Dinamik Değişkenler Arası Bağıntı (Dinamik Panel IV / Arellano-Bond)
Dynamic Panel Instrumental Variables Estimation · Ayrıca şöyle bilinir: Dynamic IV, Dynamic Panel IV, Arellano-Bond GMM, System GMM
Dinamik Değişkenler Arası Bağıntı (Dynamic Instrumental Variables - DIV) tahmini, sonuç değişkeninin kendi geçmiş değerlerine bağlı olduğu panel modellerindeki uç noktaları (endogeneity) ele alır. Birim sabit etkilerini ortadan kaldırmak için önce fark alma ve ardından farkı alınmış gecikmeli sonucu araç değişken olarak kullanma yoluyla, standart En Küçük Kareler (OLS) veya sabit etkiler yöntemlerinin dinamik geri bildirimle yanlı olması durumunda bile tutarlı nedensel tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Panel verileriniz olduğunda, sonuç değişkeni gerçek durum bağımlılığı sergilediğinde (kendi geçmiş değeri modelde yer almalıdır) ve temel regresörler endojen olduğunda Dinamik IV kullanın. T'nin 4 ile 20 periyot arasında olduğu ve N'nin orta ila büyük olduğu makro-paneller ve firma düzeyindeki paneller için uygundur. T çok kısa olduğunda (4 periyottan az olması araç değişkenleri çok zayıf yapar), sonuç gerçekten dinamik olmadığında, N çok küçük olduğunda veya araç değişkenler N'ye göre çok fazlaysa (araç değişken çoğalması birinci aşamayı aşırı uydurur ve J-testini anlamsız kılar) kullanmayın.
Güçlü yönler & sınırlılıklar
- İki yanlılık kaynağını aynı anda ele alır: birim sabit etkileri ve gecikmeli sonuç ile diğer regresörlerin uç noktaları.
- Harici araç değişken gerektirmeyen, panel verilerinden türetilen dahili olarak oluşturulmuş bir araç değişken kümesinden yararlanır.
- Sistem GMM (Blundell-Bond), seri yüksek derecede kalıcı olduğunda fark GMM'sine göre hassasiyeti önemli ölçüde artırır.
- Gecikmelerini ek araç değişkenler olarak dahil ederek birden fazla endojen regresörün esnek modellenmesine izin verir.
- Araç değişkenlerin geçerliliği, Arellano-Bond AR testleri ve Sargan-Hansen istatistikleri aracılığıyla doğrudan test edilebilir.
- Performans, T küçük olduğunda (3'e yakın) keskin bir şekilde bozulur, çünkü araç değişken kümesi parametreleri iyi tanımlamak için çok seyrektir.
- Araç değişken çoğalması gerçek bir tehlikedir: tüm mevcut gecikmeleri kullanmak çok fazla moment koşulu yaratır, Sargan-Hansen testini zayıflatır ve birinci aşamayı aşırı uydurur.
- Sistem GMM, tüm uygulamalarda geçerli olmayabilecek ilk koşulların istasyonelliği hakkında ek bir varsayım gerektirir.
- Tahminci model belirlemesine duyarlıdır; yanlış belirlenmiş dinamikler veya dışarıda bırakılmış seri korelasyonlu değişkenler araç değişkenleri geçersiz kılar.
SSS
Gecikmeli sonucu dahil ettiğimde neden sadece panel sabit etkilerini kullanamıyorum?
Gecikmeli bağımlı değişkenli grup içi sabit etkiler tahmini, Nickell yanlılığı üretir: ortalaması alınmış gecikme, ortalaması alınmış hata ile ilişkilidir, otoregresif katsayısını aşağı doğru yanlı hale getirir ve diğer katsayıları bozar. Yanlılık 1/T mertebesindedir ve T küçük olduğunda şiddetlidir.
Fark GMM'si ile sistem GMM'si arasındaki fark nedir?
Fark GMM'si (Arellano-Bond), farkı alınmış denklemde gecikmeli seviyeleri araç değişken olarak kullanır. Sistem GMM'si (Blundell-Bond), ek olarak seviye denkleminde gecikmeli farkları araç değişken olarak kullanır ve daha fazla moment koşulundan yararlanır. Sistem GMM'si, özellikle seri yüksek derecede kalıcı olduğunda daha verimlidir, ancak ilk koşulların istasyonelliğini gerektirir.
Araç değişkenlerimin geçerli olup olmadığını nasıl anlarım?
Farkı alınmış kalıntılar üzerinde Sargan-Hansen J-testini ve Arellano-Bond AR(1) ve AR(2) testlerini çalıştırın. Farklardaki AR(1) beklenir ve araç değişkenleri geçersiz kılmaz. AR(2) anlamlıysa, hatalar seri olarak ilişkilidir ve t-2 zamanlı araç değişkenler geçersizdir — t-3 veya daha ileri gecikmelere geri dönün.
Araç değişken olarak kaç gecikme kullanmalıyım?
Gerektiği kadar az. Yaygın bir kural, araç değişken sayısını N'nin altında tutmaktır. Bir veya iki gecikme derinliğiyle sınırlamak (örneğin, yalnızca 2 ve 3 gecikmeleri) araç değişken çoğalmasını önler. Araç değişken matrisini her değişken-gecikme için tek bir sütuna sıkıştırmak da etkili bir stratejidir.
Hangi standart hataları raporlamalıyım?
Windmeijer'in (2005) sonlu örneklem düzeltilmiş standart hatalarıyla iki adımlı GMM kullanın. Tek adımlı standart hatalar tutarlıdır ancak daha az verimlidir; naive iki adımlı standart hatalar, Windmeijer düzeltmesi olmadan sonlu örneklemlerde ciddi şekilde aşağı doğru yanlıdır.
Kaynaklar
- Arellano, M., & Bond, S. (1991). Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations. Review of Economic Studies, 58(2), 277-297. DOI: 10.2307/2297968 ↗
- Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143. DOI: 10.1016/S0304-4076(98)00009-8 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Panel Instrumental Variables Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/dynamic-instrumental-variables
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İki Aşamalı En Küçük Kareler (2SLS / IV) RegresyonuEkonometri↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Panel Veri Ara Değişkenleri (Panel IV / 2SLS)Nedensel çıkarım↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır