Arellano-Bond Tahmincisi Olarak Fark GMM
First-Differenced Generalized Method of Moments Estimator · Ayrıca şöyle bilinir: Arellano-Bond estimator, AB-GMM, first-difference GMM, difference GMM estimator
Fark GMM, Arellano ve Bond (1991) tarafından tanıtılmış olup, dinamik panel veri modellerini öncelikle denklemi farklayarak sabit etkileri gidermek ve ardından içsel değişkenlerin gecikmeli seviyelerini GMM araçları olarak kullanarak tahmin eder. Gecikmeli bağımlı değişken veya diğer içsel regresörlerin çok sayıda birim ve az sayıda zaman periyoduna sahip bir panelde mevcut olduğu durumlarda standart yaklaşımdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+6 tane daha
Ne zaman kullanılır
Fark GMM, panelin çok sayıda kesitsel birime (N) ve kısa bir zaman boyutuna (T) sahip olduğu, modelin gecikmeli bir bağımlı değişken veya diğer içsel regresörler içerdiği ve uygun harici araçların bulunmadığı durumlarda uygundur. Özellikle bireysel heterojenliğin bir endişe olduğu firma düzeyinde, hanehalkı düzeyinde veya ülke düzeyinde paneller gibi mikroekonometrik ortamlarda değerlidir. T'nin N'ye göre büyük olduğu durumlarda (araç sayısı patlayabilir ve araç çoğalması Sargan/Hansen testini zayıflatır) veya değişkenlerin birim köke yakın olduğu durumlarda (bu durumda Sistem GMM tercih edilir) kullanmayın. Ayrıca, yalnızca kesitsel veriler veya hata teriminin ikinci dereceden seri korelasyon sergilediği durumlar için uygun değildir.
Güçlü yönler & sınırlılıklar
- İçsel grup dönüşümünü gerektirmeden zamana bağlı olmayan bireysel sabit etkileri ortadan kaldırır.
- Harici araçlara gerek kalmadan dahili (gecikmeli seviye) araçları kullanarak içsel regresörleri ve gecikmeli bağımlı değişkenleri ele alır.
- Mikro-panel veri kümelerinin tipik ortamı olan büyük N, küçük T asimptotiği altında tutarlıdır.
- Model geçerliliğini değerlendirmek için resmi tahmin sonrası tanılamalar (AR(2) testi, Sargan/Hansen testi) sağlar.
- Stata (xtabond, xtabond2), R (plm, gmm) ve Python'da yaygın olarak uygulanmış olup erişilebilirliğini artırır.
- Araç çoğalması: tüm mevcut gecikmeleri kullanmak, çok sayıda moment koşulu oluşturur; bu, aşırı uyuma neden olabilir ve Sargan/Hansen testini zayıflatabilir — araçlar daraltılmalı veya kısıtlanmalıdır.
- Oto-regresif parametrenin büyük olduğu veya T'nin büyüdüğü sonlu örneklemlerde yanlıdır, çünkü gecikmeli seviyeler birim köke yakın olduğunda zayıf araçlar haline gelir.
- Seriler kalıcı olduğunda Sistem GMM'den daha az verimlidir, çünkü gecikmeli seviyeler mevcut farklar hakkında çok az bilgi taşır.
- Birinci fark alma, birim içinde zamanla değişmeyen herhangi bir değişkeni ortadan kaldırır, bu nedenle etkileri tahmin edilemez.
SSS
Fark GMM ile Sistem GMM arasındaki fark nedir?
Fark GMM yalnızca gecikmeli seviyeleri araç olarak kullanan birinci fark denklemini kullanır. Sistem GMM ek olarak gecikmeli farkları araç olarak kullanan seviye denklemini de istifler; bu, seriler kalıcı olduğunda verimliliği artırır. Sistem GMM genellikle birim köke yakın değişkenler için tercih edilir; Fark GMM, kalıcılığın orta düzeyde olduğu durumlarda yeterlidir.
Araç olarak kaç gecikme kullanmalıyım?
Araç sayısını kesitsel birim sayısı N'nin oldukça altında tutmak için gereken minimum gecikme sayısını kullanın. Yaygın bir kılavuz, araçları sabit bir gecikme penceresiyle (örneğin, yalnızca 2 ve 3 gecikmeleri) kısıtlamak veya xtabond2'de 'collapse' seçeneğini kullanmaktır. Hansen testi p-değerinin ne çok küçük (geçersiz araçlar) ne de şüpheli derecede 1'e yakın (araç çoğalması) olmadığından emin olun.
AR(2) testi bana ne anlatıyor?
Arellano-Bond AR(2) testi, birinci farklanmış artıklarındaki ikinci dereceden seri korelasyonu kontrol eder. AR(2) anlamlıysa, orijinal hataların 1. gecikmede seri olarak ilişkili olduğunu gösterir; bu da 2. ve daha önceki gecikmelere dayanan moment koşullarını geçersiz kılar. AR(1) testinin anlamlı olması beklenir (fark alma birinci dereceden korelasyonu tetikler) ve araç geçerliliği hakkında bilgi vermez.
Dengeli bir panel ile Fark GMM kullanabilir miyim?
Evet, ancak dengesiz paneller de ele alınır. Tahminci, araçlar gözlemden gözleme oluşturulduğu için eksik gözlemleri doğal olarak barındırır. Ancak, zaman boyutundaki ciddi boşluklar geçerli moment koşullarının sayısını azaltabilir ve tanımlamayı zayıflatabilir.
Zamana bağlı olmayan regresörlerin katsayılarını neden geri kazanamıyorum?
Birinci fark alma, birim içinde zamanla değişmeyen herhangi bir değişkeni, zamana bağlı olmayan regresörler dahil olmak üzere ortadan kaldırır. Bu etkiler ilgi çekiciyse, Sistem GMM (seviye denklemini koruyan) veya Hausman-Taylor IV tahmini dikkate alınmalıdır.
Kaynaklar
- Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. Review of Economic Studies, 58(2), 277–297. DOI: 10.2307/2297968 ↗
- Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. Stata Journal, 9(1), 86–136. DOI: 10.1177/1536867X0900900106 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). First-Differenced Generalized Method of Moments Estimator. ScholarGate. https://scholargate.app/tr/econometrics/difference-gmm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond GMM TahmincisiEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Panel Veri AnaliziEkonometri↔ karşılaştır
- Panel Sistem GMM (Blundell-Bond Tahmincisi)Ekonometri↔ karşılaştır