Yapısal Kırılma Granger Nedenselliği
Granger Causality Testing with Structural Breaks · Ayrıca şöyle bilinir: break-robust Granger causality, Granger causality under regime change, time-varying Granger causality, structural change Granger test
Yapısal kırılma Granger nedenselliği, zaman serilerinde rejim kaymalarını ve parametre istikrarsızlığını hesaba katmak için klasik Granger nedenselliği çerçevesini genişletir. Kırılma noktalarını tespit ederek ve alt örneklemlerde veya yuvarlanan/özyinelemeli pencereler aracılığıyla nedenselliği test ederek, değişkenler arasındaki tahmin ilişkisinin zamanla açılıp açılmadığını, kapandığını veya yön değiştirdiğini ortaya koyar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Orta derecede uzun bir zaman seriniz olduğunda (yuvarlanan analiz için en az 60-80 gözlem önerilir) ve nedensel ilişkinin tüm örneklem boyunca kararlı olmayabileceğine dair ekonomik veya kurumsal nedenleriniz olduğunda (örneğin, bir finansal krizden, bir politika reformundan veya enerji piyasalarındaki yapısal bir değişiklikten önce ve sonra) yapısal kırılma Granger nedenselliğini kullanın. Serilerin çok kısa olduğu (40 gözlemden az), istikrarsızlık için teorik bir nedenin bulunmadığı veya basit, kolayca iletilebilen bir temel sonuç gerektiği durumlarda bundan kaçının; bu durumlarda standart Granger nedenselliği veya Toda-Yamamoto yeterlidir.
Güçlü yönler & sınırlılıklar
- Tam örneklem testinin gizleyeceği veya tamamen kaçıracağı zamanla değişen nedensel ilişkileri tespit eder.
- Toda-Yamamoto zenginleştirmesi, seri I(1) veya eşbütünleşik olsa bile, birim kökler için ön test gerektirmeden asimptotik geçerliliği korur.
- Yuvarlanan pencere varyantı, politika analizi için hemen yorumlanabilir bir nedensellik zaman çizelgesi üretir.
- Bootstrap kritik değerleri, küçük pencerelerde ve normal olmayan hatalarla doğru boyutu korur.
- Tek bir rastgele ayırma noktasını seçme ihtiyacını ortadan kaldırarak, Bai-Perron aracılığıyla birden fazla kırılma tarihini barındırır.
- Yeterince uzun bir seri gerektirir: çok kısa örneklemler kararsız yuvarlanan pencere tahminleri ve güvenilmez kırılma tarihi tespiti üretir.
- Birden fazla pencere boyunca çoklu test, yanlış pozitif olasılığını artırır; bazı düzeltmeler (örneğin, sıralı test, FDR) tavsiye edilir.
- Bootstrap prosedürleri, özellikle çok değişkenli VAR ve çok sayıda yuvarlanan pencere ile hesaplama açısından yoğundur.
- Verilerden tahmin edilen kırılma tarihleri belirsizlik taşır; bunları bilinen sabit noktalar olarak ele almak toplam parametre belirsizliğini hafife alır.
- Sonuçlar, seçilen pencere boyutuna ve VAR gecikme sırasına bağlıdır, bu nedenle bu seçimler arasındaki hassasiyet analizi esastır.
SSS
Bu, standart Granger nedenselliğinden nasıl farklıdır?
Standart Granger nedenselliği, tüm örneklem boyunca tek bir kararlı nedensel yapı varsayar. Yapısal kırılma Granger nedenselliği, bu yapının bir veya daha fazla kırılma tarihinde kaymasına veya yuvarlanan pencereler boyunca sürekli olarak değişmesine izin verir, bu nedenle ortalama olarak var olup olmadığından ziyade bir nedensel ilişkinin ne zaman var olduğunu ortaya koyar.
Bu yöntemi uygulamadan önce hala birim kökleri test etmem gerekiyor mu?
Toda-Yamamoto zenginleştirilmiş VAR kullanıldığında, asimptotik geçerliliği korumak için birim kök veya eşbütünleşme için önceden test yapmanıza gerek yoktur — d_max zenginleştirmesi bunu halleder. Yine de önce kırılma tarihlerini tespit etmelisiniz, çünkü yapısal kırılmaları olan entegre seriler sahte birim kök ve eşbütünleşme sonuçları üretebilir.
Yuvarlanan pencere analizi için hangi pencere boyutunu kullanmalıyım?
Yaygın bir başlangıç noktası, toplam örneklem uzunluğunun %15-20'sidir; VAR'ı güvenilir bir şekilde tahmin etmek için yeterince büyük ancak rejim değişikliklerini tespit etmek için yeterince küçüktür. Sonuçlar bu seçime duyarlı olabileceğinden, bir sağlamlık kontrolü olarak en az iki pencere boyutu için sonuçları raporlayın.
Yuvarlanan pencereler boyunca çoklu test için nasıl düzeltme yaparım?
Bir yaklaşım, sıralı olarak reddeden Bonferroni prosedürünü veya p-değerleri dizisi boyunca Benjamini-Hochberg yanlış keşif oranı düzeltmesini kullanmaktır. En azından, reddetme gösteren pencerelerin oranını raporlayın ve sonuçların ekonomik olarak anlamlı epizotlar etrafında kümelenip kümelenmediğini işaretleyin.
Bu yöntemi ikiden fazla değişkenle çok değişkenli bir ortamda uygulayabilir miyim?
Evet. Çok değişkenli bir VAR, birkaç değişkeni aynı anda barındırabilir ve bir dizi tahmin ediciden hedef bir değişkene blok-Granger nedenselliği test edebilirsiniz. Hesaplama maliyeti sistem boyutuyla artar ve tahmin edilen parametre sayısı arttıkça küçük yuvarlanan pencereler daha sorunlu hale gelir.
Kaynaklar
- Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250. DOI: 10.1016/0304-4076(94)01616-8 ↗
- Balcilar, M., Ozdemir, Z. A., & Arslanturk, Y. (2010). Economic growth and energy consumption causal nexus viewed through a bootstrap rolling window. Energy Economics, 32(6), 1398-1410. DOI: 10.1016/j.eneco.2010.05.015 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Granger Causality Testing with Structural Breaks. ScholarGate. https://scholargate.app/tr/econometrics/structural-break-granger-causality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Toda-Yamamoto Granger Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır