Dinamik Panel Veri Modeli
Dynamic Panel Data Model · Ayrıca şöyle bilinir: dynamic panel model, panel data model with lagged dependent variable, DPD model, Arellano-Bond model
Dinamik panel veri modeli, standart panel regresyonunu, kalıcılık ve ayarlama dinamiklerini yakalayan, bağımlı değişkenin gecikmeli bir değerini regresör olarak dahil ederek genişletir. Gecikmeli bağımlı değişken, birim-spesifik sabit etki ile ilişkili olduğundan, adi en küçük kareler (OLS) veya iç tahminciler yanlıdır; içsel araç değişkenler kullanan GMM tabanlı yöntemler standart çözümdür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+14 tane daha
Ne zaman kullanılır
Sonuç zamanla kalıcı olduğunda ve teori, geçmiş değerlerin mevcut sonuçları doğrudan etkilediğini öne sürdüğünde dinamik panel veri modelini kullanın — makroekonomide (büyüme, yatırım, ticaret), finansta (firma kaldıracı, temettüler) ve sağlık ekonomisinde (sağlık stoku) tipiktir. Panel, birden çok zaman periyoduna (Arellano-Bond için T >= 3; T >= 4 tercih edilir) ve makul sayıda kesitsel birime (klasik durum N >> T) sahip olmalıdır. T'nin N'ye göre çok büyük olduğu (bunun yerine zaman serisi asimptotikleri baskın olur), panelin birçok boşlukla ciddi şekilde dengesiz olduğu veya gecikmeli bağımlı değişkenin teorik olarak motive edilmediği durumlarda kullanmayın — bu durumlarda standart sabit etkiler veya VECM çerçeveleri daha uygun olabilir.
Güçlü yönler & sınırlılıklar
- Sonuçtaki kalıcılığı ve kısmi ayarlamayı açıkça modeller, statik modellerin kaçırdığı dinamikleri yakalar.
- İçsel araç değişkenlerle GMM tahmini, harici araç değişken gerektirmeden bireysel sabit etkileri ortadan kaldırır.
- Regresörler endojen veya önceden belirlenmiş olduğunda, kesinlikle dışsal olmadığında bile tutarlıdır.
- Arellano-Bond m2 ve Hansen J-testleri, araç değişken geçerliliği için yerleşik tanılamalar sağlar.
- Dengesiz panelleri ve heteroskedastik veya otokorelasyonlu hataları iki adımlı GMM varyans tahmincisi ile ele alır.
- T >= 3 gerektirir; performans çok kısa panellerle hızla düşer (T = 2, Fark GMM için hiçbir araç değişkeni sağlamaz).
- Araç çoğalması — tüm mevcut gecikmeleri kullanmak — modeli aşırı uyabilir ve Hansen J-testini zayıflatabilir; en iyi uygulama, araç sayısını N'nin altında sınırlar.
- Asimptotik özellikler büyük N'ye dayanır; küçük N'de iki adımlı standart hatalar aşağı doğru yanlıdır ve Windmeijer (2005) sonlu örneklem düzeltmesi esastır.
- İçsel araç değişkenlerin geçerliliği, seviye hatalarında ikinci dereceden seri korelasyon olmaması varsayımına dayanır — m2 testi aracılığıyla incelenmesi gereken, test edilemeyen bir varsayım.
- Zaman-sabit etkileri veya uzun vadeli esneklikleri doğrudan geri kazanamaz; bu hedefler için Sistem GMM veya ARDL tabanlı yaklaşımlar gerekebilir.
SSS
Neden sadece gecikmeli bağımlı değişkenli bir panelde OLS kullanmıyorsunuz?
OLS, gecikmeli bağımlı değişkenle ilişkili olan birim sabit etkisini göz ardı eder. Bu, T'nin küçük olduğu durumlarda kötüleşen yukarı yönlü 'dinamik panel yanlılığı' (Nickell yanlılığı) oluşturur. İç (FE) tahminci sabit etkiyi düzeltir ancak 1/T mertebesinde aşağı yönlü bir yanlılık getirir, bu nedenle kısa paneller için de tutarsızdır.
Ne zaman Fark GMM yerine Sistem GMM kullanmalıyım?
Sistem GMM (Blundell-Bond 1998), otokorelasyon katsayısı alfa büyük olduğunda (1'e yakın) veya regresörler yüksek derecede kalıcı olduğunda tercih edilir, çünkü bu durumlarda Fark GMM araç değişkenleri zayıf hale gelir. Sistem GMM, hassasiyeti önemli ölçüde artırarak seviyelerdeki moment koşullarını ekler, ancak başlangıç koşullarının sabit etkilerle ilişkisiz olduğu ek varsayımını gerektirir.
Kaç araç değişken fazla demektir?
Yaygın bir sezgisel kural, araç değişken sayısını kesitsel birim sayısının (N) kesinlikle altında tutmaktır. Çok sayıda dönem olduğunda, çökeltilmiş araç değişkenleri kullanın veya gecikme derinliğini sınırlayın. Araç çoğalması, Hansen J-testini anlamsız hale getirir (p-değeri 1'e yakın) ve sonlu örneklem yanlılığına neden olabilir.
m2 testi anlamlıysa ne olur?
Anlamlı bir m2 istatistiği, Fark GMM'nin tanımlayıcı varsayımlarını ihlal eden, farklılaştırılmış artıklar içinde ikinci dereceden seri korelasyon olduğunu gösterir. Bu durumda, araç değişkenlerin gecikme derinliğini t-3 veya daha yükseğe genişletin veya standart araç setinin geçersiz olduğu için model spesifikasyonunu yeniden gözden geçirin.
Birim sabit etkilerine ek olarak zaman sabit etkilerini dahil edebilir miyim?
Evet. Zaman kuklalarını (dönem göstergeleri) dahil etmek, küresel durgunluklar gibi tüm birimleri aynı anda etkileyen ortak şokları kontrol etmek için standart uygulamadır. Ayrıca, moment koşullarını destekleyen zaman kuklalarının kesin dışsallığını sağlamaya yardımcı olurlar.
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 ↗
- Hsiao, C. (2003). Analysis of Panel Data (2nd ed.). Cambridge University Press. ISBN: 978-0521522717
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Panel Data Model. ScholarGate. https://scholargate.app/tr/econometrics/dynamic-panel-data-model
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
- Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Panel Veri AnaliziEkonometri↔ karşılaştır
- Panel Sabit Etkiler ModeliEkonometri↔ karşılaştır