Sağlam Doğrusal Olmayan Otoregresif Dağıtılmış Gecikme (Sağlam NARDL) Modeli
Robust Nonlinear Autoregressive Distributed Lag Model · Ayrıca şöyle bilinir: Robust Nonlinear ARDL, Outlier-Robust NARDL, Robust Asymmetric ARDL, R-NARDL
Sağlam NARDL, Shin, Yu ve Greenwood-Nimmo (2014) tarafından geliştirilen asimetrik eşbütünleşme çerçevesini aykırı değerlere dayanıklı tahmin yöntemiyle birleştirir. Bir regresörü pozitif ve negatif kısmi toplamlar halinde ayrıştırır, sınır testi yoluyla asimetrik uzun dönemli ilişkileri test eder ve makroekonomik ve finansal zaman serilerinde yaygın olan kaldıraç noktalarına ve toplamsal aykırı değerlere karşı korunmak için OLS (En Küçük Kareler) ölçütünü M- veya MM-tahmin edicisi ile değiştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zaman serisi verilerinde asimetrik bir uzun dönemli ilişki şüphesi olduğunda ve örneklemde aykırı değerler, yapısal kırılmalar veya veri anormallikleri bulunması muhtemel olduğunda — emtia fiyatları, döviz kurları, enerji piyasaları ve krizleri kapsayan makroekonomik serilerde yaygın — Sağlam NARDL kullanın. Standart NARDL sınır testi, OLS tahminlerini bozan birkaç etkili gözleme duyarlı olduğunda uygundur. Açık yapısal kırılma testlerinin yerine geçmediğini unutmayın; seride bilinen rejim değişiklikleri varsa, kırılma kuklaları içeren asimetrik bir eşbütünleşme modeli daha şeffaf olabilir. Ayrıca, sağlam tahminlerin verimliliğini kaybettiği çok kısa örneklemlerde (yaklaşık 50 gözlemin altında) kullanmaktan kaçının.
Güçlü yönler & sınırlılıklar
- OLS-ARDL ve doğrusal eşbütünleşmenin kaçırdığı asimetrik (pozitif vs. negatif) uzun dönemli ilişkileri yakalar.
- Sağlam M- veya MM-tahmini, aykırı değerlerin, yapısal kırılmaların ve veri düzensizliklerinin uzun dönemli katsayı tahminleri üzerindeki etkisini azaltır.
- NARDL sınır testi yaklaşımını korur, bu nedenle entegrasyon derecesi için ön test yapılması kesinlikle gerekli değildir — model aynı anda hem I(0) hem de I(1) regresörleri ele alır.
- Dinamik çarpanlar, pozitif ve negatif şokların zamanla nasıl yayıldığına dair sezgisel bir resim sunar.
- Makroekonomi ve finansta tipik olan küçük ila orta ölçekli örneklemlere uygulanabilir.
- Sağlam tahmin, hesaplama karmaşıklığı ekler ve sonuçları etkileyebilecek kayıp fonksiyonu ve ayarlama sabitinin (örneğin, Huber c = 1.345) seçilmesini gerektirir.
- Sağlam sınır testi için kritik değerler evrensel olarak tablolaştırılmamıştır; simülasyon veya bootstrap çıkarımı genellikle gereklidir.
- Aykırı değerler veri hatalarından ziyade gerçek yapısal kırılmaları yansıtıyorsa, bunların ağırlığını azaltmak ekonomik olarak önemli bilgileri göz ardı edebilir.
- Kısmi toplam ayrıştırması belirli bir asimetri biçimini (birikimli) varsayar; eşik veya düz geçiş modelleri rejim tabanlı asimetri için daha uygun olabilir.
SSS
Sağlam NARDL standart NARDL'den nasıl farklıdır?
Standart NARDL, hata düzeltme denklemini tahmin etmek için adi en küçük kareler yöntemini kullanır, bu da onu aykırı değerlere karşı savunmasız hale getirir. Sağlam NARDL, OLS'yi, büyük artıklara sahip gözlemlere daha az ağırlık veren bir M- veya MM-tahmin edicisi ile değiştirir, böylece uzun dönemli asimetrik katsayılar, birkaç aşırı noktadan ziyade verinin çoğunluğu tarafından belirlenir.
Sağlam NARDL'den önce birim kök testi yapmam gerekir mi?
NARDL sınır testi çerçevesi hem I(0) hem de I(1) regresörleri barındırır, bu nedenle katı birim kök ön testi zorunlu değildir. Ancak, hiçbir değişkenin I(2) olmadığından emin olmalısınız; seride potansiyel aykırı değerler varsa sağlam birim kök testleri (örneğin, Zivot-Andrews veya sağlam ADF varyantları) kullanın.
Sağlam tahmin adımı için hangi kayıp fonksiyonunu kullanmalıyım?
Huber kaybı (normalite altında %95 verimlilik için ayarlama sabiti c ≈ 1.345) yaygın bir varsayılan değerdir. Daha ağır kirlilik için, MM-tahmin edicisi ile birleştirilmiş Tukey bisquare, daha yüksek kırılma noktası sunar. Ayarlama sabitinin seçimine duyarlılığı raporlayın.
Sağlam NARDL'de asimetriyi nasıl test ederim?
Uzun dönemli pozitif katsayının uzun dönemli negatif katsayıya eşit olduğu hipotezi (θ+ = θ−) üzerinde bir Wald testi uygulayın. Anlamlı bir sonuç asimetriyi destekler. Hem uzun dönemli hem de kısa dönemli asimetriyi ayrı ayrı kontrol edin, çünkü bunlar aynı olmak zorunda değildir.
Sağlam NARDL yapısal kırılmaları ele alabilir mi?
Sağlam tahmin, izole aykırı değerlerin etkisini azaltır ancak tam bir yapısal kırılma düzeltmesi değildir. Seride bilinen kırılma tarihleri varsa, kukla değişkenler ekleyin veya sağlam tahminci ile birlikte kırılma artırılmış sınır testleri kullanın.
Kaynaklar
- Shin, Y., Yu, B., & Greenwood-Nimmo, M. (2014). Modelling asymmetric cointegration and dynamic multipliers in a nonlinear ARDL framework. In W. C. Horrace & R. C. Sickles (Eds.), Festschrift in Honor of Peter Schmidt (pp. 281–314). Springer. DOI: 10.1007/978-1-4899-8008-3_9 ↗
- Autoregressive distributed lag. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Nonlinear Autoregressive Distributed Lag Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-nardl
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARDL sınır testi (Pesaran sınır testi)Ekonometri↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır