160. Trend ve Döngü Süzgeçleri (HP, Baxter–King, Christiano–Fitzgerald, Hamilton, Butterworth)
Analiz kimliği: trend_dongu_filtreleri · Menü adı: Trend ve döngü filtreleri (HP / BK / CF / Hamilton / Butterworth) · Panel: gui/panels/analyses/trend_dongu_filtreleri_panel.py · Motor: stats/trend_dongu_filtreleri.py, calistir (satır 256–); HP çift taraflı hp_iki_tarafli (72–78), tek taraflı hp_tek_tarafli (81–106); Baxter–King bk_agirlik, bk_dongu (109–128); Christiano–Fitzgerald cf_asimetrik, cf_simetrik (131–172); Hamilton hamilton (175–189); Butterworth bw_tan, bw_sin (192–211)
160.1 Ne işe yarar
Bir zaman serisini trend (uzun dönem) ve döngü (kısa dönem dalgalanma) bileşenlerine ayırır. İktisatta GSYH'nin potansiyel düzeyini ve çıktı açığını, finansta kredi döngüsünü ayırmak için kullanılır. Altı süzgeç sunar:
- Hodrick–Prescott (HP), çift ve tek taraflı: trendi düzleştirme parametresi \lambda ile belirler.
- Baxter–King (BK): belirli bir dönem aralığındaki (örn. 6–32 çeyrek) dalgalanmaları geçiren bant geçiren süzgeç.
- Christiano–Fitzgerald (CF): asimetrik ya da simetrik bant geçiren süzgeç; uçlarda veri kaybı yok.
- Hamilton (2018) regresyon süzgeci: y_{t+h}'nin y_t,\dots,y_{t-p+1}'e regresyonunun kalıntısı döngüdür.
- Butterworth: alçak geçiren (trend) süzgeç; sayısal ya da matris biçimi.
- D: ikinci fark işleci; \lambda düzleştirme parametresi (büyük \lambda daha düz trend).
- Çift taraflı HP tüm örneklemi, tek taraflı HP yalnız y_1,\dots,y_t'yi kullanır.
Ne zaman kullanılır? Çıktı açığı, iş çevrimi tarihlemesi, döngü özelliklerinin (oynaklık, kalıcılık) karşılaştırılması.
Ne zaman kullanılmaz?
- Trendin yapısı bir model olarak aranıyorsa: Yapısal Zaman Serisi Modelleri (145) ya da STL (137).
- Hamilton (2018) HP'ye karşı uyarır: HP sahte döngü üretebilir ve uç noktalarda tutarsızdır; bu analiz karşılaştırma için tüm süzgeçleri birlikte verir.
- Gerçek zamanlı karar için çift taraflı süzgeçler kullanılamaz (gelecek bilgisi içerir); tek taraflı HP ve Hamilton uygundur.
Sık karıştırılan analizler. Trend ve döngü ayrıştırması model değil süzgeçtir: sonuç süzgece ve parametreye bağlıdır. Birim kök testleri (148) serinin kalıcılığını sınar.
160.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Eşit aralıklı, eksiksiz seri | Yıllık, üç aylık, aylık. | Ortada eksik değer hata. |
| Yeterli uzunluk | Süzgeçlere göre. | Kısa seride hata (MACRO.head(5) testi). |
| Yıllık gözlem sayısı m | \lambda ve dönem aralıkları buna bağlı. | Sıklık seçilir ya da girilir. |
| Döngü bileşeni durağan | Yorumun varsayımı. | Denetlenmez. |
Eksik değer ve zaman. Zaman sütunu verilirse seri sıralanır ve etiketler oradan okunur. Uç durumlar: BK uçlardan K gözlem kaybeder (NaN); tek taraflı HP ilk iki gözlemde tanımsızdır; Hamilton ilk h+p-1 gözlemi kaybeder.
160.3 Parametreler
Varsayılanlar trend_dongu_filtreleri_panel.py içindeki read_options kodundan okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Seri, zaman | — | Süzülecek seri; zaman etiketi. | — |
| Veri sıklığı, yıllık gözlem | Çeyreklik, 4 | Yıllık 1, çeyreklik 4, aylık 12 ya da özel. | \lambda, dönem aralığı, h,p. |
| Dönüşüm | Yok | Yok, log, 100\ln vb. | Döngü yüzde puan olur. |
| Süzgeçler | hepsi açık | HP, HP tek taraflı, BK, CF, Hamilton, Butterworth. | — |
| \lambda seçimi | Ravn–Uhlig | Ravn–Uhlig, sıklık değeri, özel. | HP trendi. |
| Alt, üst dönem | 0 (otomatik) | BK ve CF dönem aralığı. | Bant. |
| BK K | 0 (otomatik) | Kesim uzunluğu. | Kayıp gözlem. |
| CF türü, trend | Asimetrik, kayma | Asimetrik/simetrik; kayma çıkarılır. | CF. |
| Hamilton h, p | 0 (otomatik) | İleri ufuk ve gecikme. | Hamilton. |
| Butterworth biçimi, derece, kesim | Sayısal, 2, otomatik | Sayısal ya da matris. | Butterworth. |
Koddaki tercih: \lambda varsayılanı Ravn–Uhlig
\lambda=6{,}25\,m^4 (m yıllık gözlem sayısı) varsayılandır: yıllık 6{,}25, üç aylık 1600, aylık 129600. Üç aylık 1600 Hodrick ve Prescott (1997) değeridir; yıllık 100 ve aylık 14400 yaygın yazılım değerleridir, dördüncü kuvvet kuralıyla uyuşmaz ve seçenek olarak durur. BK K=12 (üç aylık), yıllıkta 3, aylıkta 36; Hamilton için üç aylık h=8, p=4. Butterworth derecesi ve kesim dönemi için kaynak yoktur, kullanıcı seçer (trend_dongu_filtreleri.py:11–30).
160.4 Veri örneği
Tıp veri setinde uzun bir iktisadi seri bulunmadığından, ABD makroekonomik verisi kullanılır (statsmodels macrodata; MerQur test klasöründe tests/data/trend_dongu_macrodata.csv; 1959Q1–2009Q3; n=203 çeyrek): realgdp (reel GSYH). Seri 100\ln ile dönüştürülür; döngü yüzde puan sapma olur. Soru: reel GSYH'nin döngüsü süzgece göre ne kadar değişir? Ayarlar: üç aylık, \lambda=1600 (Ravn–Uhlig), BK 6–32 ve K=12, CF asimetrik (kayma çıkarılmış), Hamilton h=8, p=4, Butterworth sayısal (derece 2, kesim 32).
160.5 Formüller ve hesap adımları
160.5.1 HP
Çift taraflı: \tau=(I+\lambda D'D)^{-1}y. Tek taraflı: yerel doğrusal trend modelinin (sinyal/gürültü oranı 1/\lambda) Kalman süzgeci; t\ge3 için süzülmüş trend (ilk iki gözlem NaN); sonuç y_{1..t} üzerinde çift taraflı HP'nin son noktasına eşittir (Stock ve Watson, 1999; Harvey ve Jaeger, 1993).
160.5.2 Baxter–King
İdeal bant geçiren ağırlıklar, \omega_1=2\pi/p_{\ddot u},\ \omega_2=2\pi/p_{alt}, K gecikme:
Döngü c_t=\sum_{j=-K}^{K}w_jy_{t-j}; her uçtan K gözlem kaybolur.
160.5.3 Christiano–Fitzgerald
Asimetrik rastgele yürüyüş süzgeci: örneklemin tamamını kullanır; kayma (y_t-\hat\mu t) önce çıkarılabilir. Simetrik seçenek de vardır (Christiano ve Fitzgerald, 2003; cf_asimetrik, cf_simetrik).
160.5.4 Hamilton
Üç aylık h=8 (2 yıl), p=4 (1 yıl); ilk h+p-1 gözlem kaybolur (Hamilton, 2018).
160.5.5 Butterworth
Sayısal: sıfır fazlı alçak geçiren (filtfilt), kesim 2/\text{kesim}. Matris (sin) biçimi: \tau=(I+\lambda\,D_d'D_d)^{-1}y, \lambda=(2\sin(\pi/\text{kesim}))^{-2d}; d=2 için HP ile aynıdır (Gómez, 2001).
Bant geçiren süzgeçlerde trend tanımı
BK ve CF'de trend y- döngü olarak tanımlıdır ve gürültüyü de içerir; bu yüzden döngü ve trend payları HP'dekilerle birebir karşılaştırılmamalıdır (çıktı notu).
160.6 Elle hesap
Bağımsız numpy betiği (dogrulama/cilt9/trend.py). y=100\ln(\text{realgdp}), n=203.
Adım 1 — HP, çift taraflı. (I+1600D'D) yoğun matris olarak çözülür; döngü standart sapması s_c=1{,}5439 (n-1 paydalı).
Adım 2 — BK. Ağırlıklar B_j (K=12, 6–32 dönem), ortalaması çıkarılır (\sum w=0); 203-2\times12=179 gözlem; s_c=1{,}4105.
Adım 3 — Hamilton. y_{t+8} üzerine (1,y_t,y_{t-1},y_{t-2},y_{t-3}) regresyonu; 192 gözlem; kalıntı s=3{,}1666.
160.6.1 Doğrulama: MerQur, Python ve R
| Süzgeç (döngü SS) | MerQur | Bağımsız Python | statsmodels | Sonuç |
|---|---|---|---|---|
| HP çift taraflı | 1,544 | 1,543904 | 1,543904 | ✓ |
| Baxter–King (179 gözlem) | 1,411 | 1,410514 | 1,410514 | ✓ |
| Hamilton (192 gözlem) | 3,167 | 3,166614 | — | ✓ |
Test takımı ayrıca yoğun matris tersini, tanımdan EKK'yi (Hamilton), scipy frekans yanıtını (Butterworth) ve tek taraflı HP için kesilmiş örneklem HP'sini kullanır (tests/data/trend_dongu_ref.json; tests/test_v280_trend_dongu_filtreleri.py). R bu çalışmada kullanılmamıştır; doğrulama bağımsız Python ve statsmodels iledir.
160.7 Çıktıyı okuma
Süzgeç özeti: döngü ve varyans payları
Süzgeç Ayar Geçerli gözlem İlk Son Döngü SS Döngü payı
Hodrick-Prescott (çift taraflı) λ = 1600 203 1959Q1 2009Q3 1.544 0.0011
Hodrick-Prescott (tek taraflı) λ = 1600 201 1959Q3 2009Q3 1.585 0.0012
Baxter-King 6-32, K = 12 179 1962Q1 2006Q3 1.411 0.0012
Hamilton (2018) h = 8, p = 4 192 1961Q4 2009Q3 3.167 0.0054
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Ayar | \lambda, bant, K, h,p, kesim. | Süzgecin parametreleri. |
| Geçerli gözlem, ilk, son | Süzgecin ürettiği dönem. | BK uçlardan kayıp, Hamilton baştan kayıp. |
| Döngü SS | Döngünün standart sapması. | Yüzde puan (seri 100\ln ise). |
| Döngü, trend, kovaryans payları | Varyans ayrışımı. | Toplamı 1. |
| Döngü otokorelasyonu (1) | Birinci gecikme. | Yüksek: kalıcı döngü. |
Bu örnekte HP, BK, CF ve Butterworth döngü sapması 1{,}3–1{,}6 puan aralığındadır; Hamilton'ın döngüsü 3{,}17'dir. Fark süzgeçlerin döngüyü farklı tanımlamasındandır: Hamilton'ın döngüsü iki yıl ilerisi tahmin hatasıdır ve daha geniş dalgalanmayı da içerir.
Reel GSYH serisi (203 çeyrek, m=4) altı süzgeçle trend ve döngü bileşenlerine ayrıştırıldı; döngünün standart sapması HP =1{,}54, tek taraflı HP =1{,}58, BK =1{,}41, CF =1{,}50, Hamilton =3{,}17, Butterworth =1{,}33 yüzde puan bulundu.
160.8 Uzman soruları
S1. HP'de \lambda neden 6{,}25\,m^4?
Ravn ve Uhlig (2002) gözlem sıklığı değişince \lambda'nın dördüncü kuvvetle ölçeklenmesi gerektiğini gösterir; m=4 için 1600'dür. Karesel ölçekleme (yıllık 100, aylık 14400) yaygın ama kuramla uyuşmaz.
S2. HP neden eleştiriliyor?
Hamilton (2018): HP sahte dinamikler üretir, uçlarda tutarsızdır ve \lambda keyfidir. Önerdiği regresyon süzgeci h adım ilerisi tahmin hatasını döngü sayar.
S3. Tek taraflı ve çift taraflı HP farkı?
Çift taraflı örneklemin tamamını kullanır (gelecek bilgisi içerir); tek taraflı yalnız y_{1..t}'yi kullanır (gerçek zamanlı). Çift taraflı HP'nin son noktası tek taraflıya eşittir.
S4. BK neden uçlardan gözlem kaybediyor?
Simetrik 2K+1 ağırlıklı bir hareketli ortalamadır; ilk ve son K gözlemde tam pencere yoktur. CF bunun yerine asimetrik süzgeçle tüm örneklemi kullanır.
S5. Butterworth derecesi ve kesim neden seçeneğe bırakıldı?
Bunlar için yayımlanmış tek bir varsayılan yoktur (Gómez, 2001 biçimleri tanımlar, varsayılan önermez). Matris biçimi d=2 iken HP ile aynıdır.
S6. Başka yazılımlarla fark?
HP ve BK statsmodels ile aynıdır. \lambda varsayılanı yazılımdan yazılıma değişir; MerQur Ravn–Uhlig'i varsayılan alır ve aylık 14400 değerini seçenek olarak sunar.
160.9 Sık hatalar ve tuzaklar
- \lambda'yı sıklığa uymadan seçmek. Aylık seride 1600 kullanmak trendi aşırı esnek bırakır.
- Çift taraflı HP ile gerçek zamanlı döngü yorumlamak. Uç noktalar güvenilmez.
- BK ve CF'nin trendini HP trendiyle karşılaştırmak. Gürültüyü de içerir.
- Sahte döngüyü gerçek saymak. Hamilton süzgeciyle karşılaştırın.
- Dönüşümü unutmak. Seri düzeyde ise döngü ölçeği seriye bağlıdır.
160.10 Kaynaklar
- Hodrick, R. J., & Prescott, E. C. (1997). Postwar U.S. business cycles: An empirical investigation. Journal of Money, Credit and Banking, 29(1), 1–16. https://doi.org/10.2307/2953682
- Ravn, M. O., & Uhlig, H. (2002). On adjusting the Hodrick–Prescott filter for the frequency of observations. Review of Economics and Statistics, 84(2), 371–376. https://doi.org/10.1162/003465302317411604
- Baxter, M., & King, R. G. (1999). Measuring business cycles: Approximate band-pass filters for economic time series. Review of Economics and Statistics, 81(4), 575–593. https://doi.org/10.1162/003465399558454
- Christiano, L. J., & Fitzgerald, T. J. (2003). The band pass filter. International Economic Review, 44(2), 435–465. https://doi.org/10.1111/1468-2354.t01-1-00076
- Hamilton, J. D. (2018). Why you should never use the Hodrick–Prescott filter. Review of Economics and Statistics, 100(5), 831–843. https://doi.org/10.1162/rest_a_00706
- Stock, J. H., & Watson, M. W. (1999). Business cycle fluctuations in US macroeconomic time series. In J. B. Taylor & M. Woodford (Eds.), Handbook of macroeconomics (Vol. 1, pp. 3–64). Elsevier.
- Harvey, A. C., & Jaeger, A. (1993). Detrending, stylized facts and the business cycle. Journal of Applied Econometrics, 8(3), 231–247. https://doi.org/10.1002/jae.3950080302
- Gómez, V. (2001). The use of Butterworth filters for trend and cycle estimation in economic time series. Journal of Business & Economic Statistics, 19(3), 365–373. https://doi.org/10.1198/073500101681019909
- Butterworth, S. (1930). On the theory of filter amplifiers. Experimental Wireless and the Wireless Engineer, 7, 536–541.