Zamana Bağlı Parametre Fark GMM
Time-Varying Parameter Difference Generalized Method of Moments · Ayrıca şöyle bilinir: TVP-DGMM, time-varying GMM, TVP difference GMM, dynamic panel TVP estimator
Zamana bağlı parametre fark GMM, dinamik paneller için Arellano-Bond birinci fark GMM tahmincisini, regresyon katsayılarının zamanla sürüklenmesine izin veren bir durum-uzay veya yerel düzeltme çerçevesiyle birleştirir. Sonlu değişkenlik ve gecikmeli bağımlı değişkenleri ele alırken, yapısal ilişkilerin tüm dönemler boyunca sabit kalması varsayımını gevşetir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TVP-fark GMM'yi, orta sayıda dönem (T yaklaşık 5–30) ve çok sayıda kesitsel birim (N >> T) ile dengesiz veya dengeli bir panele sahip olduğunuzda, sonlu değişken gecikmeli bağımlı bir değişkene sahip olduğunuzda ve eğimlerin zamanla değiştiğine inanmak için ön kanıt veya teorik nedenleriniz olduğunda kullanın — örneğin finansal krizler, rejim değişiklikleri veya politika reformları etrafında. Çok kısa paneller (T < 5) için, zamana bağlı bileşen güvenilir bir şekilde tanımlanamadığında, N'nin T'ye göre küçük olduğu paneller için (araç çoğalması şiddetli hale gelir) veya araştırmacının parametre sabitliğinden şüphe duymak için hiçbir somut nedeni olmadığında uygun değildir — bu durumda standart fark GMM daha basittir ve daha verimlidir.
Güçlü yönler & sınırlılıklar
- Gecikmeli bağımlı değişkenin ve diğer regresörlerin sonlu değişkenliğini, gecikmeli seviye araçları aracılığıyla ele alır, Arellano-Bond yaklaşımının tutarlılığını miras alır.
- Kısıtlayıcı parametre sabitliği varsayımını gevşetir, gerçek yapısal değişimi, rejim değişikliklerini veya zaman içindeki heterojen dinamikleri yakalar.
- Bireysel sabit etkileri birinci fark alarak kaldırır, böylece zamanla değişmeyen gözlemlenmeyen heterojenlik tahminleri yanlı hale getirmez.
- Makro-panel ve ülke-arası veri kümelerinde yaygın olan dengesiz paneller ve eksik gözlemlerle uyumludur.
- Windmeijer düzeltmeli iki adımlı standart hatalar, sonlu örneklerde tek adımlı analoğa göre daha güvenilirdir.
- Zamana bağlı parametrelerin tanımlanması yeterli zaman periyodu gerektirir; T < 5 ile TVP bileşeni güvenilir bir şekilde tahmin edilemez.
- Araç çoğalması T büyüdükçe kötüleşir: N'ye göre çok fazla araç, Hansen testinin gücünü kaybetmesine ve sonlu örnek yanlılığını şişirmesine neden olabilir.
- Durum denklemi spesifikasyonunun seçimi (rastgele yürüyüş, AR(1), yumuşak çekirdek) teori tarafından belirlenmez ve sonuçları önemli ölçüde etkileyebilir.
- Hesaplama yükü, özellikle iki adımlı ve Kalman filtresi uygulamalarında, standart fark GMM'ye göre önemli ölçüde daha yüksektir.
- Yazılım desteği sınırlıdır; araştırmacılar genellikle standart rutinler yerine Mata, R veya özel Python kodunda tahminciyi uygularlar.
SSS
TVP-fark GMM, standart fark GMM'den nasıl farklıdır?
Standart fark GMM, tüm eğim katsayılarını zaman periyotları boyunca sabit olmaya zorlar. TVP-fark GMM, aynı IV makinesini, her katsayının dönem dönem sürüklenmesine izin veren bir durum denklemi ile genişletir, bu da onu yapısal ilişkilerin örnek boyunca kaydığı bilindiğinde veya şüphelenildiğinde uygun hale getirir.
Araç olarak kaç gecikme kullanacağımı nasıl seçerim?
Tam gecikme setiyle başlayın ve Hansen testini ve AR(2) testini kontrol edin. Hansen p-değeri şüpheli bir şekilde 1.0'a yakınsa, araç matrisini çökertin (tüm gecikmeler boyunca değişken başına bir araç) veya gecikme derinliğini sınırlayın. Araç sayısının N'nin oldukça altında kaldığından emin olun.
Tahmin sonrası hangi tanı testlerini çalıştırmalıyım?
Birinci fark alınmış kalıntılar üzerinde Arellano-Bond AR(1) ve AR(2) testlerini çalıştırın — araçların geçerli olması için AR(2) önemsiz olmalıdır. Araç dışsallığı için Hansen (veya Sargan) testini çalıştırın ve tahmin edilen katsayıların zamanla makul bir şekilde hareket edip etmediğini inceleyin (örneğin, bilinen yapısal kırılmalar etrafında).
Zamana bağlı parametrelerle sistem GMM yerine fark GMM kullanabilir miyim?
Evet. Bir TVP-sistem GMM varyantı, seviye denklemini fark denkleminin yanına ekler (ek araçlar olarak gecikmeli farkları kullanarak), bu da seriler birim köke yakın olduğunda hassasiyeti artırabilir. Ancak, sistem GMM'nin ortalama durağanlık varsayımı hala geçerli olmalıdır ve TVP uzantısı araç matrisini daha da büyütür.
TVP uzantısının gerekli olup olmadığını test etmenin basit bir yolu var mı?
Şüpheli kırılma tarihlerinde örneği bölen ve alt dönemler boyunca katsayı eşitliğini test eden bir Wald veya Chow tipi test, gayri resmi motivasyon sağlar. Alternatif olarak, hem sabit parametreli hem de TVP modellerini tahmin edin ve Hansen testi istatistiklerini ve örnek içi uyumlarını karşılaştırın; TVP modelinden önemli ölçüde daha iyi bir uyum, ek karmaşıklığı haklı çıkarır.
Kaynaklar
- 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 ↗
- Cai, Z. (2007). Trending time-varying coefficient time series models with serially correlated errors. Journal of Econometrics, 136(1), 163–188. DOI: 10.1016/j.jeconom.2005.08.004 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Difference Generalized Method of Moments. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-difference-gmm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arellano-Bond Tahmincisi Olarak Fark GMMEkonometri↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- System GMM (Arellano-Bover / Blundell-Bond)Ekonometri↔ karşılaştır