MIDAS Regresyonu: Karışık Veri Frekansları Arasında Tahmin
Mixed Data Sampling (MIDAS) Regression · Ayrıca şöyle bilinir: Mixed Frequency Regression, Mixed Data Sampling Model, High-Frequency Forecasting Regression, MIDAS Regresyonu
MIDAS (Karışık Veri Örneklemesi) Regresyonu, yüksek frekanslı tahmin edicileri, regresörlerin zamansal olarak toplanmasını gerektirmeden, daha düşük frekanslı sonuç değişkenleri için modellere doğrudan dahil eden ekonometrik bir çerçevedir. Eric Ghysels, Arthur Sinko ve Rossen Valkanov tarafından 2007 yılında tanıtılan MIDAS, Beta veya Üstel Almon ağırlıklandırma şemaları gibi tutumlu bir şekilde parametrelendirilmiş gecikme polinomlarını kullanarak, birçok yüksek frekanslı gecikmenin bilgi içeriğini parametre çoğalmasını önleyerek özetler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MIDAS regresyonu, düşük frekanslı bir sonucun (üç aylık GSYİH, yıllık ölüm oranları) bir veya daha fazla yüksek frekanslı gösterge (günlük finansal fiyatlar, haftalık işsizlik başvuruları) kullanılarak tahmin edilmesi gerektiğinde uygundur. Yüksek frekanslı sinyalin zamanlamasının önemli olduğu anlık tahmin (nowcasting) ve kısa vadeli tahmin bağlamlarında en değerlidir. Yöntem, toplanmış yüksek frekanslı sinyal ile sonuç arasında istikrarlı bir doğrusal ilişki, durağanlık (veya eşbütünleşme) ve doğru bir şekilde belirtilmiş gecikme uzunluğu varsayar. Yüksek frekanslı tahmin edicilerin sayısı fazla olduğunda, faktörle güçlendirilmiş MIDAS varyantları düşünülmelidir. Alternatifler arasında zamansal toplama ve ardından standart EKK, küçük m için kısıtlanmamış dağıtılmış gecikme modeli (U-MIDAS) ve durum uzayı karışık frekans modelleri bulunur.
Güçlü yönler & sınırlılıklar
- Yüksek frekanslı verileri doğrudan kullanır, toplamanın yok edeceği dönem içi zamanlama bilgilerini korur.
- Tutumlu ağırlıklandırma şemaları (Beta, Üstel Almon), yüzlerce gecikme olsa bile parametre sayısını düşük tutar.
- Her yeni yüksek frekanslı gözlem geldiğinde güncellenebilen gerçek zamanlı anlık tahminler üretir.
- Birden fazla tahmin ediciye, doğrusal olmayan ağırlıklandırmaya ve iki aşamalı faktörle güçlendirilmiş spesifikasyonlara doğal olarak genişler.
- Ağırlıklandırma parametrelerinin doğrusal olmayan tahmini dikkatli başlatma gerektirir ve yerel minimumlara duyarlıdır.
- Model seçimi (ağırlıklandırma şemasının, gecikme uzunluğu m'nin ve K'nin seçimi) tahmin performansını önemli ölçüde etkileyebilir.
- Doğrusal bir koşullu ortalama varsayar; uzantılar olmadan rejim değişikliklerini veya zamanla değişen parametreleri barındırmaz.
- Çok büyük m değerlerinde (örneğin, yıllık içinde günlük), kısıtlanmamış U-MIDAS kıyaslaması uygulanamaz hale gelir, bu da ağırlık fonksiyonunun doğru spesifikasyonunu kritik hale getirir.
SSS
MIDAS, yüksek frekanslı verileri EKK çalıştırmadan önce düşük frekansa toplamakla nasıl farklılık gösterir?
Zamansal toplama (örneğin, günlük verileri aylık ortalamaya çevirme), bir dönem içindeki her yüksek frekanslı gözleme eşit ağırlıklar atayarak zamanlama hakkındaki bilgiyi yok eder. MIDAS, ağırlıkları verilerden tahmin eder ve örneğin, bir dönem içindeki daha yeni gözlemlerin sonuç hakkında daha bilgilendirici olmaları durumunda daha yüksek ağırlık almasına izin verir.
MIDAS ile U-MIDAS arasındaki fark nedir?
U-MIDAS (Kısıtlanmamış MIDAS), gecikme polinomu ağırlıkları üzerinde herhangi bir kısıtlama uygulamaz, her birini EKK ile serbestçe tahmin eder. Bu, yalnızca frekans oranı m küçük olduğunda (örneğin, aylıktan üç aylığa 3) mümkündür. m büyük olduğunda, kısıtlanmamış yaklaşım parametre çoğalmasına ve kötü tahminlere yol açar, bu da tutumlu MIDAS ağırlıklandırma şemalarını tercih edilebilir kılar.
MIDAS birden fazla yüksek frekanslı tahmin ediciyi işleyebilir mi?
Evet. Model, her biri kendi ağırlıklandırma polinomu ve gecikme uzunluğuna sahip birden fazla regresöre kolayca genişletilebilir. Tahmin edici sayısı örneklem büyüklüğüne göre fazla olduğunda, aşırı uyumu önlemek için faktörle güçlendirilmiş MIDAS aracılığıyla boyut indirgeme — yüksek frekanslı panelden az sayıda ortak faktör çıkarma — önerilir.
Kaynaklar
- Ghysels, E., Sinko, A., & Valkanov, R. (2007). MIDAS regressions: Further results and new directions. Econometric Reviews, 26(1), 53–90. DOI: 10.1080/07474930600972467 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Mixed Data Sampling (MIDAS) Regression. ScholarGate. https://scholargate.app/tr/econometrics/midas-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- Dinamik Faktör ModeliEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR) ModeliEkonometri↔ karşılaştır