Sosyal bilimlerde bazı veriler sadece “ne kadar” sorusunu değil, “ne zaman” sorusunu da içerir. Örneğin, bir ülkenin yıllara göre işsizlik oranı, bir öğrencinin haftalık motivasyon düzeyi ya da bir sosyal medya kampanyasının günlük etkileşim sayısı… Bu tür veriler için sıradan analizler yeterli olmaz. İşte burada devreye zaman serisi analizi girer.

Bu yazıda, zaman serisi analizinin ne olduğunu, hangi durumlarda kullanıldığını ve temel yöntemlerini sade ve örnekli bir şekilde anlatacağız.

1-Zaman Serisi Nedir?

Zaman serisi, belirli aralıklarla (günlük, haftalık, aylık, yıllık) toplanan ve zaman sırasına göre dizilmiş verilerdir. Bu verilerdeki temel amaç, zaman içindeki değişimi analiz etmek, örüntüleri keşfetmek ve geleceğe yönelik tahminler yapmaktır.

Örnek:
2015–2025 yılları arasında Türkiye’deki üniversite mezunu işsizlik oranları.

2-Zaman Serisi Analizi Ne Zaman Kullanılır?

• Veriler zaman sırasına göre toplanmışsa
• Geçmiş verilerle geleceği tahmin etmek isteniyorsa
• Trend, mevsimsellik veya döngüsel hareketler analiz edilmek isteniyorsa
• Gözlemler birbirine bağımlıysa (örneğin dünün değeri bugünü etkiliyorsa)

3-Temel Bileşenler

1. Trend (Eğilim)

Verinin uzun vadede artma ya da azalma eğilimi göstermesi.

Örnek:
Yıllar içinde artan sosyal medya kullanımı.

2. Mevsimsellik (Seasonality)

Belirli zaman aralıklarında tekrar eden düzenli dalgalanmalar.

Örnek:
Yaz aylarında artan turizm harcamaları.

3. Durağanlık (Stationarity)

Verinin ortalaması ve varyansı zaman içinde sabitse, seri durağandır. Çoğu zaman serisi modeli, durağanlık varsayımı gerektirir.

4-En Sık Kullanılan Yöntemler

1. Hareketli Ortalama (Moving Average)

Verideki kısa vadeli dalgalanmaları yumuşatmak için kullanılır.

2. Otoregresif Modeller (AR)

Geçmiş değerlerin bugünü etkilediği varsayılır.

Model:
Yₜ = β₀ + β₁Yₜ₋₁ + εₜ

3. ARIMA (Autoregressive Integrated Moving Average)

Trend ve durağanlık sorunlarını çözmek için kullanılan güçlü bir modeldir.

ARIMA(p,d,q):

• p: gecikme sayısı
• d: fark alma derecesi (durağanlaştırma)
• q: hareketli ortalama gecikmesi

4. Mevsimsel ARIMA (SARIMA)

ARIMA’nın mevsimsel bileşenleri de içeren versiyonudur.

5-SPSS, Excel ve R ile Zaman Serisi Analizi

• SPSS: Analyze > Forecasting > Create Models
• Excel: Veri > Veri Analizi > Hareketli Ortalama
• R: forecast, tseries, zoo gibi paketlerle ARIMA ve daha fazlası yapılabilir

6-Tezde Zaman Serisi Analizi Nasıl Raporlanır?

“2010–2024 yılları arasındaki işsizlik oranları ARIMA(1,1,1) modeliyle analiz edilmiştir. Modelin tahmin gücü yüksektir (AIC = 123.4). Veride belirgin bir artış trendi gözlenmiştir. Ayrıca yaz aylarında mevsimsel düşüşler tespit edilmiştir.”

7-Sonuç:

Zaman serisi analizi, sadece geçmişi anlamakla kalmaz, geleceği de öngörmenizi sağlar. Sosyal bilimlerde politika analizi, ekonomik göstergeler, eğitim verileri gibi birçok alanda güçlü bir araçtır. Tezinizde zaman boyutu varsa, bu analiz türünü mutlaka değerlendirin.