Zamanla Değişen Parametre Nicem-nicem (TVP-QQ) Regresyonu
Time-Varying Parameter Quantile-on-Quantile Regression · Ayrıca şöyle bilinir: TVP-QQ regression, time-varying QQ regression, dynamic quantile-on-quantile regression, TVP quantile-on-quantile
TVP-QQ regresyonu, nicem-nicem (QQ) çerçevesini, eğim katsayılarının zamanla evrilmesine izin vererek genişletir. Bir bağımsız değişkenin nicemlerinin, ortak dağılım boyunca ve farklı zaman dilimleri boyunca bir bağımlı değişkenin nicemlerini nasıl farklı şekilde etkilediğini haritalar; standart regresyonun tespit edemediği dinamik, heterojen bağımlılık yapılarını ortaya çıkarır.
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-QQ regresyonunu, iki değişken arasındaki ilişkinin hem ortak dağılımları boyunca hem de zamanla değiştiğinden şüphelendiğinizde kullanın — örneğin, enerji fiyatlarındaki aşırı hareketlerin, kriz veya sakin dönemlerdeki finansal getirilerin kuyruk nicemlerini nasıl etkilediğini incelerken. Özellikle yapısal kırılmaların veya rejim kaymalarının mümkün olduğu uzun zaman serileri için uygundur. Örneklem kısa olduğunda (yaklaşık 150 gözlemden az), yalnızca koşullu ortalama etkileri ilgi çekici olduğunda veya parametrik olmayan tahminin hesaplama yükü engelleyici olduğunda kaçının. Nedensel sıralamanın ve dik açılılaştırmanın önemli olduğu durumlarda doğrusal VAR modellerinin yerine geçmez.
Güçlü yönler & sınırlılıklar
- Bağımsız değişken ve bağımlı değişkenin tüm ortak dağılımı boyunca heterojen etkileri yakalar, OLS veya standart nicem regresyonunun görünmez olduğu asimetrileri ortaya çıkarır.
- Katı bir kırılma noktası varsaymadan bağımlılıktaki zaman değişimini barındırır, bu da onu kademeli yapısal değişime karşı dayanıklı kılar.
- Karmaşık dağılımsal dinamikleri sezgisel olarak ileten zengin görselleştirmeler (katsayı ısı haritaları) üretir.
- Bağımsız değişken veya bağımlı değişken için parametrik bir dağılım varsayımı gerekmez.
- Finansal ekonometri, enerji ekonomisi ve makrofinans alanlarında, kuyruk ve kriz dönemi etkilerinin birincil endişe kaynağı olduğu yerlerde yaygın olarak uygulanabilir.
- Eşzamanlı olarak iki parametrik olmayan yumuşatma boyutunu (nicem ve zaman) desteklemek için nispeten büyük bir zaman serisine ihtiyaç duyar.
- Sonuçlar bant genişliği seçimine duyarlıdır; kötü seçilmiş bant genişlikleri katsayı yüzeyini aşırı yumuşatabilir veya yetersiz yumuşatabilir.
- Çıkarım hesaplama açısından yoğundur çünkü her (τ, θ, t) ızgara noktası için bootstrap yeniden örneklemesinin tekrarlanması gerekir.
- Yöntem tanımlayıcı ve korelasyoneldir; ek varsayımlar olmadan nedensel etkileri tanımlamaz.
- Yazılım uygulamaları henüz büyük ekonometrik paketler arasında standartlaşmamıştır, R veya Python'da özel kod gerektirir.
SSS
TVP-QQ, standart nicem-nicem regresyonundan nasıl farklıdır?
Standart QQ regresyonu (Sim & Zhou, 2015), tüm örneklem için (τ, θ) nicem ızgarası üzerinde sabit bir katsayı yüzeyi tahmin eder. TVP-QQ, zaman boyutu boyunca ikinci bir çekirdek ekleyerek, her nicem kombinasyonundaki katsayıların örneklem dönemi boyunca yumuşak bir şekilde değişmesine izin verir.
TVP-QQ'yu güvenilir bir şekilde çalıştırmak için kaç gözleme ihtiyacım var?
Genel bir kural olarak, nicemler ve zaman boyunca eşzamanlı yumuşatmanın her yerel tahmin noktasında yeterli sayıda etkili gözlem bırakması için en az 150–200 zaman serisi gözlemi önerilir. Daha az gözlemle, bant genişliği çok büyük ayarlanmalıdır, bu da zaman değişimini tespit etme amacını boşa çıkarır.
h ve b bant genişliği parametrelerini nasıl seçerim?
Aday değerler ızgarası üzerinde çapraz doğrulama en prensipli yaklaşımdır. Pratikte, birçok uygulamalı çalışma Sim ve Zhou (2015) izleyerek nicem-boyut bant genişliğini Silverman'ın kuralı ile belirler, ardından zamansal çözünürlüğü tahmin gürültüsüne karşı dengelemek için zaman bant genişliği b'yi seçer.
TVP-QQ panel verilerine uygulanabilir mi?
Temel yöntem zaman serileri için tasarlanmıştır. Panel verilere uzantılar, kesitsel havuzlama ve heterojen birimlerin ele alınması hakkında ek varsayımlar gerektirir ve hala metodolojik geliştirmenin aktif bir alanıdır.
TVP-QQ modellerini tahmin etmek için hangi yazılımı kullanabilirim?
2024 itibarıyla özel, iyi bakımı yapılmış bir CRAN veya PyPI paketi bulunmamaktadır. Araştırmacılar tipik olarak tahminciyi R'de (iç nicem regresyon adımı için quantreg paketini kullanarak) veya Python'da (statsmodels kullanarak) sıfırdan uygularlar ve yayınlanmış makalelerin çoğaltma arşivlerinde paylaşılan kodları uyarlarlar.
Kaynaklar
- Sim, N., & Zhou, H. (2015). Oil prices, US stock return, and the dependence between their quantiles. Journal of Banking & Finance, 55, 1–8. DOI: 10.1016/j.jbankfin.2015.01.013 ↗
- Bouri, E., Gupta, R., & Vo, X. V. (2021). Jumps in geopolitical risk and the cryptocurrency market: The singularity of Bitcoin. Defence and Peace Economics, 33(2), 150–161. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Quantile-on-Quantile Regression. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-quantile-on-quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Kuantil-Üzeri-Kuantil (QQ) RegresyonuEkonometri↔ karşılaştır