Zamandan Bağımsız Değişen Parametreli Otoregresif Model (TVP-AR)
Time-Varying Parameter Autoregressive Model · Ayrıca şöyle bilinir: TVP-AR, time-varying AR, state-space AR with drifting coefficients, random-walk coefficient AR
Zamanla Değişen Parametreli Otoregresif (TVP-AR) modeli, klasik AR modelini, otoregresif katsayılarının zamanla, tipik olarak bir rassal yürüyüş olarak sürüklenmesine izin vererek genişletir. Durum-uzay sistemi olarak formüle edilen model, sabit bir kırılma tarihi dayatmadan tek değişkenli bir zaman serisinin dinamiklerindeki kademeli yapısal değişimi yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yeterince uzun tek değişkenli bir zaman seriniz (tipik olarak T ≥ 80–100 gözlem) olduğunda ve ekonomik teori veya yapısal testler serinin kalıcılığının veya dinamiklerinin zaman içinde kademeli olarak değiştiğini gösterdiğinde — örneğin, değişen enflasyon kalıcılığı, gelişen çıktı büyümesi dinamikleri veya sürüklenen finansal volatilite — TVP-AR'ı kullanın. Yapısal istikrarsızlık altında tahminleme ve otoregresif dinamiklerin politika rejimleri veya iş döngüleri boyunca nasıl değiştiğini belgelemek için uygundur. Kısa serilerde (T < 50) kullanmayın, burada rassal yürüyüş durum denklemi tanımlanamaz; keskin, tarihli yapısal kırılmaları olan serilerde (bunun yerine eşik AR veya Markov anahtarlamalı AR'ı tercih edin); veya tutumluluk ve hesaplama hızının öncelikli olduğu ve yuvarlanan pencere AR'ın yeterli olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Önceden belirlenmiş bir kırılma tarihi gerektirmeden pürüzsüz, sürekli parametre sürüklenmesini yakalar.
- Durum-uzay çerçevesine yerleştirilmiş olup, Kalman algoritması aracılığıyla optimal filtreleme ve düzeltme sağlar.
- Bayesci MCMC uygulaması, güven aralıkları dahil olmak üzere zamanla değişen katsayı yollarının tam sonsal dağılımlarını sağlar.
- Gözlem denkleminde stokastik volatiliteye genişletilebilir, değişen dinamikleri ve değişen varyansı ortaklaşa modeller.
- En son filtrelenmiş katsayı tahminlerini kullanarak yapısal istikrarsızlık altında tahminlemeyi doğal olarak barındırır.
- Durum gürültüsü kovaryansının Q güvenilir bir şekilde tanımlanması için nispeten uzun zaman serileri (T ≥ 80) gerektirir.
- Hesaplama açısından yoğun (Bayesci formda): MCMC zincirleri binlerce iterasyon ve yakınsama tanıları gerektirebilir.
- Kademeli, sürekli sürüklenmeyi varsayar; gerçek kırılmanın ani veya rejim anahtarlamalı olduğu durumlarda uygun değildir.
- Rassal yürüyüş durum denklemi kısa örneklemlerde aşırı uyum sağlayabilir, makul olmayan büyüklükte katsayı salınımları üretebilir.
- Çok değişkenli genişletme (TVP-VAR) çok daha zordur; tek değişkenli TVP-AR tek seferde yalnızca bir seriye sınırlıdır.
SSS
TVP-AR, yuvarlanan pencere AR'dan nasıl farklıdır?
Yuvarlanan pencere AR, sabit uzunlukta hareketli bir alt örneklem üzerinde sabit katsayıları yeniden tahmin eder ve eski verileri atar. TVP-AR tüm gözlemleri kullanır ve katsayıyı gizli bir stokastik süreç olarak modeller, belirsizliği Kalman filtresi aracılığıyla yayar. TVP-AR istatistiksel olarak daha verimlidir ve adım adım tahminler yerine pürüzsüz, sürekli güncellenen katsayı yolları sağlar.
TVP-AR'da gecikme sırasını p nasıl seçerim?
Tüm örneklem üzerindeki başlangıçtaki sabit katsayılı bir AR'a uygulanan standart bilgi kriterleri (AIC, BIC), makul bir başlangıç gecikme sırası sağlar. TVP-AR daha esnek olduğu için tutumluluk önemlidir: p = 1 veya 2 ile başlayın ve yalnızca filtrelemeden sonra artık otokorelasyon kalırsa artırın.
Zaman varyasyonunun istatistiksel olarak anlamlı olup olmadığını nasıl tespit ederim?
H₀: Q = 0 (sabit parametreler) hipotezini TVP alternatifi karşısında test edin. Andrews (1993) ve Nyblom (1989) ilgili istikrar testleri sunar. Bayesci çerçevede, TVP-AR'ın marjinal olabilirlik (veya DIC) değerini sabit parametreli AR ile karşılaştırın.
TVP-AR, durağan olmamayı idare edebilir mi?
Model tipik olarak durağan veya zayıf durağan serilere uygulanır. y_t entegre ise, fark alınmış değişken üzerinde TVP-AR'ı uyduktan önce seriyi birinci dereceden fark alın. Zamanla değişen katsayılar, trend giderme veya fark alma yerine geçmez.
Hangi yazılım TVP-AR'ı uygular?
R'da bsts, tvReg ve KFAS paketleri TVP özelliklerini destekler. MATLAB'da James Morley ve Gary Koop'un kamuya açık kodları Bayesci Gibbs örneklemeli TVP-AR'ı uygular. Python kullanıcıları pykalman veya statsmodels'in durum-uzay modülünü kullanabilir.
Kaynaklar
- Cogley, T., & Sargent, T. J. (2005). Drifts and volatilities: Monetary policies and outcomes in the post WWII US. Review of Economic Dynamics, 8(2), 262-302. DOI: 10.1016/j.red.2004.10.009 ↗
- Kim, C.-J., & Nelson, C. R. (1999). State-Space Models with Regime Switching: Classical and Gibbs-Sampling Approaches with Applications. MIT Press. ISBN: 978-0262112383
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Autoregressive Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-ar-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır