Panel Arellano-Bond GMM Tahmincisi
Panel Data Arellano-Bond Generalized Method of Moments Estimator · Ayrıca şöyle bilinir: Arellano-Bond GMM, AB-GMM, difference GMM estimator, dynamic panel GMM
Arellano-Bond GMM tahmincisi, dinamik panel modellerinin iki temel sorununu — regresörlerle ilişkili bireysel sabit etkiler ve gecikmeli bağımlı değişkenin getirdiği içsellik — ele alır; öncelikle sabit etkileri gidermek için fark alma yöntemi kullanılır ve ardından bağımlı değişkenin seviyelerinin gecikmeleri içsel araç değişkenler olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Panel veriye sahip olduğunuzda, orta sayıda zaman periyodu (T küçükten orta dereceye, N büyük), modelde gecikmeli bağımlı değişken ve regresörlerle muhtemelen ilişkili sabit etkiler olduğunda Arellano-Bond GMM tahmincisini kullanın. T'nin 5 ila 15 arasında ve N'nin yüzlerce veya binlerce olduğu yıllık firma düzeyindeki veya ülke düzeyindeki paneller için uygundur. T'nin N'ye göre çok büyük olduğu durumlarda (zaman serisi yöntemlerini kullanın), N'nin küçük olduğu durumlarda (araç çoğalması Sargan testinin gücünü kaybetmesine neden olur) veya hataların seri olarak ilişkili olduğuna inanmak için nedenler olduğunda (örneğin, ikinci dereceden veya daha yüksek) kullanmayın — bu durumda araç geçerliliği varsayımı ihlal edilir.
Güçlü yönler & sınırlılıklar
- Harici araç değişken gerektirmeden zamana-sabit gözlemlenmeyen heterojenliği ortadan kaldırır.
- Sabit etkili bir modelde gecikmeli bağımlı değişkeni dahil etmekten kaynaklanan Nickell yanlılığını ele alır.
- T arttıkça artan bir içsel araç değişken setinden yararlanarak verimliliği artırır.
- Windmeijer düzeltilmiş standart hatalara sahip iki adımlı varyant asimptotik olarak verimlidir.
- Aşırı tanımlama (Hansen) ve seri korelasyon (AR) testleri yerleşik spesifikasyon kontrolleri sağlar.
- Hataların ikinci dereceden seri olarak ilişkisiz olduğunu varsayar; AR(2) mevcutsa, gecikmeli seviyeler geçersiz araç değişkenlerdir.
- Araç sayısı T ile karesel olarak artar, bu da Hansen testinin daha uzun panellerde gücünü kaybetmesine neden olur — araç çoğalması bilinen bir tuzaktır.
- N'nin küçük olduğu durumlarda performansı düşüktür; asimptotik yaklaşım büyük N gerektirir.
- Sistem GMM varyantı (Blundell-Bond), seriler birim köke yakın olduğunda genellikle tercih edilir, çünkü bu durumda fark GMM verimliliğini kaybeder.
SSS
Arellano-Bond ve Blundell-Bond (sistem GMM) arasındaki fark nedir?
Arellano-Bond (fark GMM) fark alınmış denklemi gecikmeli seviyelerle araçlar. Blundell-Bond (sistem GMM), seviye denklemi için gecikmeli farkları araç olarak kullanan ikinci bir moment koşulları seti ekler. Sistem GMM, bağımlı değişken kalıcı olduğunda (birim köke yakın) daha verimlidir, ancak başlangıç koşulları üzerinde ek bir durağanlık varsayımı gerektirir.
Ne kadar araç çok fazladır?
Yaygın bir kural, araç sayısını grup sayısı N'nin altında tutmaktır. xtabond2 gibi yazılımlarda 'collapse' seçeneğini kullanmak, her dönem için bir tane yerine değişken ve gecikme mesafesi başına bir araç oluşturarak çoğalmayı önemli ölçüde azaltır.
AR(2) testi bana ne anlatıyor?
Fark alınmış artıklar içinde ikinci dereceden seri korelasyonu testi eder. Yapı gereği AR(1) korelasyonu beklenir; AR(2) seviye hatalarının birinci gecikmede ilişkili olduğu anlamına gelir, bu da moment koşullarını ihlal eder. AR(2) için 0.05'in üzerindeki bir p-değeri, araç geçerliliği varsayımını destekler.
Arellano-Bond'u dengeli panel gereksinimiyle kullanabilir miyim?
Hayır — tahminci, dengesiz panelleri doğal olarak ele alır. Eksik gözlemler, o birim için mevcut olan geçerli moment koşullarının sayısını azaltır, ancak tahmin, kalan gözlemler için tutarlı bir şekilde devam eder.
Tek adımlı mı yoksa iki adımlı GMM mi kullanmalıyım?
İki adımlı GMM asimptotik olarak verimlidir, ancak standart hataları sonlu örneklemlerde ciddi şekilde aşağı yönlü yanlıdır. İki adımlı standart hatalara Windmeijer'in (2005) sonlu örneklem düzeltmesini her zaman kullanın; çoğu yazılım paketi (örneğin, robust seçeneğiyle xtabond2) bunu otomatik olarak uygular.
Kaynaklar
- Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. Review of Economic Studies, 58(2), 277–297. DOI: 10.2307/2297968 ↗
- Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. Stata Journal, 9(1), 86–136. DOI: 10.1177/1536867X0900900106 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Data Arellano-Bond Generalized Method of Moments Estimator. ScholarGate. https://scholargate.app/tr/econometrics/panel-arellano-bond-gmm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond GMM TahmincisiEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Panel Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Panel Rastgele Etkiler ModeliEkonometri↔ karşılaştır
- Panel Sistem GMM (Blundell-Bond Tahmincisi)Ekonometri↔ karşılaştır