Ortak İlişkili Etkiler Ortalama Grup (CCEMG) Tahmincisi
Common Correlated Effects Mean Group Estimator · Ayrıca şöyle bilinir: common correlated effects, CCE, CCEMG, Pesaran CCE estimator, Ortak Korelasyonlu Etkiler Tahmincisi (CCEMG / CCE)
Pesaran tarafından 2006 yılında tanıtılan Ortak İlişkili Etkiler Ortalama Grup tahmincisi, değişkenlerin kesit ortalamaları ile gözlemlenmeyen ortak faktörleri yaklaştırarak kesitsel bağımlılığı kontrol eden heterojen panel veri tahmincisidir. Eğim katsayıları birimler arasında farklılaştığında tutarlı kalır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kesitsel bağımlılığın mevcut olduğu ve eğim katsayılarının birimler arasında farklılık gösterebileceği, orta derecede uzun bir zaman boyutuna sahip (genel olarak en az yaklaşık 50 gözlem ve ideal olarak T'si 10 veya daha fazla) makro paneller için CCEMG kullanın. Öncelikle Pesaran CD testi ile kesitsel bağımlılığı doğrulayın, hem N hem de T'nin birlikte büyümesini bekleyin ve ortak faktörlerin sayısını açıklayıcı değişken sayısından k+1'in altında tutun. T çok küçük olduğunda (10'un altında) güvenilmezdir.
Güçlü yönler & sınırlılıklar
- Gözlemlenmeyen ortak faktörler tarafından yönlendirilen kesitsel bağımlılık altında tutarlıdır.
- Ortak bir eğim dayatmak yerine panel birimleri arasında tam heterojen eğim katsayılarına izin verir.
- Ortak faktörleri kesit ortalamaları ile parametrik olmayan bir şekilde yaklaştırır, bu nedenle faktörlerin belirtilmesi veya gözlemlenmesi gerekmez.
- Zaman boyutu T kısa olduğunda (yaklaşık 10'un altında) güvenilmezdir; hem N hem de T'nin birlikte büyümesine dayanır.
- Ortak faktörlerin sayısı, açıklayıcı değişken sayısına göre k+1'i geçmemelidir, aksi takdirde yaklaşım bozulur.
- Orta derecede büyük bir panel (yaklaşık 50 veya daha fazla gözlem) gerektirir ve kesitsel bağımlılığın aslında mevcut olduğunu varsayar.
SSS
Kesitsel bağımlılık nedir ve neden burada önemlidir?
Kesitsel bağımlılık, panel birimlerinin küresel şoklar veya ortak teknoloji gibi paylaşılan gözlemlenmeyen faktörler aracılığıyla ilişkili olması anlamına gelir. Göz ardı edilirse, standart panel tahmincileri yanlı ve tutarsız hale gelir. CCEMG, bu faktörleri kesit ortalamaları ile yaklaştırarak kontrol eder ve siz de bunu öncelikle Pesaran CD testi ile doğrulamanız gerekir.
CCEMG, sabit etkili bir panel modelinden nasıl farklıdır?
Sabit etkiler, birimler arasında ortak bir eğim varsayar ve zamanla değişen gözlemlenmeyen ortak faktörleri ele almaz. CCEMG, her birime kendi eğimine izin verir ve kesit ortalamalarını regresör olarak ekleyerek zamanla değişen ortak faktörleri filtreler, ardından birim-özgü eğimleri ortalar.
Ne zaman AMG tahmincisini kullanmalıyım?
Eberhardt ve Teal'in Artırılmış Ortalama Grup tahmincisi, kesit ortalamaları yerine bir ilk aşamada yıl kuklaları ile ortak dinamik süreci yakalayan yakın bir alternatiftir. Aynı kesitsel bağımlılık ve heterojen eğim ayarı altında bir sağlamlık kontrolü olarak CCEMG ile karşılaştırmaya değer.
Zaman boyutu ne kadar uzun olmalı?
CCEMG, hem birim sayısı N hem de zaman uzunluğu T'nin birlikte büyümesine dayanır. T çok küçük olduğunda (yaklaşık 10'un altında) güvenilmezdir ve genel panel en az yaklaşık 50 gözlem içermelidir.
Kaynaklar
- Pesaran, M. H. (2006). Estimation and Inference in Large Heterogeneous Panels with a Multifactor Error Structure. Econometrica, 74(4), 967-1012. DOI: 10.1111/j.1468-0262.2006.00692.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Common Correlated Effects Mean Group Estimator. ScholarGate. https://scholargate.app/tr/econometrics/ccemg-estimator
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Artırılmış Ortalama Grup (AMG) TahmincisiEkonometri↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Panel Eşbütünleşme Testleri (Pedroni, Kao, Westerlund)Ekonometri↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır