Yapısal Kırılma GLS
Generalized Least Squares with Structural Breaks · Ayrıca şöyle bilinir: GLS with structural breaks, break-adjusted GLS, structural change GLS, regime-switching GLS
Yapısal Kırılma GLS, Genelleştirilmiş En Küçük Kareler tahminini, veri üretim sürecindeki rejim kaymalarına açıkça izin verecek şekilde birleştirir. Yöntem, tespit edilen kırılma tarihlerinin tanımladığı her segment için ayrı katsayı vektörleri tahmin ederken, yapısal değişime sıklıkla eşlik eden küresel olmayan hatalar (heteroskedastisite veya otokorelasyon) için düzeltme yapar ve tüm rejimlerde tutarlı ve verimli tahminler elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yapısal kırılma GLS'yi, regresyon ilişkisinin zaman içinde bir veya daha fazla noktada makul bir şekilde değiştiği ve standart OLS artıklarının heteroskedastisite veya otokorelasyon sergilediği zaman serisi veya panel verileriniz olduğunda kullanın. Tipik uygulamalar arasında politika rejimlerini kapsayan uzun makroekonomik seriler, piyasa krizlerinden etkilenen finansal getiri serileri ve arz şoklarını kapsayan enerji veya emtia fiyatı regresyonları yer alır. Breusch-Pagan veya Breusch-Godfrey testleri homoskedastisite veya otokorelasyon olmadığını reddettiğinde, bu yaklaşımı düz yapısal kırılma OLS'ye tercih edin. Yapısal kararsızlık belirtisi olmadığında (kararlı Chow testi) veya örneklem her alt dönemde ayrı parametreleri güvenilir bir şekilde tahmin etmek için çok kısa olduğunda kullanmayın; her rejim için yaklaşık 30 gözlem minimum pratik bir alt sınırdır.
Güçlü yönler & sınırlılıklar
- Yapısal kararsızlığı ve küresel olmayan hataları eş zamanlı olarak ele alır, iki önemli düzeltmeyi tek bir tahmincide birleştirir.
- Doğru kırılma tarihleri ve hata kovaryans belirlemesi altında BLUE, verimli çıkarım sağlar.
- Bai-Perron küresel arama prosedürü, kırılma sayısı ve konumunu objektif olarak seçer, araştırmacı takdirini azaltır.
- Ekonomik rejimler boyunca ilişkilerin nasıl geliştiğini ortaya koyan segmentlere özgü katsayı tahminleri üretir.
- Heteroskedastik veya otokorelasyonlu hatalar varlığında OLS'den daha güvenilir standart hatalar üretir.
- Verimlilik kazançları, hata kovaryans yapısının doğru belirlenmesine büyük ölçüde bağlıdır; yanlış belirlenmiş bir Omega, FGLS'yi OLS'den daha kötü hale getirebilir.
- Kırılma tarihlerini tahmin etmek, ön test belirsizliği getirir; tahmin edilen kırılmalara koşullu çıkarım yaklaşık değerdedir.
- Her rejimde yeterli gözlem gerektirir; çok sayıda kırılma veya kısa serilerde, segmente özgü tahminler belirsiz hale gelir.
- OLS'den hesaplama açısından daha talepkardır, özellikle aday kırılma tarihlerinin sayısı büyük olduğunda.
SSS
Yapısal Kırılma GLS, düz yapısal kırılma OLS'den nasıl farklıdır?
Her ikisi de katsayıların tahmin edilen kırılma tarihlerinde değişmesine izin verir, ancak GLS ek olarak gözlemleri tahmini hata kovaryansının tersi ile ağırlıklandırarak küresel olmayan hatalar için düzeltme yapar. Hatalar heteroskedastik veya otokorelasyonlu olduğunda (yapısal kırılmalar etrafında yaygındır), GLS daha verimli tahminler ve geçerli standart hatalar üretir, oysa OLS standart hataları bu koşullarda yanlıdır.
Kaç kırılmaya izin vermeliyim?
Kırılma sayısını objektif olarak belirlemek için Bai-Perron sıralı veya küresel bilgi kriteri prosedürünü kullanın. Genel bir kural olarak, her segmentin segmente özgü katsayı vektörünün güvenilir tahminini desteklemek için en az 30 gözlem (veya örneklemin %15'i) içermesi gerekir.
Hata kovaryans yapısını bilmiyorsam ne olur?
İlk geçişte OLS artıklarından Omega'yı tahmin edin, rejimlere özgü bir varyans tahmincisi veya otokorelasyonlu hatalar için bir Newey-West çekirdek tahmincisi kullanın. Bu, Omega tutarlı bir şekilde tahmin edildiğinde, asimptotik olarak en az OLS kadar verimli olan Uygulanabilir GLS (FGLS) tahmincisini verir.
Bu yöntemi panel verilere uygulayabilir miyim?
Evet. Bir panel ortamında, yapısal kırılmalar birimler arasında yaygın veya birime özgü olabilir. Yapısal kırılmalarla Panel GLS, birimler arasındaki bilgiyi havuzlayarak zaman serisi çerçevesini genişletir ve Panel Bai-Perron testleri ortak kırılma tarihlerinin tespitini biçimlendirir.
Yapısal Kırılma GLS, aykırı değerlere karşı sağlam mıdır?
Doğası gereği değil. GLS, yüksek varyanslı gözlemleri düşük ağırlıklandırır ancak aykırı değerleri açıkça kırpmaz. Aykırı değerler görünür kırılma tespitlerini yönlendiriyorsa, kırılma testini sağlam GLS (M-tahminci tabanlı) ile birleştirmeyi veya etkili noktalar için ön tarama yapmayı düşünün.
Kaynaklar
- Bai, J., & Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, 66(1), 47–78. DOI: 10.2307/2998540 ↗
- Greene, W. H. (2012). Econometric Analysis (7th ed.). Prentice Hall. ISBN: 978-0131395381
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Generalized Least Squares with Structural Breaks. ScholarGate. https://scholargate.app/tr/econometrics/structural-break-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
- Panel Genelleştirilmiş En Küçük Kareler (Panel GLS)Ekonometri↔ karşılaştır
- Sağlam Genelleştirilmiş En Küçük Kareler (Sağlam GLS)Ekonometri↔ karşılaştır
- Yapısal Kırılma En Küçük Kareler (OLS)Ekonometri↔ karşılaştır
- Zivot-Andrews Yapısal Kırılma TestiEkonometri↔ karşılaştır