Sağlam Vektör Otoregresyon (Sağlam VAR) Modeli
Robust Vector Autoregression Model · Ayrıca şöyle bilinir: robust VAR, outlier-robust VAR, heavy-tailed VAR, RVAR
Sağlam VAR modeli, finansal ve makroekonomik zaman serilerinde yaygın olan aykırı değerlerin, yapısal kırılmaların ve ağır kuyruklu şokların etkisini azaltmak için sıradan en küçük kareler tahmininin yerine sağlam tahminciler (M-tahmincileri veya medyan tabanlı yöntemler gibi) kullanarak klasik Vektör Otoregresyon çerçevesini genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çok değişkenli zaman serileriniz bilinen veya şüphelenilen aykırı değerler, yapısal kırılmalar veya ağır kuyruklu dağılımlar içerdiğinde — finansal getiriler, emtia fiyatları veya kriz dönemlerindeki makroekonomik verilerde yaygın durumlar — Sağlam VAR'ı kullanın. Standart VAR'ın normallik dışı olma veya keşifsel analizin OLS tabanlı VAR tahminlerini bozabilecek aşırı gözlemler ortaya çıkarması nedeniyle belirtim testlerini zayıf geçmesi durumunda da uygundur. Verilerin iyi davrandığı ve aykırı değerler olmadan yaklaşık olarak normal dağıldığı durumlarda Sağlam VAR kullanmayın — bu durumda standart VAR eşit derecede geçerli ve daha yaygın olarak anlaşılmaktadır; ayrıca, birincil amaç yerleşik kritik değerlerle Granger nedenselliğini test etmekse, sağlam tahminciler altındaki test istatistiklerinin asimptotik dağılımı farklı olabileceğinden bundan kaçının.
Güçlü yönler & sınırlılıklar
- Hata dağılımı ağır kuyruklu olduğunda veya aykırı değerler içerdiğinde tutarlı ve daha verimli katsayı tahminleri sağlar.
- Aşırı gözlemlerin veya finansal krizlerin neden olduğu dürtü yanıt fonksiyonlarının bozulmasını azaltır.
- Klasik VAR varsayımlarını ihlal eden değişen varyanslı veya Gauss-olmayan yeniliklerin varlığında geçerli çıkarımlara izin verir.
- Standart bir VAR'ın sezgisel çok değişkenli yapısını ve yorumunu korur.
- Bilinmeyen değişen varyanslara da sağlam olan bootstrap tabanlı çıkarımla uyumludur.
- Sağlam tahminciler OLS'den hesaplama açısından daha yoğundur ve tüm istatistiksel paketlerde bulunmayabilir.
- Sağlamlık ayar sabitinin (örneğin, Huber'in c'si) seçimi sonuçları etkiler ve gerekçelendirme gerektirir.
- Hipotez testleri (Granger nedenselliği, gecikme seçimi) için asimptotik teori, standart VAR için olandan daha az gelişmiştir.
- Verilerin gerçekten iyi davrandığı durumlarda standart VAR ile benzer performans gösterebilir, net bir kazanç sağlamaz.
SSS
Sağlam bir VAR, standart bir VAR'dan nasıl farklıdır?
Standart bir VAR, kareli hataları minimize eden ve aykırı değerlere duyarlı olan OLS ile tahmin edilir. Sağlam bir VAR, OLS'yi, anormal derecede büyük hatalara sahip gözlemlerin ağırlığını azaltan veya bunları reddeden — M-tahmincisi veya en az kırpılmış kareler gibi — bir tahminci ile değiştirir, bu da katsayı tahminlerini aşırı veri noktalarına karşı daha az hassas hale getirir.
Sağlam bir VAR'da hala Granger nedenselliği testleri yapabilir miyim?
Evet, ancak sağlam tahminci kullanıldığında test istatistikleri standart ki-kare veya F dağılımlarını asimptotik olarak takip etmeyebilir. Geçerli çıkarım sağlamak için simülasyon tabanlı kritik değerler veya bootstrap p-değerleri önerilir.
Hangi yazılım paketleri Sağlam VAR tahminini destekliyor?
R paketleri robVAR ve MTS gibi sağlam çok değişkenli zaman serisi tahminini destekler. Stata kullanıcıları, özel eklentiler sınırlı olsa da, sağlam regresyon komutlarını sistem tahmincileriyle birleştirebilir. Python kullanıcıları, statsmodels VAR altyapısını scipy sağlam tahmincileriyle birleştirebilir.
Sağlam bir VAR tahmin etmeden önce eşbütünleşme kontrolü yapmalı mıyım?
Evet. Değişkenler durağan değil ve eşbütünleşik ise, Sağlam Vektör Hata Düzeltme Modeli (VECM) daha uygundur. Standart eşbütünleşme testleri — Johansen iz ve maksimum özdeğer — önce çalıştırılmalıdır, ancak bu testlerin aykırı değerlerle kirlenmiş örneklemler için sağlam versiyonları mevcuttur.
M-tahmincisi için ayarlama sabitini nasıl seçerim?
Huber'in M-tahmincisi ayarlama sabiti c, yaygın olarak tahmini ölçeğin 1.345 katı olarak ayarlanır, bu da normallik altında OLS'ye göre yaklaşık %95 verimlilik sağlar ve önemli bir sağlamlık koruması sunar. Ağır derecede bulaşmış örneklemler için, c'nin daha düşük değerleri, verimlilikten ödün vererek daha güçlü ağırlık azaltma sağlar.
Kaynaklar
- Goncalves, S., & Kilian, L. (2004). Bootstrapping autoregressions with conditional heteroskedasticity of unknown form. Journal of Econometrics, 123(1), 89-120. DOI: 10.1016/j.jeconom.2003.10.030 ↗
- Lutkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer, Berlin. ISBN: 978-3540401728
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Vector Autoregression Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-var-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Panel Vektör Otoregresyonu (Panel VAR)Ekonometri↔ karşılaştır
- Kuantil VAREkonometri↔ karşılaştır
- Yapısal Vektör Otoregresyonu (SVAR)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR) ModeliEkonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır