Zamanla Değişen Parametreli NARDL (TVP-NARDL)
Time-Varying Parameter Nonlinear Autoregressive Distributed Lag Model · Ayrıca şöyle bilinir: TVP-NARDL, time-varying NARDL, rolling NARDL, dynamic asymmetric ARDL
Zamanla Değişen Parametreli NARDL (TVP-NARDL) modeli, bir açıklayıcı değişkenin pozitif ve negatif kısmi toplamlarının katsayılarının zaman içinde değişmesine izin vererek Doğrusal Olmayan ARDL çerçevesini genişletir. Bu kombinasyon, tek bir eşbütünleşme spesifikasyonu içinde hem asimetrik tepkileri hem de uzun dönem ve kısa dönem ilişkilerdeki yapısal istikrarsızlığı 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
TVP-NARDL, teori veya kayan tahminlerin görsel incelemesi, iki entegre değişken arasındaki asimetrik ilişkinin zamanla değiştiğini gösterdiğinde uygundur — örneğin, birden fazla ekonomik döngü sırasındaki döviz kuru geçişkenliği veya patlama ve durgunluk dönemlerinde petrol fiyatlarının GSYİH üzerindeki etkileri. Kayan tahmini destekleyecek kadar uzun bir örneklem olduğunda (tipik olarak 60+ gözlem) ve standart NARDL artıklarının parametre istikrarsızlığı gösterdiğinde (CUSUM veya Chow testleri) kullanın. Seriler kısa olduğunda, zamanla değişimin önceden bir kanıtı olmadığında veya amaç yapısal yorumdan ziyade basit bir tahmin modeli olduğunda kaçının, çünkü ek esneklik aşırı uyuma yol açabilir ve sonuçları kısa ve öz bir şekilde raporlamak daha zordur.
Güçlü yönler & sınırlılıklar
- Hem asimetrik hem de yapısal olarak istikrarsız uzun dönem ilişkileri eşzamanlı olarak yakalar.
- Yapısal kırılmaların sayısını veya konumunu önceden belirtmeyi gerektirmez.
- Asimetrik etkilerin nasıl geliştiğine dair görsel, dönemden döneme bir anlatı sunar — politika hikayeleri için faydalıdır.
- NARDL'nin sınır testi yaklaşımını miras alır, bu nedenle tüm serilerin aynı dereceden entegre olmasını gerektirmeden karışık I(0)/I(1) açıklayıcı değişkenleri ele alır.
- Kayan veya Kalman filtresi tahmini R ve Python'da uygulaması kolaydır.
- Yeterince uzun bir zaman serisi gerektirir; kısa örneklemler güvenilmez katsayı yörüngeleri ve geniş güven aralıkları üretir.
- Kayan OLS'deki pencere genişliği seçimi keyfidir ve sonuçları önemli ölçüde etkileyebilir; birden fazla pencere boyutu arasında duyarlılık analizi gereklidir.
- Birçok zamanla değişen katsayıyı ve çarpanı yorumlamak, tek bir NARDL tahminini raporlamaktan daha karmaşıktır.
- Durum uzayı / Kalman filtresi varyantları, katsayı yenilik sürecinin varyansı hakkında ek varsayımlar gerektirir.
- TVP-NARDL için yayın standartları hala gelişmektedir, bu nedenle hakem beklentileri dergiler arasında değişmektedir.
SSS
TVP-NARDL, standart NARDL'den nasıl farklıdır?
Standart NARDL, pozitif kısmi toplamlar için tek bir sabit katsayı ve negatif kısmi toplamlar için tek bir katsayı tahmin eder. TVP-NARDL, bu sabit sayıları zaman endeksli yörüngelerle değiştirir, böylece asimetri derecesi örneklem dönemi boyunca değişebilir.
Kayan tahmin için hangi pencere boyutunu kullanmalıyım?
Evrensel bir kural yoktur; yaygın bir uygulama, pencere başına 40-60 gözlem kullanmak ve ardından en az iki alternatif pencere boyutu için duyarlılık sonuçlarını raporlamaktır. Optimal boyut, yapısal değişime duyarlılık ile tahmin hassasiyeti arasında bir denge kurar.
TVP-NARDL, I(2) değişkenlerini ele alabilir mi?
Hayır. NARDL gibi, TVP-NARDL çerçevesi de hiçbir değişkenin 2 veya daha yüksek dereceden entegre olmamasını gerektirir. Devam etmeden önce tüm serileri bir ADF veya KPSS testi ile test edin; I(2) serileri farklılaştırılmalıdır, aksi takdirde model spesifikasyonu geçersizdir.
Hala bir sınır testi yapmam gerekiyor mu?
Evet. Bu ilişkinin üzerine zamanla değişen katsayıları eklemeden önce, uzun dönemli bir eşbütünleşme ilişkisinin var olduğunu doğrulamalısınız — örneğin, tam örneklem üzerinde Pesaran, Shin & Smith (2001) sınır F-testini kullanarak.
Hangi yazılım paketleri TVP-NARDL'yi destekler?
R'deki 'nardl' ve 'MSBVAR' paketleri yapı taşları sağlar; kayan OLS, 'rollRegres' aracılığıyla mevcuttur. Kalman filtresi varyantları 'dlm' veya 'KFAS' paketleri ile kodlanabilir. Python kullanıcıları statsmodels'i özel özyinelemeli döngülerle birleştirebilir.
Kaynaklar
- Shin, Y., Yu, B., & Greenwood-Nimmo, M. (2014). Modelling asymmetric cointegration and dynamic multipliers in a nonlinear ARDL framework. In W. Horrace & R. Sickles (Eds.), Festschrift in Honor of Peter Schmidt (pp. 281–314). Springer. link ↗
- Bagnai, A., & Ospina-Rojas, C. A. (2019). Time-varying generalisations of the NARDL model. Economics Letters, 177, 73–76. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Nonlinear Autoregressive Distributed Lag Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-nardl
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARDL sınır testi (Pesaran sınır testi)Ekonometri↔ karşılaştır
- Doğrusal Olmayan Otoregresif Dağıtılmış Geriye Yayılım (NARDL) ModeliEkonometri↔ karşılaştır
- Eşik RegresyonuEkonometri↔ karşılaştır