Dinamik Panel Veriler için Doğrusal Olmayan Arellano-Bond GMM
Nonlinear Arellano-Bond Generalised Method of Moments · Ayrıca şöyle bilinir: nonlinear AB-GMM, dynamic nonlinear panel GMM, nonlinear difference GMM, NL-GMM dynamic panel
Doğrusal Olmayan Arellano-Bond GMM, koşullu ortalama fonksiyonunun parametrelerde veya değişkenlerde doğrusal olmadığı panel modellerine klasik Arellano-Bond fark-GMM çerçevesini genişletir. Bireysel sabit etkileri ortadan kaldırmak için ilk fark alma işleminden sonra bağımlı değişkenin gecikmiş seviyelerini araç olarak kullanır, bu da sayım, süre veya çarpımsal modeller gibi doğrusal olmayan belirteçlere sahip kısa dinamik panellerde tutarlı tahminler verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zaman boyutu kısa (küçük T, büyük N), gecikmiş bağımlı değişken, bireysel sabit etkiler ve doğrusal olmayan koşullu ortalama içeren panel verileriniz olduğunda Doğrusal Olmayan Arellano-Bond GMM'yi kullanın — örneğin, sayım verileri için üstel modeller, süre veya hazard modelleri veya çarpımsal verimlilik belirteçleri. Standart doğrusal fark-GMM'nin ilişkiyi yanlış belirteceği durumlarda uygundur. T, N'ye göre büyük olduğunda (sabit-T asimptotiği başarısız olabilir), araç sayısı N'ye göre çok büyük olduğunda (araç çoğalma yanlılığı), modelde gerçek bir dinamik (gecikmiş sonuç) bileşeni olmadığında veya doğrusal bir yaklaşım yeterli olduğunda ve daha basit doğrusal GMM yeterli olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Sabit etkiler üzerinde dağılım varsayımları gerektirmeden doğrusal olmayan dinamik panellerde gözlemlenmeyen bireysel sabit etkileri tutarlı bir şekilde ele alır.
- İçsel araçlardan (gecikmiş seviyeler) yararlanır, bu nedenle dışsal araç gerektirmez, bu da iyi dışsal araçların mevcut olmadığı durumlarda bile uygulanabilir olmasını sağlar.
- İki adımlı optimal ağırlık matrisi aracılığıyla doğru belirtim altında asimptotik olarak verimlidir.
- Sargan-Hansen aşırı tanımlama testi, araç geçerliliği için resmi bir tanı sağlar.
- Üstel, lojistik ve Box-Cox belirteçleri dahil olmak üzere çok çeşitli doğrusal olmayan ortalama fonksiyonlarını barındırır.
- Tutarlılık, büyük-N, kısa-T asimptotik çerçevesine dayanır; T, N'ye göre uzun olduğunda performans düşer.
- Araç çoğalması — çok fazla gecikme kullanmak — araç sayısını şişirir, Sargan-Hansen testini reddetmeme yönünde yanlılaştırır ve sonlu örnek verimsizliğine neden olabilir.
- GMM kriterinin doğrusal olmayan optimizasyonu, başlangıç değerlerine duyarlı olabilir ve yerel minimumlara yakınsayabilir.
- İlk fark alma, etkili örnek boyutunu azaltır ve ölçüm hatasını artırır, bu da tahminleri aşağı doğru yanlılaştırabilir.
- İki adımlı standart hatalar küçük örneklerde aşağı doğru yanlı olma eğilimindedir; Windmeijer (2005) sonlu örnek düzeltmesi tavsiye edilir.
SSS
Doğrusal Olmayan Arellano-Bond GMM, standart (doğrusal) Arellano-Bond tahmincisinden nasıl farklıdır?
Doğrusal versiyon, y_it = y_{i,t-1}β + x_it γ + α_i + u_it varsayar ve fark alma işleminden sonra 2SLS ile tahmin edilebilir. Doğrusal olmayan versiyon, g(y_{i,t-1}, x_it, β)'nın herhangi bir düzgün doğrusal olmayan fonksiyon olmasına izin verir, bu nedenle fark alınmış denklem kapalı formda çözülemez ve GMM kriteri sayısal olarak minimize edilmelidir.
Araç olarak kaç gecikme dahil etmeliyim?
İki veya üç gecikme ile başlayın ve daha fazla gecikme eklemenin tahminleri önemli ölçüde değiştirip değiştirmediğini kontrol edin. Araç çoğalmasını sınırlamak için araç çökertme yaklaşımını (her gecikme dönemi başına bir araç yerine gecikme başına bir araç) kullanın. Bir kural olarak, araç sayısını grup sayısı N'nin oldukça altında tutun.
AR(2) testi neyi kontrol eder ve neden önemlidir?
Arellano-Bond AR(2) testi, ilk fark alınmış kalıntılarda ikinci dereceden seri korelasyonu kontrol eder. AR(2) anlamlıysa, gecikme-2 araçları hata ile ilişkili demektir, bu da tanımlayıcı varsayımları ihlal eder. Farklardaki AR(1) otokorelasyonu beklenir ve tahminciyi geçersiz kılmaz.
Tek adımlı mı yoksa iki adımlı GMM mi kullanmalıyım?
İki adımlı GMM asimptotik olarak daha verimlidir ancak sonlu örneklerde standart hataları aşağı doğru yanlıdır. İki adımlı GMM kullanırken her zaman Windmeijer (2005) sonlu örnek düzeltmesini uygulayın. Küçük panellerde, sağlam standart hatalarla tek adımlı GMM daha güvenilir olabilir.
Bunun yerine ne zaman Sistem GMM kullanmalıyım?
Gecikmiş bağımlı değişken yüksek derecede kalıcıysa (bir köke yakınsa), gecikmiş seviyeler fark denklemi için zayıf araçlardır. Blundell-Bond Sistem GMM, araç gücünü iyileştiren seviyelerde moment koşulları ekler. Doğrusal olmayan belirteçler için benzer sistem genişletmeleri önerilmiştir ancak daha az standarttır; fonksiyonel formunuz için ilgili literatürü kontrol edin.
Kaynaklar
- Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277–297. DOI: 10.2307/2297968 ↗
- Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press. ISBN: 978-0262232586
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Nonlinear Arellano-Bond Generalised Method of Moments. ScholarGate. https://scholargate.app/tr/econometrics/nonlinear-arellano-bond-gmm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →