Robust Sistem GMM
Robust System Generalized Method of Moments Estimator · Ayrıca şöyle bilinir: system GMM with robust standard errors, two-step system GMM, Blundell-Bond robust estimator, robust S-GMM
Robust Sistem GMM, Blundell ve Bond'un (1998) fark ve düzey moment koşullarını Windmeijer'in (2005) iki aşamalı varyansa uyguladığı sonlu örneklem düzeltmesiyle birleştiren iki aşamalı bir panel veri tahmincisidir. Bu sayede, kalıcı bağımlı değişken, bireysel sabit etkiler ve potansiyel olarak içsel regresörler içeren kısa panellerde bile geçerli 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
Robust Sistem GMM'yi, nispeten az sayıda zaman periyodu (T küçük) ve çok sayıda kesit birimi (N büyük) olan panel verileriniz olduğunda, bağımlı değişken kalıcı olduğunda (otokorelasyon 1'e yakın) ve zamana göre değişen içsel regresörler bulunduğunda kullanın. Özellikle, OLS'nin yukarı yönlü yanlı olduğu ve içi tahmincinin (sabit etkiler) gecikmeli bağımlı değişken için aşağı yönlü yanlı olduğu dinamik panel modelleri için tasarlanmıştır. T'nin N'ye göre büyük olduğu durumlarda KULLANMAYIN — araç değişkeni sayısı patlayabilir ve Hansen testi gücünü kaybeder; bu durumda LSDVC veya yanlılık düzeltmeli sabit etkileri düşünün. Ayrıca, gecikmeli düzeylerin ve farkların geçerli araç değişkenleri olduğunu güvenilir bir şekilde iddia edemediğiniz durumlarda (örneğin, yüksek derecede durağan olmayan seriler) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Harici araç değişkenlerine ihtiyaç duymadan gözlemlenemeyen birim-spesifik heterojenliği kontrol eder.
- Hem düzey hem de fark moment koşullarını kullanarak, özellikle seri oldukça kalıcı olduğunda, yalnızca fark GMM'den daha fazla verimlilik sağlar.
- Windmeijer düzeltmeli standart hatalar, doğru sonlu örneklem boyutuna sahiptir ve tipik mikro-panellerde güvenilir hipotez testine olanak tanır.
- Kendi gecikmelerini araç değişkeni olarak kullanarak birden fazla içsel regresörü aynı anda ele alır.
- AR(2) ve Hansen testleri, model ve araç değişkeni geçerliliğini değerlendirmek için yerleşik spesifikasyon tanılamaları sağlar.
- Araç değişkeni çoğalması: mevcut tüm gecikmeleri kullanmak çok sayıda araç değişkeni oluşturur, Hansen testini zayıflatır ve küçük örneklemlerde ağırlık matrisini aşırı uydurur.
- N >> T gerektirir (çok grup, az dönem); T büyük olduğunda tahminci genellikle tutarsızdır.
- Düzeyler denklemi araç değişkenleri için durağanlık koşuluna dayanır — seri birim köke sahipse veya başlangıç koşulları durağan değilse ihlal edilir.
- İki aşamalı tahmin, hesaplama açısından yinelemelidir ve araç değişkeni sayısına duyarlıdır; sonuçlar yazılım varsayılanlarına göre değişebilir.
SSS
Fark GMM ile Sistem GMM arasındaki fark nedir?
Fark GMM (Arellano-Bond), sabit etkileri ortadan kaldırmak için modeli birinci farklara dönüştürür ve düzeylerin gecikmelerini araç değişkeni olarak kullanır. Sistem GMM, birinci farklarla araç değişkeni yapılan bir düzeyler denklemi ekleyerek daha fazla moment koşulunu kullanır. Ek koşullar, özellikle otoregresif katsayı 1'e yakın olduğunda verimliliği artırır.
Windmeijer düzeltmesi neden bu kadar önemlidir?
İki aşamalı GMM'de, optimal ağırlık matrisi birinci aşama kalıntılarından tahmin edilir ve standart asimptotik varyans formülünde yansıtılmayan örnekleme hatası ortaya çıkar. Düzeltme olmadan, t-istatistikleri çok büyük olur ve tipik panel boyutlarında gerçek sıfır hipotezleri için reddetme oranları nominal seviyenin üç ila dört katı olabilir.
Kaç araç değişkeni çok fazladır?
Yaygın bir kural, araç değişkeni sayısını kesit gruplarının N sayısının altında tutmaktır. Araç değişkenleri grup sayısını aştığında, Hansen testi gücünü kaybeder ve ağırlık matrisi kötü koşullu hale gelir. Çoğalmayı sınırlamak için xtabond2'deki 'collapse' seçeneğini kullanın veya gecikme derinliğini kısıtlayın.
AR(2) testi anlamlı çıkarsa ne yapmalıyım?
Anlamlı bir AR(2) testi, farkı alınmış kalıntılarda ikinci dereceden otokorelasyon olduğu anlamına gelir, bu da standart gecikme-2 araç değişkenlerinin içsel olduğunu ve modelin yanlış belirtilmiş olabileceğini ima eder. Çözümler arasında daha derin gecikmelerin (gecikme 3+) araç değişkeni olarak eklenmesi, hata yapısının yeniden gözden geçirilmesi veya bir MA(1) hatasına sahip bir model seçilmesi yer alır.
Dengesiz bir panelle Robust Sistem GMM kullanabilir miyim?
Evet. Çoğu uygulama dengesiz panelleri ele alır ve araç değişkeni setini birim başına mevcut gözlemlere otomatik olarak uyarlar. Ancak, paneldeki ciddi boşluklar etkili araç değişkeni sayısını azaltır ve tanımlamayı zayıflatabilir.
Kaynaklar
- Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115–143. DOI: 10.1016/S0304-4076(98)00009-8 ↗
- Windmeijer, F. (2005). A finite sample correction for the variance of linear efficient two-step GMM estimators. Journal of Econometrics, 126(1), 25–51. DOI: 10.1016/j.jeconom.2004.02.005 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust System Generalized Method of Moments Estimator. ScholarGate. https://scholargate.app/tr/econometrics/robust-system-gmm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İki Aşamalı En Küçük Kareler (2SLS / IV) RegresyonuEkonometri↔ karşılaştır
- Arellano-Bond Tahmincisi Olarak Fark GMMEkonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- System GMM (Arellano-Bover / Blundell-Bond)Ekonometri↔ karşılaştır