Fourier Kantil-Kantil Regresyonu
Fourier-Augmented Quantile-on-Quantile Regression · Ayrıca şöyle bilinir: Fourier QQ regression, Fourier-QQR, Fourier quantile regression with quantile regressors, smooth structural-break QQ regression
Fourier kantil-kantil regresyonu, Fourier trigonometrik terimlerini yerel doğrusal kantil modeline gömerek Sim ve Zhou (2015) tarafından geliştirilen kantil-kantil (QQ) çerçevesini genişletir. Bu, bir değişkenin kantilleri ile diğer bir değişkenin kantilleri arasındaki tahmini bağımlılığın zaman içinde sorunsuz bir şekilde değişmesine olanak tanır ve bilinen bir kırılma tarihi dayatmadan kademeli yapısal değişimi yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki değişken arasındaki bağımlılığın kendi dağılımları arasında asimetrik olduğundan ve tek bir keskin kırılma olmaksızın uzun bir zaman serisi boyunca kademeli olarak değiştiğinden şüpheleniyorsanız Fourier QQ regresyonunu kullanın. Kuyruk bağımlılığının (örneğin, emtia fiyatları ve aşırı uçlardaki hisse senedi getirileri) iş döngüleri veya politika rejimleri aracılığıyla evrildiği enerji ekonomisi, finans ve makroekonomi için çok uygundur. Örneklem kısa olduğunda (yaklaşık 100'den az gözlem), Fourier terimleri ve çekirdek tahmini birlikte birçok serbestlik derecesi tükettiği için kullanmayın. Yapısal değişim düzgün olmaktan ziyade ani olduğunda bundan kaçının; bu durumda bir Chow-kırılma veya Markov-geçiş spesifikasyonu daha uygundur. Zaman serisi varyasyonundan ziyade kesitsel varyasyon birincil ilgi alanıysa, Fourier bileşeni olmayan düz QQ regresyonu daha basit ve tercih edilebilir.
Güçlü yönler & sınırlılıklar
- Tek bir modelde hem dağılımsal asimetriyi (QQ ızgarası aracılığıyla) hem de düzgün zaman varyasyonunu (Fourier terimleri aracılığıyla) eş zamanlı olarak yakalar.
- Önceden belirlenmiş bir kırılma tarihi gerektirmez; Fourier terimleri ilişkinin ne zaman değiştiğine uyum sağlar.
- Kuyruktan kuyruğa etkileşimlerin medyan-medyan etkileşimlerinden farklı olup olmadığını ortaya koyan tam (teta, tau) bağımlılık yüzeyini gösterir.
- Esnek ancak tutumlu: bir veya iki Fourier harmoniği genellikle yeterlidir, parametre çoğalmasını önler.
- Güçlü dağılımsal varsayımlar olmaksızın uygulanabilir, yarı parametrik kantil yöntemlerine dayanır.
- Güvenilir çekirdek ve Fourier tahmini için büyük örneklemler (100+ gözlem) gerektirir; küçük örneklemler kararsız yüzeyler üretir.
- Hesaplama maliyeti yüksektir: tahminler, bootstrap çıkarımı ile her (teta, tau) ızgara noktasında hesaplanmalıdır.
- Bant genişliği ve Fourier frekans sırası seçimi tam otomatik değildir ve sonuçları önemli ölçüde etkileyebilir.
- İki boyutlu bağımlılık yüzeyinin yorumlanması, tek bir eğim katsayısından daha karmaşıktır.
SSS
Fourier QQ regresyonu, düz QQ regresyonundan nasıl farklıdır?
Düz QQ regresyonu, kantiller arasındaki bağımlılığı tüm örneklem boyunca sabit kabul eder. Fourier QQ regresyonu, bu bağımlılığın zamanla düzgün bir şekilde evrilmesine izin vermek için sinüs ve kosinüs terimleri ekler. Fourier terimleri için Wald testi anlamlı değilse, her iki model de aynı hikayeyi anlatır; anlamlı olduğunda ise, zamanla değişen model, kantil ilişkisinin nasıl değiştiğini ortaya koyar.
Kaç Fourier harmoniği dahil etmeliyim?
k = 1 (bir sinüs ve kosinüs çifti) ile başlayın ve k = 2'nin modeli iyileştirip iyileştirmediğine karar vermek için AIC veya BIC kullanın. Çoğu uygulamalı çalışmada, tek fazlı düzgün bir yapısal değişimi yakalamak için bir harmonik yeterlidir ve ikiden fazla harmonik, aşırı uyum riskini artırırken uyumu nadiren iyileştirir.
Çekirdek tahmini için bant genişliğini nasıl seçerim?
Örneklem büyüklüğüne dayalı veri odaklı bir kural-ı-başparmak — örneğin T yaklaşık 200 olduğunda h = 0.05 — QQ makalelerinde yaygındır. Kantil ızgarası üzerinde çapraz doğrulama daha prensiplidir ancak hesaplama açısından yoğundur. Sonuçların bant genişliğine bağlı olmadığından emin olmak için bir dizi bant genişliği üzerinde duyarlılık kontrolleri yapmak iyi bir uygulamadır.
Bu modeli hangi yazılım tahmin edebilir?
Tek bir özel paket yoktur; araştırmacılar genellikle yerel doğrusal kantil tahmini için quantreg kullanarak R'de yöntemi kodlar ve Fourier regresörlerini manuel olarak oluşturur. Bazı uygulamalı makaleler replikasyon kodu sağlar. StatWise, ızgarayı, Fourier terimi yapısını ve bootstrap çıkarımını otomatik olarak ele alan rehberli bir sürüm uygular.
Gerçekten büyük bir örneklem gerekli mi?
Evet. Birçok (teta, tau) ızgara noktasının her birinde tahminci, yalnızca F_x^{-1}(tau) yakınındaki x'in yerel bir komşuluğundaki gözlemleri kullanır ve etkili yerel örneklem, tam T'den çok daha küçük olabilir. T < 100 olduğunda, yerel örneklem kararlı tahminler için çok az nokta içerebilir ve Fourier regresörleri eklemek bunu daha da kötüleştirir.
Kaynaklar
- Sim, N., & Zhou, H. (2015). Oil prices, US stock return, and the dependence between their quantiles. Journal of Banking and Finance, 55, 1-8. DOI: 10.1016/j.jbankfin.2015.01.013 ↗
- Gallant, A. R. (1981). On the bias in flexible functional forms and an essentially unbiased form: The Fourier flexible form. Journal of Econometrics, 15(2), 211-245. DOI: 10.1016/0304-4076(81)90115-9 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fourier-Augmented Quantile-on-Quantile Regression. ScholarGate. https://scholargate.app/tr/econometrics/fourier-quantile-on-quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Fourier ARDL Sınır TestiEkonometri↔ karşılaştır
- Fourier Granger Nedensellik TestiEkonometri↔ karşılaştır
- Doğrusal Olmayan ARDL (NARDL) ModeliEkonometri↔ karşılaştır
- Panel Quantile-on-Quantile RegressionEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Kuantil-Üzeri-Kuantil (QQ) RegresyonuEkonometri↔ karşılaştır