538 -0.000575

-0.000115 0.001446 -0.002833 0.001763 0.001057 0.000925

Log likelihood 614.2552

Normalized cointegrating coefficients (standard error in parentheses) LOGGSYIH LOGIMALATSANAYI LOGUFE C 1.000000 -0.441256 -1.396833 -4.012721 (0.12396) (0.08205) (0.31211) Adjustment coefficients (standard error in parentheses) D(LOGGSYIH) -0.616022 (0.12044) D(LOGIMALATSANAYI) 0.024113 (0.05883) D(LOGUFE) 0.025759 (0.02751)

2 Cointegrating Equation(s):

Log likelihood 620.2824

Normalized cointegrating coefficients (standard error in parentheses) LOGGSYIH LOGIMALATSANAYI LOGUFE C 1.000000 0.000000 -1.460340 -4.668910 (0.16029) (0.35673) 0.000000 1.000000 -0.143922 -1.487095 (0.33391) (0.74314) Adjustment coefficients (standard error in parentheses) D(LOGGSYIH) -0.616891 0.270284 (0.12213) (0.06413) D(LOGIMALATSANAYI) 0.002756 -0.048464 (0.05730) (0.03009) D(LOGUFE) 0.033724 0.002739 (0.02720) (0.01428)

[105]

Model 3

Date: 11/30/12 Time: 18:42 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Trend assumption: Linear deterministic trend Series: LOGGSYIH LOGIMALATSANAYI LOGUFE Lags interval (in first differences): 1 to 1 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s)

Eigenvalue

Trace Statistic

None * At most 1 At most 2

0.318079 0.092670 0.016023

31.75959 7.257735 1.033796

0.05 Critical Value Prob.** 29.79707 0.0293 15.49471 0.5479 3.841466 0.3093

Eigenvalue

None * At most 1 At most 2

0.318079 0.092670 0.016023

Max-Eigen 0.05 Statistic Critical Value Prob.** 24.50185 6.223939 1.033796

21.13162 0.0161 14.26460 0.5846 3.841466 0.3093

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

[106]

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I): LOGGSYIH -45.62880 -1.830435 -2.831318

LOGIMALATSANAYI 19.01064 30.47200 2.661541

LOGUFE 64.00328 4.106544 23.62387

Unrestricted Adjustment Coefficients (alpha): D(LOGGSYIH) D(LOGIMALATSANAYI) D(LOGUFE)

1 Cointegrating Equation(s):

0.013420 -0.000139 -0.000812

-0.000672 -0.002993 -0.000148

-0.000820 -0.000276 -0.000557

Log likelihood 618.4755

Normalized cointegrating coefficients (standard error in parentheses) LOGGSYIH LOGIMALATSANAYI LOGUFE 1.000000 -0.416637 -1.402695 (0.12416) (0.08218) Adjustment coefficients (standard error in parentheses) D(LOGGSYIH) -0.612361 (0.12361) D(LOGIMALATSANAYI) 0.006352 (0.05983) D(LOGUFE) 0.037044 (0.02723)

2 Cointegrating Equation(s):

Log likelihood

621.5874

Normalized cointegrating coefficients (standard error in parentheses) LOGGSYIH LOGIMALATSANAYI LOGUFE 1.000000 0.000000 -1.381112 (0.13937) 0.000000 1.000000 0.051802 (0.26765) Adjustment coefficients (standard error in parentheses) D(LOGGSYIH) -0.611130 0.234647 (0.12365) (0.09725) D(LOGIMALATSANAYI) 0.011830 -0.093844 (0.05718) (0.04497) D(LOGUFE) 0.037316 -0.019959 (0.02723) (0.02142)

[107]

Model 4

Date: 11/30/12 Time: 18:43 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Trend assumption: Linear deterministic trend (restricted) Series: LOGGSYIH LOGIMALATSANAYI LOGUFE Lags interval (in first differences): 1 to 1 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s)

Eigenvalue

Trace Statistic

0.05 Critical Value

Prob.**

None * At most 1 At most 2

0.353531 0.142951 0.091593

43.93941 16.02066 6.148013

42.91525 25.87211 12.51798

0.0393 0.4909 0.4417

Eigenvalue

Max-Eigen Statistic

0.05 Critical Value

Prob.**

None * At most 1 At most 2

0.353531 0.142951 0.091593

27.91875 9.872646 6.148013

25.82321 19.38704 12.51798

0.0261 0.6325 0.4417

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

[108]

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I): LOGGSYIH -53.33503 5.919671 3.197769

LOGIMALATSANAYI 29.98093 -15.13376 -33.10728

LOGUFE @TREND(07M02) 29.15337 0.129992 92.80387 -0.276263 9.114484 -0.039742

Unrestricted Adjustment Coefficients (alpha): D(LOGGSYIH) D(LOGIMALATSANAYI) D(LOGUFE)

1 Cointegrating Equation(s):

0.014693 0.000353 -0.000128

-0.000100 -0.001485 -0.001753

0.000467 0.002802 -0.000109

Log likelihood

620.1839

Normalized cointegrating coefficients (standard error in parentheses) LOGGSYIH LOGIMALATSANAYI LOGUFE @TREND(07M02) 1.000000 -0.562125 -0.546608 -0.002437 (0.11240) (0.31795) (0.00090) Adjustment coefficients (standard error in parentheses) D(LOGGSYIH) -0.783667 (0.13839) D(LOGIMALATSANAYI) -0.018813 (0.06990) D(LOGUFE) 0.006846 (0.03231)

2 Cointegrating Equation(s):

Log likelihood

625.1202

Normalized cointegrating coefficients (standard error in parentheses) LOGGSYIH LOGIMALATSANAYI LOGUFE @TREND(07M02) 1.000000 0.000000 -5.119320 0.010029 (1.35106) (0.00376) 0.000000 1.000000 -8.134695 0.022178 (2.31956) (0.00645) Adjustment coefficients (standard error in parentheses) D(LOGGSYIH) -0.784259 0.442032 (0.13924) (0.08714) D(LOGIMALATSANAYI) -0.027606 0.033054 (0.06956) (0.04354) D(LOGUFE) -0.003529 0.022675 (0.03011) (0.01884)

[109]

VECTOR ERROR CORRECTİON (DIŞSALLIK İÇSELLİKLER) Vector Error Correction Estimates Date: 12/03/12 Time: 03:05 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegration Restrictions: A(1,1)=0 Convergence achieved after 22 iterations. Not all cointegrating vectors are identified LR test for binding restrictions (rank = 1): Chi-square(1) 12.93618 Probability 0.000322 Cointegrating Eq:

CointEq1

LOGGSYIH(-1)

11.25524

LOGIMALATSANAYI(-1)

23.85426

LOGUFE(-1)

-19.80239

-88.18297

Error Correction:

D(LOGGSYIH)D(LOGIMALATSANAYI)D(LOGUFE)

CointEq1

0.000000 (0.00000) [ NA]

-0.001660 (0.00073) [-2.27453]

0.000605 (0.00035) [ 1.72404]

D(LOGGSYIH(-1))

-0.188137 (0.12215) [-1.54017]

0.117845 (0.04788) [ 2.46151]

0.001439 (0.02289) [ 0.06286]

D(LOGIMALATSANAYI(-1))

0.556194 (0.29677) [ 1.87416]

0.277037 (0.11631) [ 2.38184]

-0.088133 (0.05562) [-1.58451]

D(LOGUFE(-1))

0.995430 (0.64605) [ 1.54079]

0.513783 (0.25321) [ 2.02911]

0.485247 (0.12109) [ 4.00748]

0.118779 0.074718 0.039885 0.025783 2.695785 145.3684 -4.417763 -4.282833 0.004605 0.026804

0.271673 0.235257 0.006127 0.010105 7.460202 205.3158 -6.291119 -6.156189 -0.000241 0.011555

0.162992 0.121141 0.001401 0.004832 3.894630 252.5291 -7.766536 -7.631605 0.002660 0.005155

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.37E-12 1.13E-12 607.7871 -18.49335 -17.95363

[110]

Vector Error Correction Estimates Date: 12/03/12 Time: 03:10 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegration Restrictions: A(2,1)=0 Convergence achieved after 6 iterations. Not all cointegrating vectors are identified LR test for binding restrictions (rank = 1): Chi-square(1) 0.125529 Probability 0.723113 Cointegrating Eq:

CointEq1

LOGGSYIH(-1)

-44.98807

LOGIMALATSANAYI(-1)

18.69170

LOGUFE(-1)

62.79516

182.7538

Error Correction:

D(LOGGSYIH)D(LOGIMALATSANAYI)D(LOGUFE)

CointEq1

0.013878 (0.00266) [ 5.21605]

0.000000 (0.00000) [ NA]

-0.000562 (0.00059) [-0.94893]

D(LOGGSYIH(-1))

0.074677 (0.11158) [ 0.66928]

0.086149 (0.05456) [ 1.57885]

-0.001144 (0.02547) [-0.04490]

D(LOGIMALATSANAYI(-1))

0.584006 (0.24608) [ 2.37320]

0.305458 (0.12034) [ 2.53826]

-0.100123 (0.05618) [-1.78205]

D(LOGUFE(-1))

-0.281645 (0.54803) [-0.51392]

0.303367 (0.26800) [ 1.13196]

0.632183 (0.12512) [ 5.05250]

0.386806 0.356147 0.027754 0.021507 12.61612 156.9725 -4.780391 -4.645461 0.004605 0.026804

0.210973 0.171521 0.006637 0.010518 5.347669 202.7542 -6.211068 -6.076138 -0.000241 0.011555

0.135710 0.092495 0.001447 0.004910 3.140381 251.5028 -7.734461 -7.599531 0.002660 0.005155

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.12E-12 9.25E-13 614.1925 -18.69351 -18.15379

[111]

Vector Error Correction Estimates Date: 12/03/12 Time: 03:10 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegration Restrictions: A(3,1)=0 Convergence achieved after 9 iterations. Not all cointegrating vectors are identified LR test for binding restrictions (rank = 1): Chi-square(1) 0.697750 Probability 0.403541 Cointegrating Eq:

CointEq1

LOGGSYIH(-1)

-43.58819

LOGIMALATSANAYI(-1)

19.72116

LOGUFE(-1)

60.22326

175.5881

Error Correction:

D(LOGGSYIH)D(LOGIMALATSANAYI)D(LOGUFE)

CointEq1

0.013824 (0.00269) [ 5.14484]

-0.000482 (0.00127) [-0.38031]

0.000000 (0.00000) [ NA]

D(LOGGSYIH(-1))

0.053867 (0.10994) [ 0.48996]

0.080692 (0.05361) [ 1.50516]

0.002859 (0.02518) [ 0.11354]

D(LOGIMALATSANAYI(-1))

0.611536 (0.24652) [ 2.48063]

0.303269 (0.12021) [ 2.52275]

-0.100606 (0.05646) [-1.78203]

D(LOGUFE(-1))

-0.443829 (0.56424) [-0.78660]

0.344294 (0.27514) [ 1.25134]

0.620692 (0.12921) [ 4.80358]

0.385543 0.354820 0.027811 0.021529 12.54904 156.9066 -4.778332 -4.643402 0.004605 0.026804

0.213845 0.174537 0.006613 0.010498 5.440282 202.8709 -6.214715 -6.079785 -0.000241 0.011555

0.128655 0.085088 0.001459 0.004930 2.953021 251.2426 -7.726331 -7.591401 0.002660 0.005155

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.13E-12 9.27E-13 613.9064 -18.68457 -18.14485

[112]

UZAY TESADÜFİLİK Vector Error Correction Estimates Date: 12/03/12 Time: 03:13 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegration Restrictions: B(1,1)=1, B(1,2)=0, B(1,3)=0 Convergence achieved after 26 iterations. Restrictions identify all cointegrating vectors LR test for binding restrictions (rank = 1): Chi-square(2) 15.03988 Probability 0.000542 Cointegrating Eq:

CointEq1

LOGGSYIH(-1)

1.000000

LOGIMALATSANAYI(-1)

0.000000

LOGUFE(-1)

0.000000

-8.163922 (0.07644) [-106.806]

Error Correction:

D(LOGGSYIH) D(LOGIMALATSANAYI) D(LOGUFE)

CointEq1

-0.024564 (0.01544) [-1.59080]

0.005866 (0.00639) [ 0.91795]

-0.005656 (0.00294) [-1.92546]

D(LOGGSYIH(-1))

-0.204569 (0.11708) [-1.74725]

0.097615 (0.04845) [ 2.01471]

0.006256 (0.02227) [ 0.28088]

D(LOGIMALATSANAYI(-1))

0.656909 (0.29601) [ 2.21922]

0.281777 (0.12250) [ 2.30029]

-0.075195 (0.05631) [-1.33545]

D(LOGUFE(-1))

0.473867 (0.66360) [ 0.71409]

0.396184 (0.27461) [ 1.44270]

0.451375 (0.12623) [ 3.57585]

0.154398 0.112118 0.038273 0.025256 3.651786 146.6887 -4.459023 -4.324093 0.004605 0.026804

0.220830 0.181871 0.006554 0.010452 5.668324 203.1564 -6.223639 -6.088709 -0.000241 0.011555

0.172680 0.131314 0.001385 0.004804 4.174448 252.9017 -7.778178 -7.643248 0.002660 0.005155

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.42E-12 1.17E-12 606.7353 -18.46048 -17.92076

[113]

Vector Error Correction Estimates Date: 12/03/12 Time: 03:14 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegration Restrictions: B(1,1)=1, B(1,2)=0, B(1,3)=0 Convergence achieved after 15 iterations. Restrictions identify all cointegrating vectors LR test for binding restrictions (rank = 1): Chi-square(2) 12.82322 Probability 0.001642 Cointegrating Eq:

CointEq1

LOGIMALATSANAYI(-1)

1.000000

LOGGSYIH(-1)

0.000000

LOGUFE(-1)

0.000000

-1.809528 (0.01953) [-92.6384]

Error Correction:

D(LOGIMALATSANAYI)D(LOGGSYIH)D(LOGUFE)

CointEq1

-0.051002 (0.02159) [-2.36253]

0.033615 (0.05512) [ 0.60984]

0.015217 (0.01043) [ 1.45865]

D(LOGIMALATSANAYI(-1))

0.277113 (0.11581) [ 2.39275]

0.573549 (0.29570) [ 1.93961]

-0.090112 (0.05597) [-1.61008]

D(LOGGSYIH(-1))

0.110957 (0.04705) [ 2.35849]

-0.198199 (0.12012) [-1.65000]

0.005136 (0.02273) [ 0.22590]

D(LOGUFE(-1))

0.568157 (0.26076) [ 2.17885]

0.813207 (0.66579) [ 1.22141]

0.485478 (0.12601) [ 3.85259]

0.277132 0.240989 0.006081 0.010067 7.667568 205.5565 -6.298642 -6.163712 -0.000241 0.011555

0.124161 0.080369 0.039641 0.025704 2.835256 145.5645 -4.423890 -4.288960 0.004605 0.026804

0.151644 0.109226 0.001420 0.004865 3.575002 252.0982 -7.753069 -7.618139 0.002660 0.005155

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.37E-12 1.13E-12 607.8436 -18.49511 -17.95539

[114]

Vector Error Correction Estimates Date: 12/03/12 Time: 03:16 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegration Restrictions: B(1,1)=1, B(1,2)=0, B(1,3)=0 Convergence achieved after 33 iterations. Restrictions identify all cointegrating vectors LR test for binding restrictions (rank = 1): Chi-square(2) 15.17925 Probability 0.000506 Cointegrating Eq:

CointEq1

LOGUFE(-1)

1.000000

LOGGSYIH(-1)

0.000000

LOGIMALATSANAYI(-1)

0.000000

-2.420772 (0.06511) [-37.1824]

Error Correction:

D(LOGUFE)D(LOGGSYIH)D(LOGIMALATSANAYI)

CointEq1

-0.007184 (0.00346) [-2.07723]

-0.020296 (0.01846) [-1.09926]

0.008314 (0.00754) [ 1.10311]

D(LOGUFE(-1))

0.446665 (0.12456) [ 3.58580]

0.648331 (0.66503) [ 0.97489]

0.416489 (0.27145) [ 1.53432]

D(LOGGSYIH(-1))

0.002893 (0.02236) [ 0.12940]

-0.207780 (0.11935) [-1.74087]

0.102004 (0.04872) [ 2.09379]

D(LOGIMALATSANAYI(-1)) -0.073846 (0.05600) [-1.31869]

0.624868 (0.29897) [ 2.09006]

0.277380 (0.12203) [ 2.27300]

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

0.180495 0.139519 0.001372 0.004781 4.404963 253.2054 -7.787668 -7.652738 0.002660 0.005155

0.136130 0.092937 0.039100 0.025528 3.151644 146.0048 -4.437650 -4.302720 0.004605 0.026804

0.225593 0.186872 0.006514 0.010420 5.826199 203.3527 -6.229771 -6.094840 -0.000241 0.011555

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.42E-12 1.17E-12 606.6656 -18.45830 -17.91858

[115]

VAR MODELLLERİ İnterval (1,1) Vector Autoregression Estimates Date: 12/03/12 Time: 06:43 Sample (adjusted): 2007M02 2012M06 Included observations: 65 after adjustments Standard errors in ( ) & t-statistics in [ ] LOGGSYIH LOGIMALATSANAYI LOGUFE LOGGSYIH(-1)

0.442438 (0.11086) [ 3.99089]

0.022846 (0.05451) [ 0.41908]

0.000502 (0.02464) [ 0.02036]

LOGIMALATSANAYI(-1)

0.228173 (0.09761) [ 2.33752]

0.932214 (0.04800) [ 19.4213]

0.000962 (0.02170) [ 0.04435]

LOGUFE(-1)

0.800300 (0.16809) [ 4.76102]

-0.030740 (0.08266) [-0.37190]

0.990743 (0.03737) [ 26.5147]

2.222202 (0.48920) [ 4.54253]

0.013414 (0.24056) [ 0.05576]

0.017495 (0.10874) [ 0.16088]

0.916290 0.912174 0.033646 0.023486 222.5701 153.6719 -4.605290 -4.471482 7.940061 0.079248

0.893080 0.887821 0.008136 0.011549 169.8394 199.8103 -6.024931 -5.891123 1.867749 0.034481

0.990543 0.990078 0.001663 0.005221 2129.686 251.4169 -7.612829 -7.479021 2.227273 0.052410

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.68E-12 1.39E-12 610.6010 -18.41849 -18.01707

[116]

Interval (1,2) Vector Autoregression Estimates Date: 12/03/12 Time: 06:44 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] LOGGSYIH LOGIMALATSANAYI LOGUFE LOGGSYIH(-1)

0.456018 (0.12483) [ 3.65299]

0.113944 (0.05775) [ 1.97314]

0.025074 (0.02731) [ 0.91807]

LOGGSYIH(-2)

-0.064826 (0.11736) [-0.55238]

-0.101332 (0.05429) [-1.86655]

0.013818 (0.02568) [ 0.53820]

LOGIMALATSANAYI(-1)

0.846071 (0.26772) [ 3.16034]

1.216341 (0.12384) [ 9.82156]

-0.092382 (0.05857) [-1.57725]

LOGIMALATSANAYI(-2)

-0.613608 (0.25992) [-2.36079]

-0.310920 (0.12024) [-2.58591]

0.070941 (0.05687) [ 1.24753]

LOGUFE(-1)

0.484248 (0.58805) [ 0.82348]

0.493054 (0.27203) [ 1.81251]

1.456366 (0.12865) [ 11.3199]

LOGUFE(-2)

0.352566 (0.62598) [ 0.56322]

-0.520778 (0.28958) [-1.79841]

-0.522093 (0.13695) [-3.81217]

2.541414 (0.53566) [ 4.74445]

0.136193 (0.24779) [ 0.54962]

-0.121161 (0.11719) [-1.03385]

0.925598 0.917766 0.027641 0.022021 118.1847 157.1029 -4.690716 -4.454588 7.942766 0.076791

0.921829 0.913600 0.005915 0.010187 112.0278 206.4407 -6.232521 -5.996393 1.867430 0.034656

0.992118 0.991288 0.001323 0.004818 1195.790 254.3621 -7.730065 -7.493937 2.228654 0.051618

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.02E-12 7.24E-13 622.1043 -18.78451 -18.07613

[117]

Interval (1,3) Vector Autoregression Estimates Date: 12/03/12 Time: 06:46 Sample (adjusted): 2007M04 2012M06 Included observations: 63 after adjustments Standard errors in ( ) & t-statistics in [ ] LOGGSYIH LOGIMALATSANAYI LOGUFE LOGGSYIH(-1)

0.402676 (0.13014) [ 3.09427]

0.154267 (0.05968) [ 2.58486]

0.033927 (0.03000) [ 1.13090]

LOGGSYIH(-2)

-0.140385 (0.13677) [-1.02640]

-0.070817 (0.06273) [-1.12899]

0.004315 (0.03153) [ 0.13684]

LOGGSYIH(-3)

0.139465 (0.11858) [ 1.17616]

-0.046041 (0.05438) [-0.84665]

0.024768 (0.02734) [ 0.90608]

LOGIMALATSANAYI(-1)

0.702363 (0.29689) [ 2.36577]

1.124459 (0.13615) [ 8.25879]

-0.069097 (0.06844) [-1.00959]

LOGIMALATSANAYI(-2)

0.201737 (0.46463) [ 0.43419]

-0.216674 (0.21308) [-1.01685]

-0.004311 (0.10711) [-0.04025]

LOGIMALATSANAYI(-3)

-0.707933 (0.28474) [-2.48628]

-0.032640 (0.13058) [-0.24996]

0.043627 (0.06564) [ 0.66464]

LOGUFE(-1)

0.869587 (0.63857) [ 1.36177]

0.447608 (0.29285) [ 1.52845]

1.381222 (0.14721) [ 9.38273]

LOGUFE(-2)

-0.683836 (1.05958) [-0.64539]

-0.228077 (0.48593) [-0.46937]

-0.348567 (0.24426) [-1.42702]

LOGUFE(-3)

0.634725 (0.68661) [ 0.92444]

-0.272513 (0.31488) [-0.86545]

-0.131969 (0.15828) [-0.83376]

2.563276 (0.62091) [ 4.12828]

0.050718 (0.28475) [ 0.17811]

-0.222396 (0.14314) [-1.55373]

0.931858 0.920287 0.024116 0.021331 80.53174 158.4489 -4.712662 -4.372482 7.944855 0.075553

0.931693 0.920094 0.005072 0.009783 80.32307 207.5615 -6.271794 -5.931614 1.866838 0.034607

0.992011 0.990654 0.001282 0.004917 731.2186 250.8938 -7.647421 -7.307241 2.230012 0.050867

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

[118]

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

9.04E-13 5.38E-13 621.7213 -18.78480 -17.76426

Interval (1,4) Vector Autoregression Estimates Date: 12/03/12 Time: 06:46 Sample (adjusted): 2007M05 2012M06 Included observations: 62 after adjustments Standard errors in ( ) & t-statistics in [ ] LOGGSYIH LOGIMALATSANAYI LOGUFE LOGGSYIH(-1)

0.313533 (0.14014) [ 2.23727]

0.178389 (0.06047) [ 2.94985]

0.031835 (0.03330) [ 0.95587]

LOGGSYIH(-2)

-0.205383 (0.14657) [-1.40130]

-0.078012 (0.06325) [-1.23346]

0.009263 (0.03483) [ 0.26594]

LOGGSYIH(-3)

0.124137 (0.13969) [ 0.88868]

0.051477 (0.06028) [ 0.85399]

0.026822 (0.03320) [ 0.80795]

LOGGSYIH(-4)

0.045130 (0.12288) [ 0.36726]

-0.120445 (0.05303) [-2.27138]

0.008359 (0.02920) [ 0.28623]

LOGIMALATSANAYI(-1)

0.832369 (0.32321) [ 2.57533]

1.022885 (0.13947) [ 7.33398]

-0.082317 (0.07681) [-1.07169]

LOGIMALATSANAYI(-2)

0.012232 (0.48264) [ 0.02534]

-0.270013 (0.20827) [-1.29646]

-0.001163 (0.11470) [-0.01014]

LOGIMALATSANAYI(-3)

-0.076228 (0.47504) [-0.16047]

0.133192 (0.20499) [ 0.64975]

0.059205 (0.11289) [ 0.52443]

LOGIMALATSANAYI(-4)

-0.524550 (0.30526) [-1.71839]

-0.045109 (0.13173) [-0.34245]

-0.016719 (0.07254) [-0.23046]

LOGUFE(-1)

0.891261 (0.65020) [ 1.37076]

0.555316 (0.28057) [ 1.97921]

1.379262 (0.15452) [ 8.92612]

LOGUFE(-2)

-0.339266 (1.08496) [-0.31270]

-0.439290 (0.46819) [-0.93828]

-0.378163 (0.25784) [-1.46665]

LOGUFE(-3)

-0.268601 (1.09671) [-0.24492]

0.417332 (0.47325) [ 0.88184]

0.007521 (0.26063) [ 0.02886]

[119]

LOGUFE(-4)

0.701854 (0.70794) [ 0.99140]

-0.584289 (0.30549) [-1.91261]

-0.127523 (0.16824) [-0.75797]

3.097240 (0.73113) [ 4.23624]

0.155235 (0.31550) [ 0.49203]

-0.263454 (0.17375) [-1.51625]

0.934474 0.918427 0.022253 0.021310 58.23285 157.9311 -4.675197 -4.229185 7.946769 0.074614

0.943012 0.929056 0.004144 0.009196 67.56964 210.0380 -6.356066 -5.910054 1.866210 0.034525

0.991804 0.989797 0.001257 0.005064 494.1193 247.0221 -7.549101 -7.103089 2.231359 0.050137

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

8.24E-13 4.07E-13 620.5296 -18.75902 -17.42098

HENDRY YÖNTEMİ VECTOR ERROR CORRECTİON Vector Error Correction Estimates Date: 12/24/12 Time: 00:34 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LOGGSYIH(-1)

1.000000

LOGIMALATSANAYI(-1)

-0.441256 (0.12396) [-3.55974]

LOGUFE(-1)

-1.396833 (0.08205) [-17.0245]

-4.012721 (0.31211) [-12.8569]

Error Correction:

D(LOGGSYIH) D(LOGIMALAT

[120]

D(LOGUFE)

SANAYI) CointEq1

-0.616022 (0.12044) [-5.11495]

0.024113 (0.05883) [ 0.40987]

0.025759 (0.02751) [ 0.93637]

D(LOGGSYIH(-1))

0.069960 (0.11122) [ 0.62900]

0.083276 (0.05433) [ 1.53274]

-0.000328 (0.02541) [-0.01292]

D(LOGIMALATSANAYI(-1))

0.586095 (0.24619) [ 2.38065]

0.305029 (0.12026) [ 2.53639]

-0.100140 (0.05624) [-1.78074]

D(LOGUFE(-1))

-0.330863 (0.55285) [-0.59847]

0.320425 (0.27006) [ 1.18649]

0.631182 (0.12628) [ 4.99814]

0.386324 0.355640 0.027776 0.021516 12.59047 156.9473 -4.779604 -4.644674 0.004605 0.026804

0.212093 0.172698 0.006628 0.010510 5.383704 202.7996 -6.212489 -6.077558 -0.000241 0.011555

0.134212 0.090923 0.001449 0.004915 3.100341 251.4473 -7.732729 -7.597799 0.002660 0.005155

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.12E-12 9.25E-13 614.2552 -18.69548 -18.15576

D(LOGGSYIH) = C(1)*( LOGGSYIH(-1) - 0.441255670323*LOGIMALATSANAYI(-1) 1.39683328342*LOGUFE(-1) - 4.01272117302 ) + C(2)*D(LOGGSYIH(-1)) + C(3)*D(LOGIMALATSANAYI(-1)) + C(4)*D(LOGUFE(-1))

[121]

Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 12/24/12 Time: 00:38 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments D(LOGGSYIH) = C(1)*( LOGGSYIH(-1) - 0.441255670323 *LOGIMALATSANAYI(-1) - 1.39683328342*LOGUFE(-1) 4.01272117302 ) + C(2)*D(LOGGSYIH(-1)) + C(3)*D(LOGIMALATSANA YI(-1)) + C(4)*D(LOGUFE(-1))

C(1) C(2) C(3) C(4) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient

Std. Error

t-Statistic

Prob.

-0.616022 0.069960 0.586095 -0.330863

0.120435 0.111224 0.246191 0.552852

-5.114955 0.629004 2.380652 -0.598466

0.0000 0.5317 0.0205 0.5518

0.386324 0.355640 0.021516 0.027776 156.9473 2.090185

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.004605 0.026804 -4.779604 -4.644674 -4.726448

Dependent Variable: D(LOGGSYIH) Method: Least Squares Date: 12/24/12 Time: 00:39 Sample (adjusted): 2007M03 2012M06 Included observations: 64 after adjustments D(LOGGSYIH) = C(1)*( LOGGSYIH(-1) - 0.441255670323 *LOGIMALATSANAYI(-1) - 1.39683328342*LOGUFE(-1) 4.01272117302 ) + C(3)*D(LOGIMALATSANAYI(-1))+C(4)

C(1) C(3) C(4) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

-0.557138 0.575507 0.000299

0.101166 0.233847 0.002802

-5.507162 2.461044 0.106792

0.0000 0.0167 0.9153

0.380148 0.359825 0.021446 0.028055 156.6269 18.70530 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[122]

0.004605 0.026804 -4.800841 -4.699643 -4.760974 2.076212

Series: Residuals Sample 2007M03 2012M06 Observations 64

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

-2.42e-17 0.003459 0.047362 -0.051617 0.021103 -0.184460 2.959016

Jarque-Bera Probability

0.367418 0.832178

0 -0.04

-0.02

0.00

0.02

0.04

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared

0.282399 0.299815

Prob. F(1,60) Prob. Chi-Square(1)

0.5971 0.5840

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 12/24/12 Time: 00:40 Sample: 2007M03 2012M06 Included observations: 64 Presample missing value lagged residuals set to zero. Variable

Coefficient

Std. Error

t-Statistic

Prob.

C(1) C(3) C(4) RESID(-1)

0.066347 0.033207 0.000565 -0.109746

0.161071 0.243393 0.003013 0.206517

0.411910 0.136435 0.187463 -0.531412

0.6819 0.8919 0.8519 0.5971

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.004685 -0.045081 0.021573 0.027924 156.7772 0.094133 0.962997

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[123]

-2.42E-17 0.021103 -4.774287 -4.639356 -4.721131 2.028116

Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.157773 0.162525

Prob. F(1,61) Prob. Chi-Square(1)

0.6926 0.6868

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/24/12 Time: 00:41 Sample (adjusted): 2007M04 2012M06 Included observations: 63 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C RESID^2(-1)

0.000467 -0.050722

9.70E-05 0.127697

4.809325 -0.397206

0.0000 0.6926

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.002580 -0.013771 0.000626 2.39E-05 376.3302 0.157773 0.692602

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

[124]

0.000444 0.000622 -11.88350 -11.81546 -11.85674 2.027579