Doğrusal Olmayan Otoregresif Dağıtılmış Gecikme Modeli (NARDL)
Nonlinear Autoregressive Distributed Lag Model · Ayrıca şöyle bilinir: NARDL, nonlinear ARDL, asymmetric ARDL, nonlinear bounds test
Doğrusal Olmayan ARDL (NARDL) modeli, doğrusal olmayan uzun ve kısa vadeli ilişkileri sağlamak için doğrusal ARDL sınır testi çerçevesini genişletir. Açıklayıcı bir değişkeni pozitif ve negatif kısmi toplamlarına ayırarak, bir regresördeki artış ve azalışların bağımlı değişken üzerinde farklı etkilere sahip olup olmadığını test eder — bu, doğrusal eşbütünleşme yöntemlerinin yakalayamadığı bir özelliktir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Regresörlerin I(0), I(1) veya bir karışım olabileceği ve ekonomik veya teorik akıl yürütmenin pozitif şoklara verilen tepkinin negatif şoklara verilen tepkiden farklı olduğunu öne sürdüğü zaman serisi verileri (veya kısa paneller) ile NARDL kullanın — örneğin, asimetrik fiyat iletimi, asimetrik para politikası etkileri veya tüketimdeki ratcheting etkileri. Örneklem boyutu çok küçük olduğunda (yaklaşık 60 gözlemden az), regresörler I(2) olduğunda (bu, sınır testini geçersiz kılar), asimetri için teorik bir motivasyon olmadığında (simetrik bir ARDL daha tutumludur) veya yapısal kırılmalar seriye hakim olduğunda (bunun yerine eşik veya Markov anahtarlama yaklaşımlarını düşünün) NARDL'den kaçının.
Güçlü yönler & sınırlılıklar
- Tek bir birleşik model içinde eşbütünleşme ve asimetriyi eş zamanlı olarak test eder.
- Karışık dereceli entegrasyonla (birlikte I(0) ve I(1) regresörleri) çalışır, bu nedenle sınır testi öncesinde birim köklerin önceden test edilmesi gerekmez.
- Pozitif ve negatif şokları takiben ayarlamanın hızını ve yolunu ölçen dinamik çarpan grafikleri sağlar.
- Asimetriyi sonradan teşhis olarak ele almak yerine doğrudan kısa ve uzun vadeli asimetrik katsayıları tahmin eder.
- Hata düzeltme formu üzerinde OLS ile tahmin edilir, bu da standart yazılımlarda (EViews, R nardl paketi, Stata) hesaplama açısından basittir.
- Güvenilir sınır kritik değerleri ve gecikme seçimi için orta derecede büyük bir örneklem (en az ~60 zaman serisi gözlemi) gerektirir.
- I(2) regresörlerini barındıramaz; ikinci dereceden entegrasyonu dışlamak için ön testler hala gereklidir.
- Gecikme derecesi seçimi (AIC/SIC kriterleri) küçük örneklemlerde hassas olabilir ve farklı gecikme uzunlukları bazen asimetri testi sonuçlarını tersine çevirebilir.
- Kısmi toplam ayrıştırması tek bir yapısal asimetri formu varsayar; daha karmaşık doğrusal olmayanlıklar (rejim anahtarlama, eşik etkileri) uzman modeller gerektirir.
SSS
ARDL ve NARDL arasındaki fark nedir?
Doğrusal ARDL, her regresörü simetrik olarak ele alır ve tek bir uzun vadeli katsayı tahmin eder. NARDL, her regresörü pozitif ve negatif kısmi toplamlarıyla değiştirir ve her yön için ayrı katsayılar tahmin eder, bu da pozitif bir şokun uzun vadeli etkisinin negatif bir şokunkinden farklı olmasına izin verir.
NARDL çalıştırmadan önce birim kökleri test etmem gerekir mi?
Hiçbir regresörün I(2) olmadığından emin olmalısınız; herhangi biri I(2) ise, sınır F-testi geçersizdir. Regresörleri kesin olarak I(0) veya I(1) olarak sınıflandırmanız gerekmez — NARDL sınır testi karışımlara karşı dayanıklıdır — ancak I(2) davranışını dışlamak esastır.
NARDL'de dinamik çarpan nedir?
Dinamik çarpan, birim pozitif veya negatif şoku takiben mevcut dönemden yeni uzun vadeli dengeye kadar bağımlı değişkenin kümülatif tepkisini izler. Her ufukta pozitif ve negatif çarpan yolları arasındaki boşluk, zamanla asimetriyi görselleştirir.
Asimetrinin istatistiksel olarak anlamlı olup olmadığını nasıl test ederim?
Uzun vadeli asimetri için uzun vadeli asimetrik çarpanları (theta+/|rho| ve theta-/|rho|) karşılaştıran bir Wald testi uygulayın ve ayrı ayrı pozitif ve negatif kısmi toplamlar için kısa vadeli gecikme katsayılarının toplamlarını karşılaştırın. Geleneksel anlamlılık düzeylerinde eşitliğin reddedilmesi asimetriyi destekler.
NARDL için kaç gözleme ihtiyacım var?
Genel bir kural, sınır testinde ve asimetri Wald testinde yeterli gücü elde etmek için en az 60 zaman serisi gözlemidir. Daha az gözlemle, uzun gecikme uzunlukları barındırılamaz ve kritik değerler güvenilmez hale gelir.
Kaynaklar
- Shin, Y., Yu, B., & Greenwood-Nimmo, M. (2014). Modelling asymmetric cointegration and dynamic multipliers in a nonlinear ARDL framework. In R. C. Sickles & W. C. Horrace (Eds.), Festschrift in Honor of Peter Schmidt: Econometric Methods and Applications (pp. 281-314). Springer. DOI: 10.1007/978-1-4899-8008-3_9 ↗
- Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326. DOI: 10.1002/jae.616 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Nonlinear Autoregressive Distributed Lag Model. ScholarGate. https://scholargate.app/tr/econometrics/nonlinear-nardl
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARDL sınır testi (Pesaran sınır testi)Ekonometri↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR) ModeliEkonometri↔ karşılaştır