Bu tez çalışmamzda, durağan olan ve durağan olmayan faktörlerin kullanıldığı faktör modeller icin elastic net tahmin edicilerini kullandık. Elastic net shrinkage tahmin edicileri ailesinin bir üyesidir. Bu ailenin bir üyesi olarakelastic net tahmin edicileri, veri setlerindeki değişmelerden etkilenmezler ve genel olarak, gerçek modelde olandan fazla parametre tahmin etmezler. Belirtilen bu iki özellik faktör sayısı tahminleri icin elastic net tahmin edicilerini bilgi temelli ceza yöntemlerine göre daha tercih edilir yapmaktadır. Temel bileşenler analizi tabanlı algoritmalar durağan olmayan serilerde sadece tek faktör tahmin etmeye eğilimli oldukları için temel bileşenler analizinin regresyon tabanlı optimizasyon algoritması olan seyrek temel bileşenler analizi yöntemini kullandık. Yaplan simülasyonlar elastic net tahmin edicilerinin durağan olan ve durağan olmayan faktörlerin tahmin edilmesindeki performanslarını göstermektedir.

In this thesis, we adopted Elastic Net estimators for selecting true number of factors in factor models with stationary and nonstationary factors. Elastic Net is a member of shrinkage estimators family. As a member of shrinkageestimators family, elastic net estimators are stable to changes in data and in general they do not over parametrize the models. These two properties of elastic net estimators makes elastic net more favourable than informationbased criterion penalty methods for estimating true factor number. Since Principal Components Analysis (PCA) based algorithms always tends to give only single factor for nonstationary data sets, we use Sparse Principal ComponentsAnalysis (SPCA) algorithm which is a regression-type optimization formulation of PCA. Simulations show the performance of Elastic Net estimator for estimation of true factor number with stationary and nonstationary factors cases .

38