DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Lisans
DERSİN YILI	4
YARIYIL	-
AKTS	5
ÖĞRETİM ELEMAN(LAR)I	Profesör Doktor Mehmet Güray Ünsal
DERSİN ÖĞRENME KAZANIMLARI	Bu dersin sonunda öğrenciler; 1) Regresyon modellerini ve Zaman serilerini tanımayı, serinin özelliğine göre öngörü modelleri geliştirmeyi öğrenecektir. 2) Modeller arasından iyi olanın belirlenmesini ve iyi model aracılığı ile öngörü değerlerini hesaplayabilecektir.
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	Yok
DERS TANIMI
DERS İÇERİĞİ	HAFTA KONULAR 1. Hafta Kovaryans, Korelans Katsayıları 2. Hafta Regresyona Giriş 3. Hafta Basit Doğrusal Regresyon Yöntemi 4. Hafta Çoklu Doğrusal Regresyon 5. Hafta Çoklu Doğrusal Regresyon Uygulama 6. Hafta Performans Göstergeleri 7. Hafta Çoklu Doğrusal Bağıntı Problemleri 8. Hafta Ara sınav 9. Hafta Zaman Serileri Analizine Giriş 10. Hafta Hareketli Ortalamalar 11. Hafta Üstel Düzleştirme 12. Hafta Zaman Serileri ve Regresyon Uygulamaları 13. Hafta Zaman Serileri Analizi Bilgisayar Uygulamaları 14. Hafta Zaman Serileri Analizi Bilgisayar Uygulamaları
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	Introduction to Time Series Analysis and Forecasting, Yaffee R. A. ve McGee, M. (2000) Regression Models for Time Series Analysis, Kedem, B., Fokianos, Konstantinos, (2002), (Wiley and Sons)
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Anlatım,Tartışma
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ	Sayısı Toplam Katkısı(%) Ara Sınav 1 40 Mini-Sınav 4 10 Toplam(%) 50 Yıl İçinin Başarıya Oranı(%) 50 Finalin Başarıya Oranı(%) 50 Toplam(%) 100
AKTS İŞ YÜKÜ	Aktivite Sayı Süresi(Saat) İş Yükü Ara Sınav 1 2 2 Kısa Sınavlara hazırlık 4 2 8 Sınıf Dışı Ders Çalışma Süresi 14 4 56 Final Sınavına Hazırlık 1 20 20 Ders Saati 14 3 42 Ara Sınava Hazırlık 1 17 17 Laboratuvar Final Sınavı 1 2 2 Ödevler Kısa Sınavlar 4 1 4 Toplam İş Yükü 151 Toplam İş Yükü / 30 5,03 Dersin AKTS Kredisi 5
DİL	Türkçe
STAJ / UYGULAMA	Yok