Zamanla Değişen Parametreli GLS (TVP-GLS)
Time-Varying Parameter Generalized Least Squares · Ayrıca şöyle bilinir: TVP-GLS, time-varying coefficient GLS, adaptive GLS, state-space GLS
Zamanla değişen parametreli en küçük kareler (GLS), regresyon katsayılarının sabit sabitler olmadığı, ancak stokastik bir süreç izleyerek zamanla evrildiği ortamlara genelleştirilmiş en küçük kareleri (GLS) genişletir. Modeli bir durum-uzay çerçevesine yerleştirerek ve küresel olmayan hatalar için GLS düzeltmeleri uygulayarak, zaman serisi verilerindeki yapısal değişimi, rejim kaymalarını ve kademeli olarak sürüklenen ilişkileri 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
Ekonomik veya finansal teorinin, değişkenler arasındaki ilişkinin uzun bir örneklem boyunca kaymasının muhtemel olduğunu öne sürdüğü durumlarda TVP-GLS kullanın — örneğin, politika rejimi değişiklikleri, yapısal kırılmalar veya kademeli kurumsal evrim nedeniyle. Özellikle kayan pencere OLS'nin kararsız ve hassas katsayı yolları ürettiği veya eğimlerin nasıl hareket ettiğine dair ilkeli bir olasılıksal açıklama istediğinizde değerlidir. Örneklem kısa olduğunda (50 gözlemden az), parametre sürüklenmesi beklentisi için teorik bir nedeniniz olmadığında veya zamanla değişen katsayıların sayısı örneklem boyutuna göre büyük olduğunda, tanımlama kırılgan hale geldiği için kullanmayın.
Güçlü yönler & sınırlılıklar
- Önceden belirlenmiş bir kırılma tarihi gerektirmeden yapısal değişimi doğrudan modeller.
- Her bir katsayının tam bir zaman yolu üretir, bu da tek bir havuzlanmış tahmine göre daha zengin ekonomik yorumlama sağlar.
- GLS katmanı, artık dizisel olarak ilişkili veya değişen varyanslı olsa bile kalıntıların geçerli çıkarımını koruyarak küresel olmayan hataları düzeltir.
- Sabit parametreli GLS'yi özel bir durum (Q = 0) olarak kapsar, bu da zaman değişkenliğinin istatistiksel olarak gerekçelendirilip gerekçelendirilmediğini resmi olarak test etmeye olanak tanır.
- Tüm örneklemi her tarihteki tahminleri iyileştirmek için kullanan Kalman düzeltmesi ile uyumludur.
- Katsayı şoklarının kovaryans matrisi Q'nun belirlenmesini gerektirir; Q'nun yanlış belirlenmesi tahmin edilen katsayı yollarını bozar.
- Özellikle çok sayıda tahmin edici veya uzun örneklemlerle, OLS veya standart GLS'ye göre hesaplama açısından yoğundur.
- Örneklem kısa olduğunda veya sinyal-gürültü oranı (Q'nun σ²'ye oranı) küçük olduğunda tanımlama zayıftır.
- Standart asimptotik çıkarım sonlu örneklemlerde güvenilmez olabilir; bootstrap veya Bayesci yöntemler genellikle tercih edilir.
SSS
TVP-GLS, kayan pencere OLS'den nasıl farklıdır?
Kayan pencere OLS, sabit katsayılı bir modeli hareketli bir alt örneklem üzerinde yeniden tahmin eder ve pencere dışındaki gözlemleri atar. TVP-GLS, olasılıksal bir durum-uzay modeli içinde tüm gözlemleri eş zamanlı olarak kullanır, keyfi pencere uzunluğu seçimi olmadan resmi belirsizlik ölçümü ile daha düzgün katsayı yolları üretir.
Katsayı sürüklenme varyansı Q nasıl tahmin edilir?
Q, genellikle maksimum olabilirlik ile tahmin edilir ve durum-uzay modelinin bir hiperparametresi olarak kabul edilir. Bayesci yaklaşımlar Q üzerine bir önsel yerleştirir ve MCMC kullanarak arka kümesinden çeker. H₀: Q = 0'ın olabilirlik-oranı testi, zaman değişkenliğinin istatistiksel olarak anlamlı olup olmadığını size söyler.
Neden Kalman filtresinin üzerine GLS gereklidir?
Kalman filtresi zamanla değişen durumu en iyi şekilde çıkarır, ancak gözlem denklemindeki bileşik hata — ölçüm gürültüsü ve durum şoku katkılarını harmanlayan — genellikle küresel değildir. GLS, verimliliği yeniden sağlamak ve modeldeki sabit katsayılı parametreler için standart hataları düzeltmek üzere gözlemleri yeniden ağırlıklandırır.
Birden fazla zamanla değişen katsayı ile TVP-GLS kullanabilir miyim?
Evet, ancak eklenen her zamanla değişen katsayı Q'ya bir satır ve sütun ekler, tahmin edilecek hiperparametre sayısını artırır. Çok sayıda zamanla değişen katsayı ve sınırlı bir örneklem ile tanımlama bozulur; bu durumda faktör yapılı veya Q üzerinde Bayesci büzülme önseli şiddetle tavsiye edilir.
Hangi yazılım TVP-GLS'yi tahmin edebilir?
dlm ve KFAS gibi R paketleri Kalman filtresi aracılığıyla durum-uzay GLS tahminini uygular. Stata'nın sspace komutu özel durum-uzay spesifikasyonlarını destekler. Bayesci TVP modelleri R (bvarsv) ve Python'da (pymc) yaygın olarak uygulanmaktadır.
Kaynaklar
- Cooley, T. F., & Prescott, E. C. (1976). Estimation in the presence of stochastic parameter variation. Econometrica, 44(1), 167–184. DOI: 10.2307/1911389 ↗
- Harvey, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 9780521321969
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Generalized Least Squares. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-gls
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →