Yapısal Kırılmalı Dinamik Panel Veri Modeli
Dynamic Panel Data Model with Structural Breaks · Ayrıca şöyle bilinir: dynamic panel with breaks, panel dynamic model structural change, DPDSB, panel dynamic structural break estimator
Yapısal kırılmalı dinamik panel veri modeli, regresyon katsayılarının veya otoregresif parametrenin bir veya daha fazla bilinmeyen kırılma tarihinde değişmesine izin vererek standart dinamik panel çerçevesini genişletir. Bu model, GMM tabanlı dinamik panel tahminini resmi yapısal değişim testleriyle birleştirerek, araştırmacıların ekonomik ilişkilerin farklı rejimler arasında nasıl evrildiğini, gözlemlenmeyen bireysel heterojeniteyi ve gecikmeli bağımlı değişkenin içselliğini kontrol ederek incelemelerini 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
Bu modeli, bir rejim değişikliği (bir politika reformu, bir piyasa şoku veya yapısal bir ekonomik değişim) içermesi muhtemel bir dönemi kapsayan panel verileriniz olduğunda ve sonuç değişkeni dinamik kalıcılık (anlamlı bir otoregresif bileşen) sergilediğinde kullanın. N'nin T'ye göre orta derecede büyük olduğu ve içselliğin bir sorun olduğu durumlarda uygundur. T çok kısa olduğunda (rejim başına 5-6 dönemden az), kesit sayısı az olduğunda (N < 20) veya bir kırılmadan şüphelenmek için a priori veya istatistiksel bir neden olmadığında kullanmayın; bu gibi durumlarda standart bir dinamik panel GMM tercih edilir ve yapısal kırılma spesifikasyonu modeli aşırı parametrelendirir.
Güçlü yönler & sınırlılıklar
- İlişkinin zaman içinde nasıl değiştiği için sabit bir fonksiyonel form dayatmadan zamanla değişen dinamikleri yakalar.
- GMM'nin içsellik düzeltmesini miras alır, gecikmeli bağımlı değişkenden kaynaklanan Nickell yanlılığını ele alır.
- Rejim başına ayrı katsayı tahmini sağlar, veri üretim sürecinin ne zaman ve nasıl değiştiğini ortaya koyar.
- Kırılma tarihleri a priori dayatılmak yerine verilerden tahmin edilir, araştırmacının takdir yetkisini azaltır.
- Dengesiz paneller ve kesitsel olarak heterojen veri setleriyle uyumludur.
- Her rejimde yeterli gözlem gerektirir; segment başına çok az dönem GMM araçlarını zayıf bırakır.
- Araçların çoğalması (araç sayısının N'ye yaklaşması) Sargan-Hansen testini geçersiz kılabilir ve modeli aşırı uyumlaştırabilir.
- Kırılma tarihi tahmini belirsizlik taşır; kısa panellerde güven aralıkları genellikle geniştir.
- Dinamik panellerde çoklu kırılma tespiti hesaplama açısından zahmetlidir ve asimptotik teori hala olgunlaşmaktadır.
- Kesitsel bağımlılık, küme-sağlam veya bootstrap standart hatalar aracılığıyla ele alınmazsa kırılma tespitini kirletebilir.
SSS
Dinamik bir panelde kaç kırılma noktası tahmin edebilirim?
Pratikte, bir veya iki kırılma en yaygın olanıdır. Daha fazla kırılma, GMM tahminini güvenilir tutmak için rejim başına orantılı olarak daha fazla gözlem gerektirir. Bai-Perron'a dayalı ardışık yöntemler, önceden belirlenmiş maksimum sayıda kırılmaya kadar test yapılmasına izin verir, ancak her ek kırılma, rejim başına örneklemi azaltır ve zayıf araç riskini artırır.
Her rejim içinde fark GMM mi yoksa sistem GMM mi kullanmalıyım?
Otoregresif katsayı bire yakın olduğunda ve seri oldukça kalıcı olduğunda, gecikmeli farkları araç olarak kullanan seviye denklemleri eklediği için Sistem GMM (Blundell-Bond) genellikle tercih edilir. Her rejim içinde, tam örneklem için seçeceğiniz GMM varyantını uygulayın, ancak her rejimde daha az zaman dönemi olduğu için araç sayısını dikkatlice izleyin.
Kırılma tarihinin tüm kesitler için aynı olup olmadığını test edebilir miyim?
Evet. Yaygın bir basitleştirme, tüm birimlerde uygulanan ortak bir kırılma tarihidir; bu, panellere genişletilmiş standart Bai-Perron yaklaşımıdır. Heterojen kırılma tarihleri — her birimin kendi değişim noktasına sahip olması — da mümkündür ancak birim başına önemli ölçüde daha büyük T ve daha karmaşık çıkarım gerektirir.
Kırılma tarihini zaten biliyorsam (örneğin, bilinen bir politika değişikliği) ne yapmalıyım?
Kırılma tarihi a priori biliniyorsa, doğrudan uygulayabilir ve örneklemi bölebilir veya tüm regresörlerle etkileşimli bir rejim kuklası ekleyebilir, ardından kırılma tespit algoritmalarına ihtiyaç duymadan standart GMM ile tahmin edebilirsiniz. Bu daha basittir ve tahmin edilen kırılma tarihlerine ilişkin ön test belirsizliğini önler.
Kırılmaları tespit ederken kesitsel bağımlılığı nasıl ele alırım?
Kırılma noktası test istatistiklerini hesaplarken panel-sağlam (kümelenmiş) standart hatalar veya bootstrap kritik değerler kullanın. Kesitsel bağımlılık güçlüyse (örneğin, ortak faktör yapısı), kırılma testlerini yapmadan önce verileri temel bileşenler veya Pesaran CCE yaklaşımı kullanarak faktörlerden arındırın.
Kaynaklar
- Bai, J., & Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, 66(1), 47–78. DOI: 10.2307/2998540 ↗
- Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277–297. DOI: 10.2307/2297968 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Panel Data Model with Structural Breaks. ScholarGate. https://scholargate.app/tr/econometrics/structural-break-dynamic-panel-data-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond GMM TahmincisiEkonometri↔ karşılaştır
- Dinamik Panel Veri ModeliEkonometri↔ karşılaştır
- Panel Sistem GMM (Blundell-Bond Tahmincisi)Ekonometri↔ karşılaştır
- Panel VECM (Panel Vektör Hata Düzeltme Modeli)Ekonometri↔ karşılaştır
- Yapısal Kırılma Panel Veri AnaliziEkonometri↔ karşılaştır
- Zivot-Andrews Yapısal Kırılma TestiEkonometri↔ karşılaştır