Kantiller İçin ARDL
Quantile Autoregressive Distributed Lag · Ayrıca şöyle bilinir: Quantile ARDL
QARDL (Kantiller İçin Otoregresif Dağıtılmış Gecikme) modeli, koşullu ilişkileri dağılımın farklı noktalarında tahmin etmek için kantil regresyonunu ARDL modellemesiyle birleştirir. Bu sayede, kısa dönemli ve uzun dönemli heterojen etkileri ortaya koyar. Koenker ve Xiao (2006) tarafından tanıtılan ve Cho vd. (2015) tarafından geliştirilen bu model, açıklayıcı değişkenlerin sonuçlar üzerindeki etkisinin kantiller arasında nasıl değiştiğini yakalar. Bu, sadece ortalama etkiler yerine kuyruk davranışını ve dağılımsal etkileri anlamak için esastır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Dağılımsal etkilerin önemli olduğu durumlarda QARDL kullanın; örneğin, gelir artışı politikalarının yoksullara orantısız bir şekilde yardımcı olup olmadığı, para politikası aktarımının müreffeh ve sıkıntılı bölgeler arasında farklılık gösterip göstermediği veya tedarik zinciri kesintilerinin yüksek maliyetli üreticileri düşük maliyetli üreticilerden farklı şekilde etkileyip etkilemediği gibi. Özellikle kuyruk riskleri veya aşırı değerlerin politika alaka düzeyini belirlediği durumlarda değerlidir.
Güçlü yönler & sınırlılıklar
- Koşullu dağılım boyunca heterojen etkileri ortaya koyar
- Kuyruk davranışını ve aşırı olay dinamiklerini tanımlar
- Parametrik olmayan yaklaşım daha az dağılımsal varsayım gerektirir
- Kısa dönemli ve uzun dönemli dağılımsal etkileri ayırt eder
- Hesaplama yoğundur; küçük örneklemlerde aşırı kantillerde standart hatalar büyük olabilir
- Birden çok kantile özgü ilişkinin yorumlanması karmaşık olabilir
- Kantil modelleri için sınırlı eşbütünleşme teorisi; uzun dönemli çıkarım daha az yerleşiktir
- Kantiller arası bağımlılık yapısı genellikle göz ardı edilir, bu da standart hataları potansiyel olarak yanlı hale getirir
SSS
Farklı kantillerdeki eşbütünleşmeyi nasıl yorumlarım?
Medyan'da uzun dönemli bir ilişki varken aşırı kantillerde yoksa, bu koşullu etkilerin değiştiğini gösterir. Kantile özgü eşbütünleşmeyi kantil-birim-kök testleri (örn. Koenker ve Xiao 2006) aracılığıyla test edin.
Hangi kantilleri tahmin etmeliyim?
Kapsamlı bir görünüm için ondalıklarla başlayın (10., 20., ..., 90.). Kuyruklara odaklanmak için aşırı değerleri (5., 95.) ekleyin. Detayı, hesaplama yükü ve aşırı kantillerdeki hassasiyet kaybı arasında dengeleyin.
Kantiller arası standart hataları nasıl ele alırım?
Zamansal ve kantiller arası bağımlılık yapısını dikkate alan bootstrap yöntemleri kullanın. Kantile özgü standart hatalar, kantiller arasında bağımsızlık varsayar ki bu genellikle ihlal edilir.
QARDL yapısal kırılmaları ele alabilir mi?
Evet, ancak yapısal kırılmalar kantile özgü eşik değerleri aracılığıyla işler. Her kantil için kırılmaları test edin; etkiler farklılık gösterebilir (örn. 1990'da medyan'da, ancak 1995'te 75. yüzdelik dilimde kırılma).
Kaynaklar
- Koenker, R., & Xiao, Z. (2006). Quantile autoregression. Journal of the American Statistical Association, 101(475), 980-990. DOI: 10.1198/016214506000000672 ↗
- Cho, J. S., Kim, H., & Shin, Y. (2015). Quantile cointegration in the autoregressive distributed-lag modeling framework. Journal of Econometrics, 188(1), 281-300. DOI: 10.1016/j.jeconom.2015.05.003 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Quantile Autoregressive Distributed Lag. ScholarGate. https://scholargate.app/tr/econometrics/qardl
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kesitsel ARDLEkonometri↔ karşılaştır
- Kesitsel NARDLEkonometri↔ karşılaştır
- Moment Yöntemi Kuantil RegresyonuEkonometri↔ karşılaştır