Bayesyen Toda-Yamamoto Nedensellik Testi
Bayesian Toda-Yamamoto Granger Causality Test · Ayrıca şöyle bilinir: Bayesian TY causality, Bayesian modified Wald causality, Bayesian Granger non-causality in VAR, BTY causality
Bayesyen Toda-Yamamoto nedensellik prosedürü, entegrasyon ve eşbütünleşme için ön test ihtiyacını ortadan kaldıran Toda-Yamamoto VAR artırma stratejisini, Bayesyen ön-son güncellemeyle birleştirir. Entegre veya eşbütünleşik olabilen zaman serileri arasında, fark alma veya hata düzeltme modellemesi gerektirmeden, ön bilgiyi dahil ederek ve nedensel parametreler üzerinde tam son dağılımlar üreterek Granger nedensel olmama durumunu test eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Serilerin entegre (I(1) veya I(2)) veya eşbütünleşik olabileceği ve belirli bir eşbütünleşme spesifikasyonuna bağlı kalmadan Granger nedenselliğini test etmek istediğiniz zaman serileriniz olduğunda Bayesyen Toda-Yamamoto nedenselliğini kullanın. Bayesyen çerçeveleme, özellikle asimptotik sıklıkçı testlerin güvenilmez olduğu küçük veya orta ölçekli örneklerde, teoriden veya önceki çalışmalardan ön bilgi mevcut olduğunda veya nedensel parametreler üzerindeki tam son dağılımın ikili reddetme/reddetmeme kararından daha bilgilendirici olduğu durumlarda değerlidir. Serilerin açıkça durağan olduğu durumlarda (bir VAR'da standart Granger nedenselliği daha basittir) veya çok büyük örneklerin ön seçimini önemsiz kıldığı ve sıklıkçı testlerin güvenilir olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Entegrasyon derecesi için ön test yapma veya eşbütünleşme derecesi dayatma ihtiyacı olmaksızın entegre ve eşbütünleşik serileri işler.
- İkili bir p-değerinden ziyade son olasılıklar ve güven aralıkları üretir, nedensel güç hakkında daha zengin çıkarımlar sağlar.
- Ön belirleme (örneğin, Minnesota ön bilgisi) artırılmış VAR'ı düzenler, bu da büyük olabilir, orta ölçekli örneklerde aşırı uyumu azaltır.
- Sıklıkçı iş akışlarında boyutu artıran sıralı ön testlerden (birim kök testi, ardından nedensellik testi) kaynaklanan bozulmalardan kaçınır.
- Bayes faktörleri aracılığıyla Bayesyen model karşılaştırması, nedensel ve nedensel olmayan modellerin resmi olarak karşılaştırılmasına olanak tanır.
- Ön seçimi önemlidir: kötü kalibre edilmiş bir ön bilgi, küçük örneklerde son bilgiyi baskın hale getirerek öznelliği artırabilir.
- Artırılmış VAR, gecikme derecesi ve seri sayısıyla hızla büyür, bu da büyük sistemler için son hesaplamayı pahalı hale getirir.
- Bayesyen hesaplama (MCMC, eşlenik güncelleme) konusunda aşinalık gerektirir; basit sıklıkçı Toda-Yamamoto Wald testinden daha az erişilebilirdir.
- d_max yanlış belirlenirse (örneğin, seriler aslında I(2) iken I(1) olarak kabul edilirse), asimptotik geçerlilik garantisi bozulur.
- Yazılım uygulamaları henüz standartlaşmamıştır; analistler genellikle kendi MCMC rutinlerini kodlarlar.
SSS
Neden d_max'a eşit ek gecikmeler eklenir?
Tahmin edilen VAR derecesi k'ya d_max ek gecikmeler eklemek, bazı seriler birim köklere sahip olsa veya eşbütünleşik olsa bile Wald istatistiğinin ortak ki-kare limitinin geçerli olmasını sağlar, çünkü ek gecikmeler standart olmayan asimptotik davranışı emer. Nedensellik testi daha sonra yalnızca ilk k gecikme katsayılarına uygulanır.
Bayesyen versiyon için hangi ön bilgiyi kullanmalıyım?
Minnesota (Litterman) ön bilgisi standart seçimdir: kendi gecikme katsayılarını rastgele bir yürüyüş değeri olan 1'e ve çapraz gecikme katsayılarını 0'a doğru küçültür, daha uzun gecikmelerde daha sıkı küçülme ile. Bu, makroekonomik ve finansal zaman serileri için çok uygundur ve sistem büyük olduğunda artırılmış VAR'ı stabilize eder.
Nedensellik sonucunu bir Bayesyen çerçevede nasıl rapor ederim?
Tüm k ilgili gecikme katsayılarının birlikte sıfır olma olasılığını (nedensel olmama durumu), nedensel katsayılar için %95 en yüksek son yoğunluk aralığını ve - mümkünse - nedensel ve nedensel olmayan modelleri karşılaştıran bir Bayes faktörünü rapor edin. Kullanılan ön bilgiyi belirtin ve bir duyarlılık analizi ekleyin.
Serimin I(1) mi yoksa I(2) mi olduğundan emin olmadığımda bu testi kullanabilir miyim?
Evet - d_max'ı en yüksek olası entegrasyon derecesine (örneğin, bazı serilerin I(2) olabileceğinden şüpheleniyorsanız 2) ayarlayın. Test geçerli kalır, ancak daha fazla ek gecikme eklemek gücü biraz azaltır. Bu, Toda-Yamamoto stratejisinin standart Granger testlerine göre temel avantajlarından biridir.
Bu, Bayesyen bir VECM yaklaşımından nasıl farklıdır?
Bir Bayesyen VECM, eşbütünleşme ilişkilerini açıkça modeller ve bunları kısıtlamalar olarak uygular, bu da eşbütünleşme derecesi bilindiğinde daha verimlidir. Bayesyen Toda-Yamamoto yaklaşımı, eşbütünleşme derecesi hakkında hiçbir varsayımda bulunmaz - derecenin belirsiz olduğu durumlarda daha sağlamdır ancak verimlilikte bir maliyet öder.
Kaynaklar
- Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250. DOI: 10.1016/0304-4076(94)01616-8 ↗
- Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley. ISBN: 978-0471982326
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Toda-Yamamoto Granger Causality Test. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-toda-yamamoto-causality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Toda-Yamamoto Granger Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır