Bayes ARDL Sınır Testi
Bayesian Autoregressive Distributed Lag Bounds Test · Ayrıca şöyle bilinir: Bayesian ARDL, Bayesian bounds testing approach, Bayes ARDL cointegration, Bayesian PSS bounds test
Bayes ARDL Sınır Testi, eşbütünleşmeye yönelik klasik Pesaran-Shin-Smith (2001) sınır test yaklaşımını, bir Bayes çıkarım çerçevesine yerleştirerek genişletir. Araştırmacı, sıkılaştırmacı F- ve t-istatistiklerine ve çizelgelenmiş kritik değerlere dayanmak yerine, model parametreleri üzerinde önsel dağılımlar belirler ve sıfırıncı veya birinci dereceden bütünleşik olabilen değişkenler arasındaki uzun dönem seviye ilişkisi hakkında sonsal kanıtlar türetir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayes ARDL sınır testi, klasik asimptotik sınır kritik değerlerinin güvenilmez olduğu kısa-orta vadeli zaman serilerinde (T < 60) uzun dönem ilişkileri incelerken veya önsel ekonomik bilginin çıkarıma resmi olarak girmesi gerektiğinde kullanılır. Özellikle değişkenlerin bütünleşme derecesinin belirsiz olduğu durumlarda (I(0) ve I(1) karışımı) değerlidir, çünkü ARDL yapısı her ikisini de ön test gerektirmeden barındırır. Anlamlı önsel dağılımların belirlenemediği ve düzenleyici veya tekrarlanabilirlik nedenleriyle tamamen sıkılaştırmacı bir yanıtın gerektiği durumlarda; veya seriler I(2) olduğunda, sınır çerçevesi geçerli olmadığından kaçının. Ayrıca hesaplama açısından yoğundur — hızlı bir sıkılaştırmacı sınır testi yeterliyse, bunun yerine klasik ARDL kullanın.
Güçlü yönler & sınırlılıklar
- Herhangi bir ön test gerektirmeden I(0) veya I(1) olabilen regresörleri ele alır.
- Önsel ekonomik bilgiyi resmi olarak dahil ederek, asimptotiklerin zayıf olduğu küçük örneklemlerde çıkarımı iyileştirir.
- Nokta tahminleri ve asimptotik standart hatalar yerine uzun dönem katsayıları için tam sonsal dağılımlar ve güven aralıkları sağlar.
- Sonsal model olasılıkları, belirsiz kritik değer bölgelerinin F-sınırları sorununa tutarlı bir alternatif sunar.
- Gecikme derecesi üzerindeki model belirsizliği, Bayes model ortalaması yoluyla entegre edilebilir, bu da rastgele gecikme seçimini önler.
- Sonuçlar, önsel dağılımların seçimine duyarlıdır; kötü belirlenmiş önsel dağılımlar, özellikle küçük örneklemlerde çıkarımı bozabilir.
- MCMC tahmini hesaplama açısından yoğundur ve yakınsama tanıları gerektirir (iz grafikleri, Gelman-Rubin istatistikleri).
- Çerçeve, herhangi bir değişken I(2) veya daha yüksek dereceden ise geçerli değildir; I(2) için ön tarama hala gereklidir.
- Bayes faktörleri ve sonsal olasılıkların yorumlanması, Bayes akıl yürütme konusunda aşinalık gerektirir, bu da uygulamalı çalışmalarda benimsenmesini sınırlayabilir.
SSS
Bayes sınır testi, bilinmeyen entegrasyon derecesine sahip değişkenleri nasıl ele alır?
Klasik ARDL sınır testi gibi, Bayes sürümü de herhangi bir kombinasyonda I(0) veya I(1) olabilen regresörler için tasarlanmıştır. Hata düzeltme formundaki seviye terimleri eşbütünleşme sinyalini taşır; eşbütünleşmenin sonsal olasılığı her değişkenin derecesi hakkında kesinlik gerektirmez.
Güçlü bir önsel bilgim yoksa hangi önseli seçmeliyim?
Merkezi sıfır ve orta derecede büyük varyansa sahip zayıf bilgilendirici Normal önsel dağılım veya bir Zellner g-önsel dağılımı yaygın olarak önerilir. Seviye terimi katsayıları üzerindeki tamamen düz (uygun olmayan) önsel dağılımlardan kaçının, çünkü bunlar uzun dönem çarpanı için uygun olmayan bir sonsal dağılım üretebilir. Birkaç önsel seçimi üzerinden duyarlılık analizi yapmak iyi bir uygulamadır.
Bayes çerçevesinde eşbütünleşme kanıtını nasıl değerlendiririm?
Seviye terimi katsayılarının ortak olarak sıfırdan farklı olma sonsal olasılığını hesaplayın veya seviye terimleri olan bir model ile olmayan bir model arasında karşılaştırma yapan bir Bayes faktörü oluşturun. 10'un üzerinde bir Bayes faktörü (Jeffreys ölçeğinde) uzun dönemli bir ilişki için güçlü kanıt oluşturur.
Bayes ARDL'yi panel verilerle kullanabilir miyim?
Standart Bayes ARDL sınır testi tek bir zaman serisi için tasarlanmıştır. Panel uzantıları (panel Bayes ARDL) mevcuttur ancak kesitsel heterojenlik ve bağımlılığın ek modellenmesini gerektirir ve ayrı bir yöntemdir.
Klasik ARDL sınır testini ne zaman kullanmalıyım?
Dahil etmek için anlamlı bir önsel bilginiz yoksa, asimptotiklerin çalışması için yeterince büyük bir örneklem (yaklaşık T > 80) varsa ve Bayes yöntemleriyle tanışık olmayan gözden geçirenler tarafından kolayca tekrarlanabilir sonuçlar istiyorsanız, klasik ARDL sınır testi daha basittir ve eşit derecede geçerlidir.
Kaynaklar
- Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326. DOI: 10.1002/jae.616 ↗
- Koop, G. (2003). Bayesian Econometrics. Wiley-Interscience. ISBN: 978-0470845678
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Autoregressive Distributed Lag Bounds Test. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-ardl-bounds-test
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARDL sınır testi (Pesaran sınır testi)Ekonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Bayesci Vektör Hata Düzeltme Modeli (Bayesian VECM)Ekonometri↔ karşılaştır
- Engle-Granger Eşbütünleşme TestiEkonometri↔ karşılaştır
- Doğrusal Olmayan ARDL (NARDL) ModeliEkonometri↔ karşılaştır