Sağlam Genelleştirilmiş En Küçük Kareler (Sağlam GLS)
Robust Generalized Least Squares · Ayrıca şöyle bilinir: robust generalized least squares, GLS with robust standard errors, heteroscedasticity-consistent GLS, HC-GLS
Sağlam GLS, klasik Genelleştirilmiş En Küçük Kareler'i, heteroskedastisite ve otokorelasyon tutarlı (HAC) standart hataları eşleştirerek veya GLS çerçevesi içinde M-tahminini kullanarak genişletir. Küresellik dışı hataları - heteroskedastisite, otokorelasyon veya her ikisini birden - düzeltirken aynı zamanda çıkarımı hata kovaryans yapısının yanlış belirtilmesine karşı korur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verilerinizde açık heteroskedastisite veya artıklarda seri korelasyon (Breusch-Pagan, White veya Durbin-Watson testleriyle tespit edilen) varsa VE hata kovaryans yapısının kısmen yanlış belirtilmiş olabileceğine inanmak için nedeniniz varsa Sağlam GLS kullanın. Özellikle hem küresellik dışı hataların hem de model belirsizliğinin yaygın olduğu makroekonomik zaman serileri, finans ve ülke arası panel uygulamalarında değerlidir. Hata yapısının küresel olduğu (homoskedastik, otokorelasyon yok) durumlarda Sağlam GLS kullanmayın - düz OLS yeterli ve daha basittir. Ayrıca çok küçük örneklemlerde (n < 30) kaçının, çünkü sandviç tahminciler güvenilmez olabilir; bunun yerine küme sağlam veya bootstrap çıkarımı tercih edilebilir.
Güçlü yönler & sınırlılıklar
- Küresellik dışı hataları (heteroskedastisite, otokorelasyon) ve yanlış belirtme altındaki çıkarım belirsizliğini eş zamanlı olarak ele alır.
- Katsayı tahminleri, hatalar küresellik dışı olduğunda düz OLS üzerindeki GLS ağırlıklandırmasının verimlilik kazanımlarını korur.
- Sağlam sandviç standart hataları, geniş bir hata kovaryans yanlış belirtme sınıfı altında tutarlıdır.
- Hata yapısının karmaşık olduğu ancak kısmen karakterize edildiği kesitsel, zaman serisi ve havuzlanmış verilere uygulanabilir.
- GLS ve HAC-düzeltilmiş çıkarım arasında doğal bir köprü; standart ekonometri yazılımlarında iyi desteklenir.
- Hata kovaryans matrisi Omega'nın önsel bir tahminini gerektirir; Omega'yı yanlış tahmin etmek, çıkarım sağlam olsa bile katsayı verimliliğini etkiler.
- Sandviç standart hataları asimptotiktir; küçük örneklemlerde (n < 50) gerçek belirsizliği hafife alabilir, bu da aşırı reddetmeye yol açar.
- Düz OLS veya basit sağlam OLS'den daha karmaşık uygulama ve yorumlama; hata yapısını seçmede araştırmacı serbestlik dereceleri ekler.
- Gerçek hata yapısı küresel ise, Sağlam GLS OLS üzerinde verimlilik kazancı sağlamaz ve standart hataları gereksiz yere şişirebilir.
- OLS'den hesaplama açısından daha ağırdır, özellikle Omega'nın iteratif olarak tahmin edilmesi gerektiğinde.
SSS
Sağlam GLS ile Uygulanabilir GLS arasındaki fark nedir?
Uygulanabilir GLS (FGLS), Omega'yı verilerden tahmin eder ve GLS formülüne yerleştirir, ancak Omega'nın doğru bir şekilde belirtildiğini varsayan klasik (sağlam olmayan) standart hataları kullanır. Sağlam GLS, tahminciyi ek olarak bir sandviç kovaryans matrisine sarar, böylece standart hatalar, tahmin edilen Omega kısmen yanlış olsa bile geçerli kalır.
Sağlam GLS uç noktaları veya eksik değişken yanlılığını düzeltir mi?
Hayır. Sağlam GLS, küresellik dışı hataları düzeltir ve çıkarımı kovaryans yanlış belirtilmesine karşı korur, ancak uç noktadaki regresörlerden veya eksik değişkenlerden kaynaklanan yanlılığı ortadan kaldırmaz. Bu sorunlar için araç değişkenleri veya panel sabit etkileri gereklidir.
Sağlam OLS'yi Sağlam GLS'ye ne zaman tercih etmeliyim?
Artıklar heteroskedastisite gösteriyor ancak anlamlı bir otokorelasyon göstermiyorsa ve hata kovaryans şekli hakkında güvenilir önsel bilginiz yoksa, Sağlam OLS (White standart hatalı OLS) daha basittir ve kötü tahmin edilmiş bir Omega'dan kaynaklanan yanlılık riskini ortadan kaldırır. Hata yapısının kısmen bilindiği ve GLS ağırlıklandırmasından kaynaklanan verimlilik kazanımlarının önemli olduğu durumlarda Sağlam GLS tercih edilir.
Hata kovaryans matrisi Omega'yı pratikte nasıl tahmin ederim?
Yaygın yaklaşımlar şunları içerir: (1) önce OLS'yi ayarlamak, ardından heteroskedastisite ağırlıklarını tahmin etmek için kare artıklarını kullanmak; (2) AR(1) hataları gibi belirli bir parametrik form varsaymak ve otokorelasyon katsayısını tahmin etmek; veya (3) parametrik olmayan bir Newey-West HAC çekirdeği kullanmak. Yöntem seçimi, ilk OLS ayarından elde edilen artık tanılarına göre yönlendirilmelidir.
Sağlam GLS standart istatistiksel yazılımlarda mevcut mu?
Evet. R'de nlme ve sandwich paketleri (gls() ile vcovHAC() birleştirilmiş) aracılığıyla; Stata'da xtgls ile sağlam seçenekler aracılığıyla; Python'da statsmodels GLS ile cov_type='HAC' veya 'HC3' aracılığıyla mevcuttur. Yazılımın sandviç düzeltmesini GLS (OLS değil) aşamasında uyguladığını her zaman doğrulayın.
Kaynaklar
- Greene, W. H. (2012). Econometric Analysis (7th ed.). Pearson. Chapter 9: The Generalized Regression Model and Heteroscedasticity. ISBN: 978-0131395381
- White, H. (1980). A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity. Econometrica, 48(4), 817-838. DOI: 10.2307/1912934 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Generalized Least Squares. ScholarGate. https://scholargate.app/tr/econometrics/robust-gls
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş En Küçük Kareler (GLS)İstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Panel Genelleştirilmiş En Küçük Kareler (Panel GLS)Ekonometri↔ karşılaştır
- Sağlam OLS (Sağlam Standart Hatalarla OLS)Ekonometri↔ karşılaştır
- Ağırlıklı En Küçük Kareler (AEKK)İstatistik↔ karşılaştır