Sağlam Arellano-Bond GMM Tahmincisi
Robust Arellano-Bond Generalized Method of Moments Estimator · Ayrıca şöyle bilinir: Robust Difference GMM, AB-GMM with robust standard errors, Robust first-difference GMM, Arellano-Bond robust estimator
Sağlam Arellano-Bond GMM tahmincisi, dinamik panel verilerine Arellano-Bond birinci fark GMM yaklaşımını uygular ve aynı zamanda değişen varyans ve otokorelasyon tutarlı (sağlam) standart hataları hesaplar. Bu birleşim, gecikmeli bağımlı değişkenlerden kaynaklanan Nickell yanlılığını ele alır ve hata varyansları birimler veya dönemler arasında farklılık gösterdiğinde güvenilir çıkarım sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kısa bir paneliniz (küçük T, büyük N) olduğunda, gecikmeli bağımlı değişken, birim sabit etkileri ve hatalarda potansiyel değişen varyans veya kümelenme olduğunda Sağlam Arellano-Bond GMM kullanın. Birimler arasında standart hataların değiştiği firma düzeyinde, ülke düzeyinde veya birey düzeyinde dinamik modeller için uygun bir seçimdir. T'nin N'ye göre büyük olduğu durumlarda (sistem GMM veya zaman serisi yöntemleri tercih edilir), araç değişken sayısı patladığında (araç değişken sayısı grupların sayısını aşmamalıdır) veya sonuçta gerçek bir dinamik yapı olmadığında kullanmayın — bu durumlarda daha basit panel tahmincileri yeterlidir.
Güçlü yönler & sınırlılıklar
- Gecikmeli bağımlı değişken ile birim sabit etkileri arasındaki korelasyondan kaynaklanan Nickell yanlılığını ortadan kaldırır.
- Sağlam standart hatalar (Windmeijer-düzeltilmiş veya küme-sağlam) değişen varyansa ve küme içi korelasyona karşı koruma sağlar, saf iki adımlı GMM standart hatalarının ciddi aşağı doğru yanlılığından kaçınır.
- Dahili araç değişkenlerden (daha derin gecikmeler) yararlanır, bu nedenle dinamik bileşen için harici araç değişkenlere gerek yoktur.
- AR(1)/AR(2) ve Hansen J-testi, araç değişken geçerliliği için resmi tanılama sağlar.
- Yaygın olarak kabul görmüş ve tekrarlanabilir; Stata (xtabond2, xtabond), R (plm, pgmm) ve Python (linearmodels) içinde mevcuttur.
- Yalnızca N büyük ve T küçük olduğunda verimlidir; T büyüdükçe araç değişken sayısı arttığı için performansı düşer.
- Araç değişken çoğalması — çok fazla gecikme kullanmak — Hansen testini zayıflatır ve geçersiz araç değişkenleri maskeleyerek aşırı uyuma neden olabilir.
- Birinci fark alma, birimler arası değişimi göz ardı eder; eğer tanımlayıcı değişimin çoğu kesitsel ise, Sistem GMM daha verimlidir.
- Geçerli araç değişkenleri oluşturmak için en az T = 3 zaman periyodu gerektirir ve tahminci yalnızca iki periyotla tanımsızdır.
SSS
Bu tahmincide standart hataları 'sağlam' yapan nedir?
Burada sağlam, iki adımlı GMM kovaryans matrisine uygulanan Windmeijer (2005) sonlu örnek düzeltmesini veya keyfi küme içi hata korelasyonuna izin veren küme-sağlam standart hataları ifade eder. Bu düzeltme olmadan, iki adımlı GMM standart hataları aşırı derecede küçüktür ve yanıltıcı t-istatistikleri üretir.
Bu, düz Arellano-Bond GMM'den nasıl farklıdır?
Nokta tahminleri aynıdır. Fark yalnızca standart hataların nasıl hesaplandığı konusunda yatmaktadır. Sağlam Arellano-Bond GMM, varyans için Windmeijer-düzeltilmiş veya küme-sağlam sandviç tahmincisini kullanırken, temel sürüm yöntemin uygulandığı tipik N = 50-500, T = 5-10 panellerde güvenilmez olan asimptotik GMM formülünü kullanır.
Kaç araç değişkeni kullanmalıyım?
Pratik bir kural, araç değişken sayısını kesitsel birim sayısının altında tutmaktır. Her değişken için her gecikme-dönem kombinasyonu yerine bir araç değişken oluşturmak üzere xtabond2'deki 'collapse' seçeneğini kullanın ve gecikme derinliğini sınırlayarak sağlamlığı doğrulayın.
Sistem GMM'yi Sağlam Arellano-Bond GMM'ye ne zaman tercih etmeliyim?
Bağımlı değişken yüksek derecede kalıcı olduğunda (birim köke yakın) veya regresörler rastgele yürüyüşlere yakın olduğunda, Arellano-Bond tarafından kullanılan gecikmeli seviye araç değişkenleri zayıftır. Sistem GMM (Blundell & Bond, 1998), bu durumlarda verimliliği önemli ölçüde artırarak seviye denklemi için gecikmeli farkları araç değişken olarak ekler.
AR(2) testi neyi kontrol eder?
AR(2) testi, birinci fark alınmış artıklardaki ikinci dereceden seri korelasyonu kontrol eder. Birinci fark alma MA(1) hataları ürettiği için, farklarda AR(1) beklenir ve sorun değildir. Ancak farklarda AR(2), orijinal hatalarda AR(1) anlamına gelir, bu da t-2 gecikmelerini geçersiz araç değişkenler yapar.
Kaynaklar
- Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The 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. The Stata Journal, 9(1), 86-136. DOI: 10.1177/1536867X0900900106 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Arellano-Bond Generalized Method of Moments Estimator. ScholarGate. https://scholargate.app/tr/econometrics/robust-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
- Arellano-Bond Tahmincisi Olarak Fark GMMEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Panel Arellano-Bond GMM TahmincisiEkonometri↔ karşılaştır
- Panel Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Panel Sistem GMM (Blundell-Bond Tahmincisi)Ekonometri↔ karşılaştır