Zamanla Değişen Parametre En Küçük Kareler (TVP-OLS)
Time-Varying Parameter Ordinary Least Squares · Ayrıca şöyle bilinir: TVP-OLS, time-varying coefficient regression, rolling OLS, locally weighted OLS
Zamanla Değişen Parametre En Küçük Kareler (TVP-OLS), regresyon katsayılarının zamanla değişmesine izin vererek klasik adi en küçük kareler yöntemini genişletir. Örneklem boyunca sabit eğimler varsaymak yerine, model her bir katsayıyı bir stokastik süreç olarak ele alır ve ekonomik ilişkilerin nasıl geliştiğini izler; bu da onu zaman serisi verilerindeki yapısal değişimin analiz edilmesi için uygun kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Teori veya önceki kanıtlar, değişkenler arasındaki ilişkinin zamanla değiştiğini öne sürdüğünde TVP-OLS kullanın — örneğin, düzenleyici kaymalar, teknoloji şokları veya iş döngüleri ekonomik esneklikleri değiştirdiğinde. Özellikle makroekonomik modellemede, finansta ve uzun zaman serileriyle (tipik olarak 50+ dönem) politika analizinde değerlidir. Örneklem kısa olduğunda (parametre sürüklenmesi gürültüden ayırt edilemez), katsayıların yapısal olarak kararlı olması beklendiğinde (bir Chow veya CUSUM testi kararlılığı doğrulayabilir) veya keskin tek seferlik bir kırılma yerine kademeli sürüklenmenin gerçek veri üreten süreç olduğu durumlarda bundan kaçının — bu durumda yapısal kırılma regresyonu daha uygundur.
Güçlü yönler & sınırlılıklar
- Sabit bir kırılma tarihi dayatmadan ekonomik ilişkilerin yumuşak, sürekli evrimini yakalar.
- Sabit parametreli OLS'yi özel bir durum olarak içerir (Q = 0), parametre kararlılığı için olabilirlik oranı testlerini etkinleştirir.
- Yapısal değişimin zamanlamasını ve yönünü ortaya koyan tam bir katsayı tahminleri yörüngesi sağlar.
- Durum-uzay çerçevesi içinde heteroskedastik veya otokorelasyonlu hataları hesaba katabilen çok değişkenli ayarlar ile uyumludur.
- Kalman düzelticisi tahminleri tam örneklemi kullanır, verimli geriye dönük katsayı yollarını üretir.
- Zaman varyasyonunu gürültüden güvenilir bir şekilde tanımlamak için nispeten uzun zaman serileri (50+ gözlem) gerektirir.
- Hiperparametre tahmini (sinyal-gürültü oranı Q/σ²) başlangıç değerlerine duyarlıdır ve dejeneratif çözümlere yakınsayabilir.
- OLS'den hesaplama açısından daha talepkardır ve durum-uzay yazılımı veya manuel Kalman filtresi uygulaması gerektirir.
- Yuvarlanan OLS yaklaşımı, sonuçları önemli ölçüde etkileyen bir pencere uzunluğu ayarlama seçimi getirir.
- Geçiş rastgele yürüyüşü tarafından varsayılan yavaş sürüklenme, yapısal değişim ani veya kesikli olduğunda uygun olmayabilir.
SSS
TVP-OLS ile yuvarlanan OLS arasındaki fark nedir?
Yuvarlanan OLS, sabit uzunlukta hareketli bir pencere üzerinde standart bir OLS modelini yeniden tahmin eder ve her dönem için bir katsayı tahmini üretir. Kalman filtresi kullanan TVP-OLS, istatistiksel olarak ilkeli alternatiftir: her noktada tüm mevcut verileri kullanır (düzeltici aracılığıyla), katsayı sürüklenme hızını açıkça Q aracılığıyla modeller ve her tahmin etrafında belirsizlik bantları sağlar. Yuvarlanan OLS daha basittir ancak keyfi bir pencere uzunluğu seçimi getirir ve pencere dışındaki verileri atar.
Geçiş denkleminin varyansını (Q) nasıl seçerim?
Q (sürüklenme kovaryansı) tipik olarak durum-uzay temsilinde maksimum olabilirlik ile tahmin edilir. Yaygın bir kestirme yol, sinyal-gürültü oranı Q/σ²'yi küçük bir değere (örneğin, 0.01–0.05) ayarlamak ve hassasiyeti test etmektir. Q sıfıra yakın tahmin edilirse, veriler sabit parametreli OLS'yi destekler; büyükse, önemli zaman varyasyonu mevcuttur. Sabit parametreli referansla karşılaştırmak için her zaman AIC/BIC'yi kontrol edin.
TVP-OLS birden fazla tahminciyi işleyebilir mi?
Evet. Her katsayı kendi geçiş denklemine sahiptir ve Q bir matris haline gelir. Kalman filtresi, zamanla değişen parametrelerin tam vektörünü eşzamanlı olarak işler. Pratik tavsiye: modeli tutumlu tutun, çünkü büyük bir Q matrisini tahmin etmek, kolineyerlik ve yakınsama problemlerinden kaçınmak için uzun bir zaman serisi gerektirir.
Ne zaman TVP-OLS yerine yapısal kırılma testi kullanmalıyım?
Tek veya birkaç ayrık rejim kayması olduğundan şüpheleniyorsanız (Chow testi, Bai-Perron gibi) yapısal kırılma yöntemlerini kullanın. TVP-OLS, yumuşak, kademeli sürüklenmeyi varsayar ve en iyi şekilde değişim sürekli olduğunda çalışır, ani olmadığında değil. Uygulamada, her ikisini de çalıştırmak ve model uyumunu (AIC/BIC) karşılaştırmak bilgilendiricidir.
TVP-OLS durum-uzay modellemesi ile aynı mı?
TVP-OLS, gözlem denkleminin doğrusal bir regresyon olduğu ve durum vektörünün zamanla değişen katsayıları topladığı durum-uzay modellemesinin özel bir durumudur. Daha genel durum-uzay modelleri, katsayı sürüklenmesinin ötesinde gizli bileşenler (trendler, döngüler) içerebilir. Kalman filtresi, her ikisi için de yaygın tahmin motorudur.
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: 978-0521405737
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Ordinary Least Squares. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-ols
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kalman FiltresiBayesçi↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır