Sağlam ARMA Modeli
Robust Autoregressive Moving Average Model · Ayrıca şöyle bilinir: robust ARMA, outlier-robust ARMA, M-estimator ARMA, resistant ARMA estimation
Sağlam ARMA modeli, dışsal değerlere karşı duyarlı en küçük kareler kaybını dışsal değerlere dayanıklı tahmin yöntemleriyle (genellikle M-tahmincileri veya medyan tabanlı yaklaşımlar) değiştirerek klasik Otoregresif Hareketli Ortalama çerçevesini genişletir. Bu, ekonomik ve finansal zaman serilerinde yaygın olan eklenmiş dışsal değerler, seviye kaymaları veya yenilikçi dışsal değerler tarafından katsayı tahminlerinin ve tahminlerin bozulmasını önler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek değişkenli, yaklaşık durağan bir zaman serisine sahip olduğunuzda, dışsal değerler, seviye kaymaları veya izole edilmiş anormal gözlemler içerdiğinden şüphelendiğinizde – ekonomik serilerde durgunluk dönemleri, finansal krizler veya veri toplama hataları etrafında yaygın durumlar – Sağlam ARMA'yı kullanın. Tahmin doğruluğu önemli olduğunda ve birkaç aşırı değerin modeli bozmasını istemediğinizde özellikle değerlidir. Seri açıkça durağan değilse (fark alın veya önce ARIMA kullanın), veriler tasarıma göre gerçekten ağır kuyruklu ise (bunun yerine volatilite kümelenmesi için GARCH'ı düşünün) veya çok az gözleminiz varsa ve anomalileri güvenilir bir şekilde tespit edemiyor veya aşağı ağırlıklandıramıyorsanız KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Eklenmiş dışsal değerler ve seviye kaymalarından kaynaklanan bozulmalara karşı parametre tahminlerini ve tahminleri korur.
- Serinin tipik dinamiklerini temsil eden, bunun yerine birkaç aşırı değer tarafından yönlendirilmeyen katsayılar üretir.
- Sağlamlık ağırlıkları aracılığıyla hangi gözlemlerin anormal olarak işaretlendiği hakkında açık bilgi sağlar.
- Standart ARMA çerçevesinin yorumlanabilirliğini ve tutumluluğunu korur.
- Dışsal değerler mevcut olduğunda ancak yapısal olarak anlamlı olmadığında tahmin hatasını azaltır.
- Klasik ARMA'dan daha fazla hesaplama gerektirir; başlangıç değerlerine duyarlı olabilecek iteratif algoritmalar gerektirir.
- Sağlam standart hatalar ve testler daha karmaşıktır ve yazılım paketlerinde daha az evrensel olarak uygulanmıştır.
- Seride izole edilmiş dışsal değerler yerine gerçek yapısal kırılmalar varsa, yalnızca sağlam ağırlıklandırma yetersizdir – yapısal kırılma modeli gereklidir.
- Kayıp fonksiyonu için ayarlama sabitinin (örneğin, Huber'in k'sı) seçilmesi, verimlilik-sağlamlık dengesini etkiler ve yargı gerektirir.
- Ağır kuyrukların sürecin gerçek bir özelliği olduğu (örneğin, volatilite kümelenmesi olan finansal getiriler) yerine veri kalitesi sorunları olduğu durumlarda daha az uygundur.
SSS
Sağlam ARMA, standart ARMA'dan nasıl farklıdır?
Standart ARMA, en küçük kareler veya en büyük olabilirlik tahminini kullanır, bu da büyük artık değerlere karşı oldukça hassastır. Sağlam ARMA, bu kaybı sınırlı bir fonksiyonla (örneğin, Huber veya Tukey bisquare) değiştirir, böylece aşırı gözlemler tam olarak uydurulmak yerine aşağı ağırlıklandırılır. Model yapısı aynıdır; yalnızca tahmin kriteri değişir.
Sağlam ARMA uydurmadan önce hala durağanlık kontrolü yapmam gerekiyor mu?
Evet. Sağlam ARMA, serinin durağan olduğunu varsayar. Seride birim kök varsa, önce onu fark etmelisiniz (bir ARIMA çerçevesi üreterek) ve ardından fark edilmiş seriye sağlam tahmin uygulamalısınız. Dışsal değerlerin varlığı, standart birim kök testlerinin durağanlığı aşırı reddetmesine neden olabilir, bu nedenle sağlam birim kök testleri de faydalı olabilir.
Sağlam ARMA'da tipik olarak hangi kayıp fonksiyonları kullanılır?
Huber kayıp fonksiyonu en yaygın olanıdır: küçük artık değerler için karesel hataya, büyük olanlar için ise mutlak hataya benzer şekilde davranır. Tukey bisquare (biweight) fonksiyonu, çok büyük artık değerlerin etkisini tamamen sınırlayarak daha ileri gider. Seçim, dışsal değerlerin ne kadar agresif bir şekilde aşağı ağırlıklandırıldığını belirler.
Ne zaman yapısal kırılma modelini Sağlam ARMA'ya tercih etmeliyim?
Aykırı davranış, serinin seviyesinde veya eğiliminde kalıcı bir kayma ise – izole edilmiş bir sıçrama yerine – yapısal kırılma modeli (örneğin, Bai-Perron) daha uygundur. Sağlam ARMA, izole edilmiş dışsal değerleri iyi idare eder ancak rejim değişikliklerini açıkça modellemez.
Sağlam ARMA standart ekonometri yazılımlarında mevcut mu?
Destek değişir. R paketleri RobustBase, robustarima ve tsrobprep gibi sağlam zaman serisi tahminini uygular. Stata ve EViews sınırlı yerleşik desteğe sahiptir; kullanıcılar genellikle özel iteratif yeniden ağırlıklandırılmış en küçük kareler rutinleri aracılığıyla sağlam ARMA uygular.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Autoregressive Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-arma-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- ARMA Modeli (Otokoregresif Hareketli Ortalama)Ekonometri↔ karşılaştır
- Sağlam Otoregresif ModelEkonometri↔ karşılaştır
- Sağlam Hareketli Ortalama (MA) ModeliEkonometri↔ karşılaştır
- Sağlam OLS (Sağlam Standart Hatalarla OLS)Ekonometri↔ karşılaştır