Dinamik Panel Veri Modeli
Dynamic Panel Data Model · Ayrıca şöyle bilinir: dynamic panel model, lagged dependent variable panel model, Arellano-Bond type dynamic panel, GMM dynamic panel
Dinamik panel veri modeli, standart panel regresyonunu, sonuç değişkeninin bir veya daha fazla gecikmeli değerini regresör olarak dahil ederek genişletir. Geçmiş sonuçlar mevcut sonuçları doğrudan tahmin ettiğinden, model kalıcılığı ve ayarlama dinamiklerini yakalar — ancak aynı zamanda gecikmeli bağımlı değişken ile bireysel sabit etki arasında bir korelasyon oluşturarak En Küçük Kareler (OLS) ve standart sabit etkiler tahmincilerini tutarsız hale getirir. Arellano-Bond ve Blundell-Bond tarafından geliştirilen GMM tabanlı yaklaşımlar bu sorunu çözer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Teori veya önceki kanıtlar geçmiş sonuçların mevcut sonuçları etkilediğini (alışkanlık kalıcılığı, kısmi ayarlama, yol bağımlılığı) ve verilerinizin N biriminin T dönem boyunca tipik olarak büyük N ve küçük T ile gözlemlendiği bir panel oluşturduğunu gösterdiğinde bir dinamik panel veri modeli kullanın. Özellikle bireysel heterojenliğin şüpheli olduğu (sabit etkileri haklı çıkaran) ancak standart grup içi tahmincilerin gecikmeli bağımlı değişken nedeniyle tutarsız olacağı durumlarda uygundur. T'nin N'ye göre uzun olduğu durumlarda (bunun yerine zaman serisi yöntemlerini kullanın), enstrüman sayısı N'ye yakın veya N'yi aştığında (enstrüman çoğalması) veya panel çok sayıda eksik dönemle ciddi şekilde dengesiz olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Gecikmeli bağımlı değişken sabit etkili OLS'yi etkileyen Nickell yanlılığını ele alır.
- Enstrüman gerektirmeyen gözlemlenmeyen bireysel heterojenliği kontrol eder.
- Dahili enstrümanları (geçmiş gecikmeler) kullanır, bu nedenle çoğu uygulamada harici enstrüman gerekmez.
- Sistem GMM, sonuç yüksek derecede kalıcı olduğunda (alfa 1'e yakın) fark GMM'ye göre verimliliği önemli ölçüde artırır.
- Gecikmeli sonuç dışındaki endojen regresörleri, ek moment koşullarıyla benzer şekilde ele alarak barındırır.
- N'nin T'ye göre büyük olmasını gerektirir; küçük N ile GMM tahmincisi kötü davranabilir.
- Enstrüman çoğalması — çok fazla gecikme derinliği kullanmak — enstrüman sayısını şişirir, Hansen testini zayıflatır ve yanıltıcı derecede iyi bir uyum üretebilir.
- AR(2) ve Hansen testleri küçük örneklemlerde güç kaybeder; reddetmeme enstrüman geçerliliğini garanti etmez.
- Model spesifikasyonu (gecikme uzunluğu, hangi regresörlerin endojen olarak ele alınacağı) dikkatli teorik gerekçelendirme gerektirir.
SSS
Neden gecikmeli bağımlı değişkenle sabit etkili OLS kullanamıyorum?
Sabit etkili (iç) OLS, T küçük olduğunda tutarsızdır çünkü ortalaması alınmış gecikmeli sonuç, ortalaması alınmış hatayla mekanik olarak ilişkilidir — 'Nickell yanlılığı'. Bu yanlılık O(1/T) mertebesindedir, bu nedenle T büyük olduğunda ihmal edilebilir ancak tipik kısa panellerde şiddetlidir.
Ne zaman sistem GMM'yi fark GMM'ye tercih etmeliyim?
Sistem GMM, otoregresif katsayı alfa 1'e yakın olduğunda veya regresörler yüksek derecede kalıcı olduğunda tercih edilir, çünkü gecikmeli seviyeler birinci farkı alınmış denklemde zayıf enstrümanlar haline gelir. Sistem GMM, gecikmeli farkları enstrüman olarak kullanan bir seviye denklemi ekleyerek ilgiyi yeniden sağlar. Kalıcılık düşük olduğunda, fark GMM daha basittir ve eşit derecede verimlidir.
Kaç enstrüman çok fazladır?
Yaygın bir kural, enstrüman sayısını kesitsel birim sayısı N'nin altında tutmaktır. Enstrüman matrisini çökeltmek (her zaman dönemi başına bir enstrüman yerine her değişken başına bir gecikme derinliği için bir enstrüman kullanmak) veya gecikme penceresini sınırlamak, enstrüman çoğalması için standart çözümlerdir.
AR(2) testi reddederse ne anlama gelir?
Arellano-Bond AR(2) testi, birinci farkı alınmış artıklardaki ikinci dereceden otokorelasyonu kontrol eder. Reddetme, seviyelerdeki epsilon_it'nin seri olarak ilişkili olduğu anlamına gelir, bu da y_{i,t-2}'yi bir enstrüman olarak geçersiz kılar. Daha derin gecikmeleri (t-3'ten başlayarak) kullanmalı veya hata yapısını yeniden gözden geçirmelisiniz.
Dinamik panel modeli zaman-sabit etkilerini ele alabilir mi?
Evet. Zaman kuklaları, belirli bir dönemde tüm birimleri etkileyen ortak makroekonomik şokları kontrol etmek için genellikle dahil edilmelidir. Bunlar olmadan, GMM enstrümanları toplu eğilimlere atfedilmesi gereken döneme özgü değişimi emebilir.
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 ↗
- Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115–143. DOI: 10.1016/S0304-4076(98)00009-8 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Panel Data Model. ScholarGate. https://scholargate.app/tr/econometrics/panel-dynamic-panel-data-model
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