Bayesyen Sistem GMM
Bayesian System Generalized Method of Moments · Ayrıca şöyle bilinir: Bayesian Sys-GMM, Bayesian BB estimator, Bayesian Blundell-Bond GMM, B-SGMM
Bayesyen Sistem GMM, dinamik panel verileri için Blundell-Bond Sistem Genelleştirilmiş Momentler Yöntemi tahmin edicisini Bayesyen önsel dağılımlar ve MCMC aracılığıyla sonsal çıkarım ile birleştirir. İçselliği, bireysel sabit etkileri ve zayıf araç değişken sorunlarını ele alırken, önsel bilgiyi içerir ve sadece nokta tahminleri ve asimptotik standart hatalar yerine tam sonsal belirsizlik nicelemesi sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kısa panel verileriniz (küçük T, büyük N) olduğunda, dinamik ayarlamayı gösteren gecikmeli bağımlı bir değişkenle ve açıklayıcı değişkenlerin muhtemelen içsel olduğu durumlarda Bayesyen Sistem GMM kullanın. Özellikle standart Sistem GMM'nin araç değişken çoğalması nedeniyle güvenilmez çıkarımlar ürettiği durumlarda veya önsel bilgiyi önceki çalışmalardan dahil etmek istediğinizde değerlidir. Örneklem boyutu orta düzeyde olduğunda ve sonlu örneklem düzeltmeleri önemli olduğunda klasik Sistem GMM'ye tercih edin. T büyük olduğunda (sabit etkili OLS veya VECM daha uygun olabilir), savunulabilir bir önsel belirtimi eksik olduğunda, hesaplama kaynakları sınırlı olduğunda ve klasik iki adımlı GMM yeterli olduğunda veya panel dengeli ve kesinlikle dışsal açıklayıcı değişkenlere sahip olduğunda (standart GLS veya OLS baskın olacaktır) kullanmayın.
Güçlü yönler & sınırlılıklar
- Büyük T gerektirmeyen dinamik panel modellerinde Nickell yanlılığını düzeltir.
- Çift moment koşulu yapısı (seviyeler ve farklar) aracılığıyla içselliği ele alır.
- Parametreler üzerinde tam sonsal dağılımlar sağlar, güven aralıkları ve olasılıksal karşılaştırmalara izin verir, p-değerleri yerine.
- Önsel bilginin dahil edilmesine izin verir — özellikle ekonomik teori parametre işaretlerini veya büyüklüklerini kısıtladığında kullanışlıdır.
- N orta düzeyde ve araç değişkenler çok olduğunda asimptotik GMM'ye göre daha güvenilir sonlu örneklem çıkarımı sağlar.
- Hesaplama açısından yoğundur: MCMC örneklemesi, klasik iki adımlı Sistem GMM tahmin edicisinden çok daha yavaştır.
- Veriler zayıf bilgilendirici olduğunda, otoregresif katsayı için önsel seçimine duyarlıdır.
- Araç değişken çoğalması (çok fazla gecikmeli araç değişken) bir zorluk olmaya devam eder; moment koşullarını Bayesyen çerçevede bile zayıflatabilir.
- Yarı-olasılık fonksiyonu veya ampirik olasılık fonksiyonunun dikkatli bir şekilde belirtilmesini gerektirir — evrensel olarak kabul edilmiş tek bir uygulama mevcut değildir.
- MCMC zincirlerinin yakınsaması titizlikle teşhis edilmelidir; kötü karışım yanıltıcı sonsal dağılımlara yol açar.
SSS
Bayesyen Sistem GMM, klasik iki adımlı Sistem GMM'den nasıl farklıdır?
Klasik iki adımlı Sistem GMM, ağırlıklı bir moment kriterini en aza indirir ve standart hatalar için asimptotik teoriye dayanır. Bayesyen Sistem GMM bunun yerine aynı moment koşullarından ve önsel dağılımlardan oluşturulan bir sonsal dağılımdan örnekler çeker, sonlu örneklem güven aralıkları sağlar ve önsel bilgiyi dahil etme yeteneği sunar — daha büyük hesaplama çabası pahasına.
Otoregresif katsayı için önseli nasıl seçerim?
Yaygın bir varsayılan değer, durağanlığı sağlamak için (−1, 1) üzerinde Düzgün bir önsel veya mütevazı bir kalıcılık öneren teori veya önceki çalışmalara göre sıfır civarında merkezlenmiş bir Normal önseldir. Kök-birim kalıcılığına yakın bir kalıcılık beklentisi için güçlü teorik nedenleriniz varsa, önseli 1'e doğru genişletin ancak sınırlı tutun. Sonuçların değişip değişmediğini kontrol etmek için alternatif önsel dağılımlarla yeniden çalışarak duyarlılık analizi yapın.
Araç değişken çoğalması sorunu nedir ve Bayesyen tahmin bunu çözer mi?
Araç değişken çoğalması, araç değişken sayısının T ile karesel olarak arttığı, neredeyse tekil bir ağırlıklandırma matrisi ve aşırı uyumlu moment koşulları ürettiği zamandır. Bayesyen Sistem GMM bu sorunu tam olarak ortadan kaldırmaz — moment yapısına özgüdür. Pratik çözümler arasında araç değişkenleri toplamak, gecikme derinliğini sınırlamak veya araç değişken setinin ana bileşen azaltılmasını kullanmak yer alır.
Tipik olarak kaç MCMC yinelemesi gereklidir?
Kaba bir kılavuz olarak, en az 50.000 ısınma yinelemesi ve ardından 100.000 saklanan çizim planlayın, Gelman-Rubin R-hat istatistiklerini izleyin (tüm parametreler için hedef < 1.05). Yüksek derecede kalıcı seriler veya çok sayıda parametre daha fazla yineleme gerektirebilir. Her zaman farklı başlangıç değerlerinden birden çok zincir çalıştırın.
Bayesyen bağlamda Fark GMM'yi Sistem GMM'ye ne zaman tercih etmeliyim?
Serinin birim köke yakın olmadığı açık olduğunda Fark GMM'yi (Arellano-Bond) tercih edin, bu nedenle Sistem GMM'nin ek seviye denklemi az verimlilik katar ancak karmaşıklığı artırır. Kalıcılığın yüksek olduğu ve fark alınmış denklemdeki araç değişkenlerin zayıf hale geldiği durumlarda Sistem GMM baskın olur.
Kaynaklar
- 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 ↗
- Chib, S., & Ramamurthy, S. (2010). Tailored randomized block MCMC methods with application to DSGE models. Journal of Econometrics, 155(1), 19–38. DOI: 10.1016/j.jeconom.2009.08.003 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian System Generalized Method of Moments. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-system-gmm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond GMM TahmincisiEkonometri↔ karşılaştır
- Arellano-Bond Tahmincisi Olarak Fark GMMEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Panel Sistem GMM (Blundell-Bond Tahmincisi)Ekonometri↔ karşılaştır