Bayesci Vektör Hata Düzeltme Modeli (Bayesian VECM)
Bayesian Vector Error Correction Model · Ayrıca şöyle bilinir: Bayesian VECM, B-VECM, Bayesian cointegrated VAR, Bayesian vector error correction
Bayesci VECM, durağan olmayan çok değişkenli zaman serileri arasındaki hem kısa dönemli dinamikleri hem de uzun dönemli eşbütünleşme ilişkilerini yakalayan klasik Vektör Hata Düzeltme Modeli'ni, eşbütünleşme derecesi ve katsayı matrisleri üzerindeki Bayesci önsel dağılımlarla birleştirir. Bu, ilkeli belirsizlik ölçümüne, ekonomik teorinin önsel olarak dahil edilmesine ve küçük örneklemlerde bile tutarlı çıkarıma olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
İki veya daha fazla durağan olmayan (I(1)) çok değişkenli zaman serisinin teorik olarak uzun dönemli denge ilişkilerini paylaştığı beklendiği ve hem eşbütünleşme yapısını hem de kısa dönemli ayarlama dinamiklerini modellemek istediğinizde bir Bayesci VECM kullanın. Klasik Johansen testlerinin düşük güce sahip olduğu küçük veya orta büyüklükteki örneklemlerde, önsel ekonomik bilgiyi (örneğin, satın alma gücü paritesi, örtülü faiz paritesi) dahil etmek istediğinizde veya eşbütünleşme derecesi üzerinde tam belirsizlik ölçümü gerektiğinde özellikle değerlidir. Değişkenler durağan olduğunda (düzeylerde Bayesci bir VAR daha basittir), panel boyutu zaman boyutunu gölgede bıraktığında (bunun yerine panel VECM kullanın) veya hesaplama süresi engelleyici olduğunda ve Johansen ön-testli klasik bir VECM yeterli olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Eşbütünleşme derecesi de dahil olmak üzere tüm parametreler üzerinde tam bir sonsal dağılım sağlar, bu da ilkeli belirsizlik ölçümünü mümkün kılar.
- Özellikle kısa makroekonomik örneklemlerde faydalı olan önsel ekonomik teoriyi doğrudan modele dahil eder.
- Derece ve dinamikleri ortaklaşa tahmin ederek iki adımlı Johansen prosedürünün ön-test sapmalarından kaçınır.
- Dürtü tepkileri için güven aralıkları, sabit derece altındaki klasik bootstrap aralıklarının aksine, gerçek parametre belirsizliğini yansıtır.
- Klasik Johansen tabanlı çıkarımın, dereceyi ciddi şekilde aşırı veya eksik tahmin edebildiği küçük örneklemleri, klasik Johansen tabanlı çıkarımdan daha güvenilir bir şekilde ele alır.
- Hesaplama açısından yoğundur: Büyük sistemler (çok sayıda değişken, çok sayıda gecikme) için MCMC örneklemesi yavaş olabilir ve dikkatli yakınsama tanısı gerektirir.
- Sonsal sonuçlar önsel belirlemeye bağlıdır; alfa veya beta üzerindeki kötü seçilmiş önsel dağılımlar, özellikle küçük örneklemlerde çıkarımı bozabilir.
- Eşbütünleşme vektörlerinin yorumlanması otomatik değildir — ekonomik yorumlanabilirlik için beta üzerine hala tanımlama kısıtlamaları getirilmelidir.
- Klasik VECM'ye göre daha az yaygın yazılım desteği; özel paketler (örneğin, R'de BVAR, özel Stan kodu) gereklidir.
SSS
Bayesci bir VECM, klasik Johansen yaklaşımından nasıl farklıdır?
Klasik Johansen yaklaşımı, ardışık olabilirlik-oran testleri yoluyla eşbütünleşme derecesini test eder ve ardından tüm sonraki çıkarımları seçilen dereceye göre koşullandırır. Bayesci VECM, dereceyi bir önsel dağılıma sahip bilinmeyen bir parametre olarak ele alır, böylece sonsal dağılım tek bir değere bağlı kalmak yerine derece belirsizliği üzerinden ortalama alır — özellikle küçük örneklemlerde daha dürüst belirsizlik ölçümü sağlar.
Bayesci bir VECM uydurmadan önce birim kökler için ön-test yapmam gerekir mi?
Prensipte, hayır — Bayesci çerçeve entegrasyon sırasını belirsiz olarak ele alabilir. Pratikte, çoğu uygulamalı çalışma, VECM'yi belirlemeden önce değişkenlerin I(1) olduğunu (örneğin, ADF veya PP testleri aracılığıyla) doğrulamaktadır, çünkü hata düzeltme teriminde I(0) ve I(1) değişkenlerini karıştırmak, çıkarım yaklaşımından bağımsız olarak yanlış belirtilmiş bir model üretir.
Eşbütünleşme vektörleri için önsel dağılımları nasıl seçerim?
Güçlü bir önsel bilgi mevcut olmadığında referans önsel dağılımları (Villani 2005) doğal bir varsayılandır — difüzyonludurlar ancak uygun sonsal dağılımlar verirler. Ekonomik teori belirli uzun dönemli oranlar ima ettiğinde (örneğin, bir para talebi modelinde birim homojenlik kısıtlaması), bu değerler etrafında merkezlenmiş bilgilendirici önsel dağılımlar küçük örneklem hassasiyetini artırabilir.
Bayesci bir VECM tahmin etmek için hangi yazılımı kullanabilirim?
R'deki BVAR paketi, Bayesci VAR ve VECM tahminleri için rutinler sağlar. Stan ve JAGS, özel Bayesci VECM belirteçlerini uygulayabilir. Python'da PyMC, esnek MCMC tabanlı VECM modellerine izin verir. EViews ve Matlab'ın Ekonometri Araç Kutusu gibi ticari yazılımlar da VECM biçimine uyarlanabilen Bayesci VAR uzantılarını desteklemektedir.
Bayesci bir VECM'den dürtü tepkilerini nasıl raporlarım?
Her MCMC sonsal örneğinden dürtü tepkileri çekin ve sonuçta ortaya çıkan dağılımı özetleyin: nokta tahmini olarak sonsal medyanı ve güven aralıkları olarak 16.-84. veya 5.-95. yüzdelik dilim bantlarını raporlayın. Bu, sabit dereceye göre koşullanan klasik bootstrap bantlarının aksine, tam parametre belirsizliğini dinamik analize yayar.
Kaynaklar
- Kleibergen, F., & Paap, R. (2002). Priors, posteriors and Bayes factors for a Bayesian analysis of cointegration. Journal of Econometrics, 111(2), 223–249. DOI: 10.1016/s0304-4076(02)00105-7 ↗
- Villani, M. (2005). Bayesian reference analysis of cointegration. Econometric Theory, 21(2), 326–357. DOI: 10.1017/s026646660505019x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Vector Error Correction Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-vecm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi ARIMA ModeliEkonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Panel VECM (Panel Vektör Hata Düzeltme Modeli)Ekonometri↔ karşılaştır
- Yapısal Vektör Otoregresyonu (SVAR)Ekonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır