Newey-West HAC Standart Hataları
Newey-West HAC Standard Errors · Ayrıca şöyle bilinir: HAC standard errors, Heteroskedasticity and Autocorrelation Consistent covariance, Bartlett kernel HAC estimator, HAC düzeltmeli standart hatalar
Whitney Newey ve Kenneth West tarafından 1987'de tanıtılan Newey-West HAC standart hataları, hem değişen varyans (heteroskedastisite) hem de bilinmeyen formdaki otokorelasyon altında geçerliliğini koruyan, OLS regresyonu için bir kovaryans matrisi tahmin edicisidir. Artıkların bağımsız ve özdeş dağılımlı olmadığı zaman serisi ve panel regresyonlarında çıkarım düzeltmesi için standart araçtır ve bant genişliği parametresi seçimi dışında hata yapısının belirtilmesini gerektirmez.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
OLS artıklarının zaman serisi veya panel regresyonundan elde edildiği ve otokorelasyon, değişen varyans veya her ikisini birden gösterdiği ve hata yapısının bilinmediği durumlarda Newey-West HAC standart hatalarını kullanın. Tahmin edici, bant genişliği L'nin T^(1/4) oranında büyüdüğü sürece örneklem büyüklüğü arttıkça tutarlıdır. Enine kesit bağımlılığının baskın olduğu durumlarda (küme-sağlam hataları tercih edin) veya parametrik FGLS mevcut olduğunda daha az uygundur. Nokta tahminlerindeki yanlılığı düzeltmez — yalnızca çıkarımı düzeltir.
Güçlü yönler & sınırlılıklar
- Bilinmeyen formdaki değişen varyans ve otokorelasyon altında, hata modeli belirtilmeden geçerlidir.
- Pozitif yarı-tanımlılık, Bartlett çekirdeği tarafından garanti edilir ve bu da iyi tanımlanmış standart hatalar sağlar.
- Standart ekonometri yazılımlarında (R, Stata, Python statsmodels, EViews) minimum kullanıcı çabasıyla yaygın olarak uygulanmıştır.
- Bant genişliği örneklem büyüklüğü ile uygun şekilde büyüdüğünde, hafif düzenlilik koşulları altında asimptotik olarak tutarlıdır.
- Sonlu örneklem performansı, bant genişliği L'nin otokorelasyon derecesine göre çok küçük veya çok büyük seçilmesi durumunda zayıf olabilir.
- Yalnızca zaman serisi bağımlılığını ele alır; enine kesit kümelenmesi ayrı küme-sağlam tahmin ediciler gerektirir.
- Nokta tahminlerini düzeltmez — artıklar otokorelasyonlu ise, OLS tutarlıdır ancak verimsizdir; FGLS veya GLS daha kesin tahminler üretir. HAC, nokta tahminlerini düzeltmez, yalnızca çıkarımı ayarlar.
- Otomatik bant genişliği seçimi kuralları (örneğin, Andrews 1991) yüksek derecede kalıcı süreçlerde hala yetersiz kalabilir.
SSS
Bant genişliği L'yi nasıl seçerim?
Orijinal makale, L'nin T^(1/4) ile orantılı olmasını önermektedir. Andrews (1991) takma kuralı gibi veri güdümlü yöntemler, artıkların AR(1) veya başka bir parametrik modelini uyarlayarak optimal bant genişliğini verilerden tahmin eder. Birçok yazılım paketi, varsayılan olarak otomatik bant genişliği seçimi uygular.
Newey-West modelimdeki otokorelasyonu düzeltir mi?
Hayır. HAC standart hataları, otokorelasyon için hipotez testlerini ve güven aralıklarını ayarlar ancak OLS nokta tahminlerini değiştirmez. Artıklar otokorelasyonlu ise, OLS dışsallık altında tutarlı kalır ancak verimsizdir; FGLS veya GLS daha kesin tahminler üretir. HAC, yapısal bir tedavi değil, bir tanı yardımcısıdır.
Ne zaman küme-sağlam standart hatalar yerine HAC standart hataları kullanmalıyım?
Baskın bağımlılığın zaman içinde değil, gruplar içindeki gözlemler arasındaki (örneğin, firmalar veya bölgeler içindeki bireyler) bağımlılık olduğu durumlarda küme-sağlam hataları kullanın. Hem enine kesit hem de zamansal bağımlılığa sahip panel verilerinde, iki yönlü küme-sağlam tahmin ediciler veya Driscoll-Kraay standart hataları, yalnızca HAC'den daha uygun olabilir.
Kaynaklar
- Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. DOI: 10.2307/1913610 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Newey-West HAC Standard Errors. ScholarGate. https://scholargate.app/tr/econometrics/newey-west-hac
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →