Arellano-Bond GMM Tahmincisi
Arellano-Bond Generalized Method of Moments Estimator · Ayrıca şöyle bilinir: AB-GMM, Difference GMM, first-difference GMM, Arellano-Bond estimator
Arellano-Bond GMM tahmincisi, bağımlı değişkenin gecikmeli değerinin bir regresör olarak göründüğü dinamik panel veri modelleri için standart yaklaşımdır. Sabit etkileri gidermek için birinci fark alma ve daha derin gecikmeleri araç değişken olarak kullanma yoluyla, hata serisel olarak ilişkili olduğunda ve regresörler endojen olduğunda bile tutarlı tahminler verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+12 tane daha
Ne zaman kullanılır
Aşağıdaki durumlarda Arellano-Bond tahmincisini kullanın: (1) orta derecede büyük sayıda birey (N) ve kısa bir zaman boyutuna (T) sahip panel verileriniz varsa, (2) bağımlı değişkenin gecikmeli değeri modelde yer alıyorsa ve (3) bazı regresörler muhtemelen endojen ise. T küçük olduğunda (T < 10) uygun bir seçimdir çünkü Sistem GMM bu durumda zayıf araç değişkenlerden muzdarip olabilir. T, N'ye göre büyük olduğunda kullanmaktan kaçının, çünkü araç değişken sayısı patlar ve aşırı tanımlama testleri güç kaybeder — sabit etkili IV veya Sistem GMM tercih edilebilir. Gerçek bir dinamik ilişki olmadığında veya araç değişkenler zayıf olduğunda (ilk aşama F istatistikleriyle test edin) da kaçının.
Güçlü yönler & sınırlılıklar
- Regresörlerle ilişkisiz oldukları varsayılmadan bireysel sabit etkileri ortadan kaldırır.
- Harici veri gerektirmeden içsel araç değişkenleri (gecikmeli seviyeler) kullanarak endojen regresörleri ele alır.
- Seçilen moment koşulları altında asimptotik olarak verimlidir; iki adımlı GMM, yarı-parametrik verimlilik sınırına ulaşır.
- Aşırı tanımlanmış kısıtlamaları (Sargan-Hansen J) ve seri korelasyonu (AR(1), AR(2)) model geçerliliğini kontrol etmek için resmi olarak test eder.
- Stata (xtabond2), R (plm, pgmm) ve Python (linearmodels) içinde yaygın olarak uygulanmış olup, tekrarlanabilirliği kolaylaştırır.
- Araç çoğalması: T büyüdüğünde, araç sayısı birey sayısını aşabilir, bu da Sargan testini güvenilmez hale getirir ve katsayı tahminlerini hassaslaştırır. Gecikmeleri collapse seçeneği ile sınırlayın.
- Kısa panellerde zayıf araçlar: otoregresif katsayı birliğe yakın olduğunda gecikmeli seviyeler birinci farkların zayıf tahmincileri olabilir, bu da tahminleri OLS'ye doğru yanlı hale getirir. Seviye denklemleriyle Sistem GMM yardımcı olabilir.
- İki adımlı standart hatalar, Windmeijer'in sonlu örneklem düzeltmesi olmadan küçük örneklemlerde ciddi şekilde aşağı doğru yanlıdır.
- Seviyelerdeki ikinci dereceden seri korelasyon olmadığını varsayar; orijinal hata AR(1) ise, AR(2) testi reddedilir ve tahminci geçersiz olur.
SSS
Arellano-Bond ve Sistem GMM arasındaki fark nedir?
Arellano-Bond (Fark GMM), yalnızca birinci fark denklemlerini gecikmeli seviyelerle araçlandırarak kullanır. Sistem GMM (Blundell-Bond 1998), gecikmeli farklarla araçlandırılmış seviye denklemlerini ekler; bu, otoregresif parametrenin bire yakın olduğu durumlarda verimliliği artırır ancak başlangıç koşulları üzerinde ek bir durağanlık varsayımı gerektirir.
Çok fazla aracım olduğunu nasıl anlarım?
Pratik bir kural, araç sayısının birey sayısından (N) az olması gerektiğidir. Ayrıca şunları da kontrol edebilirsiniz: Sargan p-değeri şüpheli derecede yüksekse (örneğin > 0.99), test araç çoğalması nedeniyle zayıflamıştır. xtabond2'de collapse seçeneğini kullanın veya gecikme derinliğini sınırlayın.
Anlamlı bir AR(2) testi ne anlama gelir?
Birinci fark artıklarındaki anlamlı bir AR(2) istatistiği, ikinci dereceden seri korelasyonu gösterir; bu da kullanılan gecikmeli seviyelerin hata ile ilişkili olduğu anlamına gelir. Bu, tahminciyi geçersiz kılar. Üç veya daha fazla dönem gecikmeli araç değişkenleri kullanmalı ve yeniden test etmelisiniz.
Dengesiz panellerle Arellano-Bond kullanabilir miyim?
Evet. Tahminci, dengesiz panelleri barındırır: her birey mevcut zaman periyotlarını moment koşullarına katkıda bulunur, bu nedenle paneldeki boşluklar o birey için araç sayısını azaltır ancak yaklaşımı bozmaz.
Tek adımlı mı yoksa iki adımlı GMM mi kullanmalıyım?
İki adımlı GMM asimptotik olarak daha verimlidir, ancak standart hataları sonlu örneklemlerde ciddi şekilde aşağı doğru yanlıdır. Her zaman Windmeijer'in (2005) sonlu örneklem düzeltmesini (xtabond2'de varsayılan) uygulayın. Bu düzeltme ile, sağlam standart hatalara sahip iki adımlı GMM genellikle tek adımlı GMM'ye tercih edilir.
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 ↗
- Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. Stata Journal, 9(1), 86-136. DOI: 10.1177/1536867X0900900106 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Arellano-Bond Generalized Method of Moments Estimator. ScholarGate. https://scholargate.app/tr/econometrics/arellano-bond-gmm-estimator
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond Tahmincisi Olarak Fark GMMEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Panel Sistem GMM (Blundell-Bond Tahmincisi)Ekonometri↔ karşılaştır