Zamanla Değişen Parametreli Granger Nedenselliği
Time-Varying Parameter Granger Causality · Ayrıca şöyle bilinir: TVP Granger causality, rolling-window Granger causality, time-varying Granger test, dynamic Granger causality
Zamanla değişen parametreli Granger nedenselliği, zaman serileri arasındaki öngörücü ilişkilerin zaman içinde evrilmesine izin vererek klasik Granger nedenselliği çerçevesini genişletir. Sabit nedensel etkiler varsaymak yerine, model, yapısal kırılmaları, rejim değişikliklerini veya ekonomik ya da finansal ilişkilerdeki kademeli evrimi yakalayabilen, değişebilen nedensel katsayıları tahmin 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
İki zaman serisi arasındaki nedensel ilişkinin sabit olmadığından şüpheleniyorsanız — örneğin, farklı para politikası rejimleri, finansal krizler veya yapısal ekonomik değişimler boyunca — TVP Granger nedenselliğini kullanın. Teori veya önceki kanıtlar gecikme katsayılarında istikrarsızlık olduğunu gösterdiğinde ve örneklem, zamanla değişen süreci güvenilir bir şekilde tahmin etmek için yeterince uzun olduğunda (genellikle 100 veya daha fazla gözlem) uygundur. Örneklem kısaysa (yaklaşık 80'den az gözlem), ilişki dönem boyunca makul bir şekilde sabitse (bunun yerine standart Granger nedenselliği kullanın) veya küçük veri kümelerinde hesaplama basitliği ve tekrarlanabilirlik öncelikliyse bu yöntemi uygulamayın.
Güçlü yönler & sınırlılıklar
- Yapısal kırılmaları ve nedensel ilişkilerdeki rejim değişikliklerini, kırılma tarihlerine ilişkin önsel bilgi gerektirmeden yakalar.
- Nedenselliğin zaman damgalı bir resmini sunar, X'in Y'yi ne zaman öngördüğünü ve ilişkinin ne zaman zayıfladığını veya tersine döndüğünü gösterir.
- Bayesçi TVP-VAR çerçevesi, parametre belirsizliğini doğal olarak ele alır ve zamanla değişen tahminler etrafında güven aralıkları üretir.
- Ekonomik veya finansal koşullar örneklem boyunca önemli ölçüde değiştiğinde, tek bir sabit katsayılı Granger testinden daha bilgilendiricidir.
- Hem ortalama hem de varyans dinamiklerini eş zamanlı olarak modellemek için stokastik volatilite ile birleştirilebilir.
- Sabit parametreli Granger testlerinden önemli ölçüde daha uzun örneklemler gerektirir; kısa seriler, kötü tanımlanmış zamanla değişen katsayılara yol açar.
- Bayesçi TVP-VAR tahmini hesaplama açısından yoğundur ve durum kovaryansları için önsel belirlemeyi gerektirir, bu da sonuçları hiperparametre seçimlerine duyarlı hale getirir.
- Katsayı evrimi için rastgele yürüyüş varsayımı, gerçek veri üretim sürecine bağlı olarak çok kısıtlayıcı veya çok esnek olabilir.
- Nedensellik her zaman noktasında test edildiğinde çokluk sorunları ortaya çıkar; düzeltmeler veya ortaya çıkan zaman profillerinin dikkatli yorumlanması gereklidir.
- Yorumlama, tek bir Granger F-istatistiğinden daha karmaşıktır, analistten ve hedef kitleden daha yüksek ekonometrik okuryazarlık talep eder.
SSS
TVP Granger nedenselliği, kayar-pencere Granger nedenselliğinden nasıl farklıdır?
Kayar-pencere testleri, hareketli bir alt örneklem üzerinde sabit katsayılı bir VAR'ı yeniden tahmin eder ve her pencereyi bağımsız olarak ele alır. TVP Granger nedenselliği, katsayıların sürekli olarak evrilmesine izin veren, mevcut tüm verileri verimli bir şekilde kullanan ve daha pürüzsüz, istatistiksel olarak daha tutarlı katsayı yolları üreten bir durum-uzay modeli kullanır.
Zaman serimin ne kadar uzun olması gerekiyor?
Pratik bir kural olarak, kararlı TVP-VAR tahmini için en az 100 gözlem önerilir. 80'den az gözlemle, Kalman filtresi anlamlı varyasyonu izlemek için yetersiz veriye sahiptir ve sonuçlar önsel varsayımlar tarafından domine edilir.
Eşbütünleşmeyi hesaba katmam gerekiyor mu?
Evet. Seriler entegre (I(1)) ve eşbütünleşikse, TVP modeli bir hata düzeltme terimi içermeli veya geçersiz çıkarımdan kaçınmak için Toda-Yamamoto veya Dolado-Lutkepohl yaklaşımını takiben dikkatli bir şekilde seviyelerde belirtilmelidir.
TVP Granger nedenselliğini hangi yazılımlar tahmin edebilir?
bvarsv ve BVAR gibi R paketleri, Primiceri (2005) ile dağıtılan MATLAB kodu ve Kalman filtresi rutinleri içeren Python kütüphaneleri, TVP-VAR tahminini destekler. Kayar-pencere alternatifleri, herhangi bir standart VAR paketiyle basittir.
TVP-VAR için gecikme sayısını nasıl seçerim?
Aynı veriler üzerinde sabit katsayılı bir VAR'a uygulanan standart bilgi kriterleri (AIC, BIC, HQIC) makul bir başlangıç noktası sağlar. TVP modelleri, sabit katsayılı muadillerine göre daha fazla parametre içerdiğinden, bitişik gecikme uzunluklarıyla duyarlılık kontrolleri önerilir.
Kaynaklar
- Granger, C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438. DOI: 10.2307/1912791 ↗
- Primiceri, G. E. (2005). Time varying structural vector autoregressions and monetary policy. Review of Economic Studies, 72(3), 821-852. DOI: 10.1111/j.1467-937X.2005.00353.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Granger Causality. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-granger-causality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Yapısal Vektör Otoregresyonu (SVAR)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır