Panel EGARCH — Panel Verileri için Üstel GARCH
Panel Exponential Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: Panel EGARCH model, panel exponential GARCH, EGARCH for panel data, cross-sectional EGARCH
Panel EGARCH, Nelson'ın (1991) Üstel GARCH modelini bir panel ortamına genişleterek, her bir kesitsel birim için koşullu varyansın zaman içinde asimetrik olarak evrilmesine olanak tanır. Logaritma spesifikasyonu, parametre kısıtlamaları olmaksızın negatif olmayan varyansı garanti eder ve kaldıraç terimi, negatif şokların eşit büyüklükteki pozitif şoklardan daha fazla oynaklığı artırıp artırmadığını ayırt eder.
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 verilerinizde zamanla değişen oynaklık varsa ve pozitif şoklara karşı asimetrik bir tepki şüpheniz varsa — örneğin, hisse senedi getirisi panelleri, egemen kredi-spread verileri veya panel enerji-fiyat serileri — Panel EGARCH'ı kullanın. Bireysel zaman serilerinin orta derecede uzun (birim başına T >= 50) ancak tek birim EGARCH'ı güvenilir bir şekilde tahmin etmek için yeterince uzun olmadığı, bu nedenle birimler arasında havuzlamanın faydalı olduğu durumlarda uygundur. Paneliniz zaman boyutunda çok kısaysa (T < 30), çünkü oynaklık özyinelemeleri yeterli geçmişe ihtiyaç duyar; ayrıca koşullu heteroskedastisite için a priori bir neden yoksa (örneğin, saf kesitsel veriler veya bir ARCH-LM testini geçen seriler) kaçının.
Güçlü yönler & sınırlılıklar
- Kaldıraç etkisini yakalar: negatif şoklar, pozitif şoklardan daha fazla oynaklığı artırabilir, bu da simetrik GARCH'ın kaçırdığı bir desendir.
- Logaritma spesifikasyonu, parametrelere eşitsizlik kısıtlamaları getirmeden negatif olmayan koşullu varyansı garanti eder.
- Panel havuzlaması, bireysel T orta düzeydeyken hassasiyeti artırır, tek birim EGARCH'ta yetersiz güce sahip olacak asimetri testlerine olanak tanır.
- Esnek: kesit-özgü sabit terimlere izin verirken eğim parametrelerini havuzlayabilir, tutumluluk ve heterojenliği dengeler.
- Finansal veriler için şişkin kuyruklu yenilik dağılımlarıyla (Student-t, GED) uyumludur.
- Her birim için makul derecede uzun bir zaman boyutu (T >= 50) gerektirir; çok kısa paneller güvenilmez varyans özyinelemeleri üretir.
- Log-varyans özyinelemesi, çok adımlı tahminleri karmaşıklaştırır çünkü log-varyansın tahmini, varyans tahmininin logaritmasına eşit değildir.
- Tamamen heterojen spesifikasyonlar çok sayıda parametre tüketir ve N büyük ve T küçük olduğunda aşırı uyuma neden olabilir.
- Maksimum olabilirlik tahmini başlangıç değerlerine duyarlıdır; yakınsama garanti edilmez ve yerel optimumlar mümkündür.
SSS
Panel EGARCH, Panel GARCH'tan nasıl farklıdır?
Panel GARCH, koşullu varyansı doğrudan modeller ve parametreler üzerinde negatif olmayan kısıtlamalar gerektirir. Panel EGARCH, koşullu varyansın logaritmasını modeller, bu kısıtlamaları ortadan kaldırır ve kaldıraç etkisini — negatif şokların pozitif şoklardan daha fazla oynaklığı artırma eğilimini — yakalamak için işaretli bir şok terimi (gamma) ekler.
Negatif ve anlamlı bir gamma katsayısı ne anlama gelir?
Anlamlı bir negatif gamma, bir kaldıraç etkisi olduğunu gösterir: negatif yenilikler, aynı büyüklükteki pozitif yeniliklerden daha fazla log-koşullu varyansı artırır. Bu, kötü haberlerin belirsizliği iyi haberlerden daha fazla artırdığı hisse senedi piyasalarında tipiktir.
Tüm parametreleri birimler arasında havuzlayabilir miyim?
Tutumluluk için tam homojenlik dayatabilirsiniz, ancak birimler farklı ekonomik ortamlarda faaliyet gösteriyorsa risklidir. Yaygın bir uzlaşma, kalıcılık (beta) ve kaldıraç (gamma) parametrelerini havuzlamak ancak birim-özgü sabit terimlere (omega_i) izin vermek ve homojenlik kısıtlamalarını bir Wald veya olabilirlik oranı testi ile test etmektir.
EGARCH'ın doğru şekilde belirtildiğini nasıl kontrol ederim?
Standartlaştırılmış artıklar z_it = epsilon_it / sqrt(h_it) hesaplayın. Bunlar i.i.d.'ye yakın olmalıdır. Hem z_it hem de z_it-kare üzerinde Ljung-Box testleri uygulayın; karelerde anlamlı otokorelasyon, kalan ARCH etkilerini gösterir. Ayrıca seçilen yenilik dağılımının (normal - Student-t) kuyruk davranışına uyup uymadığını kontrol edin.
Panel kesitsel bağımlılığa sahip olduğunda Panel EGARCH uygun mudur?
Koşullu varyans özyinelemesi kendi başına birim-özgüdür, ancak yeniliklerdeki kesitsel bağımlılık standart hataları şişirebilir. Birimler arasındaki eşzamanlı korelasyon birincil endişe kaynağı olduğunda küme-sağlam standart hataları veya bir DCC (Dinamik Koşullu Korelasyon) modeli kullanın.
Kaynaklar
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). Wiley. ISBN: 978-0470414354
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/panel-egarch
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Panel DCC-GARCH ModeliEkonometri↔ karşılaştır
- Panel GARCH ModeliEkonometri↔ karşılaştır
- Panel TGARCH (Panel Verileri için Eşikli GARCH)Ekonometri↔ karşılaştır