Bayesian NARDL: Bayesian Tahmin ile Doğrusal Olmayan ARDL
Bayesian Nonlinear Autoregressive Distributed Lag Model · Ayrıca şöyle bilinir: Bayesian NARDL, Bayesian nonlinear ARDL, Bayesian asymmetric ARDL, B-NARDL
Bayesian NARDL, Shin, Yu ve Greenwood-Nimmo'nun (2014) Doğrusal Olmayan Gecikmiş Dağıtılmış Otoregresif (Nonlinear Autoregressive Distributed Lag) çerçevesini Bayesci sonsal çıkarım ile birleştirir. Asimetrik uzun-dönem eşbütünleşmeyi modeller — bir açıklayıcı değişken üzerindeki pozitif ve negatif şokların farklı denge etkilerine sahip olmasına izin verir — önsel bilgiyi dahil ederken ve asimetri boşluğu dahil olmak üzere tüm parametreler üzerinde tam sonsal dağılımlar üretirken.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ekonomik veya finansal zaman serilerinizin makul bir şekilde asimetrik uzun-dönem ayarlaması sergilediği — örneğin, petrol fiyatları, döviz kurları veya emtia fiyatlarının yükselişlere ve düşüşlere farklı tepki verdiği — ve önsel bilgiyi dahil etmek veya nokta tahminleri yerine tam sonsal çıkarım elde etmek istediğinizde Bayesian NARDL'yi kullanın. Özellikle klasik NARDL tahminlerinin kararsız olduğu kısa serilerde (T < 80) veya parametre belirsizliğini tahminlere yaymak istediğinizde kullanışlıdır. İlişkinin teorik olarak simetrik olduğu ve ayrı yönlü etkileri modellemek için makul bir nedenin bulunmadığı durumlarda veya seri gecikme yapısını hiç belirleyemeyecek kadar kısa olduğunda (T < 40) kullanmayın. Yöntem dikkatli önsel seçimi gerektirir; bilgisiz önsel'ler bile örtük bir düzenlileştirme uygulayabilir ve bu gerekçelendirilmelidir.
Güçlü yönler & sınırlılıklar
- Asimetrik uzun-dönem eşbütünleşmeyi yakalar: pozitif ve negatif şoklar farklı denge etkilerine sahip olabilir.
- Tüm parametreler, asimetri karşıtlıkları dahil olmak üzere tam sonsal dağılımlar, ilkeli belirsizlik ölçümüne izin verir.
- Teoriden veya önceki çalışmalardan gelen önsel bilgi resmi olarak dahil edilebilir, kısa veya gürültülü seriler için tahminleri stabilize eder.
- Bayesci model karşılaştırması (Bayes faktörleri, WAIC), simetrik ARDL'yi asimetrik NARDL belirtimleriyle karşılaştırmak için tutarlı bir çerçeve sağlar.
- Dinamik çarpanlar, sonsal güven bantlarıyla izlenebilir, bu da klasik nokta tahminlerinden daha zengin dürtü-tepki analizi sağlar.
- MCMC gerektiğinde hesaplama açısından yoğundur; çözülebilirlik önsel seçimine ve seri uzunluğuna bağlıdır.
- Önsel seçimi önemsiz değildir: kötü belirlenmiş önsel'ler olasılık fonksiyonunu domine edebilir ve sonsal çıkarımı gerçek dışı asimetriye doğru yanlı hale getirebilir.
- Gecikme mertebesi seçimi, tahminle birlikte veya öncesinde yapılmalıdır; gecikme yapısının yanlış belirtilmesi tüm sonsal özetlere yayılır.
- Sonuçlar, kısmi toplam ayrıştırmasının verilerle gerekçelendirilip gerekçelendirilmediğine duyarlıdır; doğası gereği simetrik süreçlere NARDL uygulamak, hiçbir kazanç sağlamadan model karmaşıklığını artırır.
- Yazılım desteği, klasik NARDL'ye göre daha sınırlıdır; araştırmacılar genellikle toplu rutinlere güvenmek yerine R veya Python'da MCMC örnekleyicileri kodlarlar.
SSS
Bayesian NARDL, klasik NARDL'den nasıl farklıdır?
Klasik NARDL, hata düzeltme formunu tahmin etmek için OLS kullanır ve asimetri için asimptotik Wald testlerine ve eşbütünleşme için sınır testlerine dayanır. Bayesian NARDL, tüm parametrelere önsel dağılımlar yerleştirir ve belirsizliği ölçmek için sonsal'ı kullanır; bu, klasik t ve F istatistiklerinin zayıf boyuta ve güce sahip olduğu kısa örneklemlerde özellikle değerlidir.
Uzun-dönem çarpanları için hangi önsel'i kullanmalıyım?
Güçlü bir teorik beklenti olmadığında, sıfır merkezli ve orta varyanslı zayıf bilgilendirici bir Normal önsel, yaygın bir başlangıç noktasıdır. Teori pozitif bir uzun-dönem esnekliği ima ediyorsa, kütlenin çoğunu pozitif değerlere atayan bir önsel uygundur. Farklı önsel ölçekleriyle modeli yeniden çalıştırarak her zaman bir önsel-duyarlılık analizi yapın.
Bayesian NARDL'de sınırlama testine hala ihtiyacım var mı?
Bayes faktörleri veya WAIC kullanarak bir modelle (seviye terimleri olmadan) bir modelin karşılaştırılması, eşbütünleşme için sıkça kullanılan sınır testinin yerini alır. Bazı araştırmacılar sağlamlık kontrolü olarak her ikisini de çalıştırır.
Bayesian NARDL yapısal kırılmaları ele alabilir mi?
Evet, uzantılarla: zamanla değişen parametrelere sahip bir Bayesian NARDL (durum-uzay formu) veya karışım önsel'leri parametre kaymalarını barındırabilir. Alternatif olarak, bilinen kırılma tarihleri için kukla değişkenler önsel tasarımına dahil edilebilir.
Kaç gözlemeye ihtiyacım var?
Pratik bir kılavuz olarak, gecikme yapısını güvenilir bir şekilde tahmin etmek için en az 60 gözlem gereklidir, ancak Bayesci büzülme önsel'leri 40 gözlem kadar azıyla modeli stabilize etmeye yardımcı olabilir. 40 gözlemden azı, tahmin yaklaşımından bağımsız olarak asimetri tanımlamasını çok zorlaştırır.
Kaynaklar
- Shin, Y., Yu, B., & Greenwood-Nimmo, M. (2014). Modelling asymmetric cointegration and dynamic multipliers in a nonlinear ARDL framework. In W. C. Horrace & R. C. Sickles (Eds.), Festschrift in Honor of Peter Schmidt: Econometric Methods and Applications (pp. 281–314). Springer. link ↗
- Koop, G. (2003). Bayesian Econometrics. Wiley. ISBN: 978-0470845677
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Nonlinear Autoregressive Distributed Lag Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-nardl
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond GMM TahmincisiEkonometri↔ karşılaştır
- Bayes ARDL Sınır TestiEkonometri↔ karşılaştır
- Bayesci Vektör Hata Düzeltme Modeli (Bayesian VECM)Ekonometri↔ karşılaştır
- Doğrusal Olmayan ARDL (NARDL) ModeliEkonometri↔ karşılaştır
- Panel Doğrusal Olmayan Otoregresif Dağıtılmış Gecikme (Panel NARDL) ModeliEkonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır