Zamanla Değişen Parametre Yapısal VAR Modeli (TVP-SVAR)
Time-Varying Parameter Structural Vector Autoregression Model · Ayrıca şöyle bilinir: TVP-SVAR, time-varying SVAR, drifting-parameter SVAR, TVP structural VAR
Zamanla Değişen Parametre Yapısal VAR (TVP-SVAR) modeli, hem indirgenmiş form katsayılarının hem de yapısal etki matrisinin zamanla sürekli olarak evrimleşmesine izin vererek klasik yapısal VAR'ları genişletir. Bayesçi MCMC aracılığıyla tahmin edilen bu model, değişen aktarım mekanizmalarını ve heteroskedastik oynaklığı yakalar; bu da onu politika rejimlerinin ve ekonomik ilişkilerin değiştiği durumlarda ampirik makroekonominin temel taşı haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Şokların (para politikası, petrol fiyatı, maliye) dinamik etkilerinin birden fazla politika rejimini veya krizi kapsayan uzun bir örneklem boyunca nasıl değiştiğini izlemek istediğinizde TVP-SVAR'ı kullanın. Parametre istikrarsızlığına işaret eden ön testler olduğunda veya ekonomik teori aktarım kanallarının istikrarlı olmadığını öngördüğünde uygundur. Stokastik oynaklığın da şüphelenildiği durumlarda standart bir VAR'a tercih edin. Kısa örneklemlerle (yaklaşık 80 çeyrek gözlemden az) kaçının, çünkü durum-uzay, düzgün sürüklenmeleri belirlemek için birçok döneme ihtiyaç duyar; ayrıca yalnızca tek bir kesme noktası varsayıldığında da kaçının — bu durumda basit bir Chow testi ve bölünmüş örneklem VAR'ı daha ucuz ve eşit derecede geçerlidir.
Güçlü yönler & sınırlılıklar
- Önceden belirlenmiş kesme noktaları gerektirmeden sürekli evrimleşen yapısal ilişkileri yakalar.
- Zamanla değişen dürtü tepkilerini ve stokastik oynaklığı eş zamanlı olarak tahmin ederek makroekonomik dinamiklerin zengin bir resmini sunar.
- Tam Bayesçi sonsal, her zaman periyodunun katsayıları ve dürtü tepkileri etrafında dürüst belirsizlik bantları sağlar.
- Merkez bankası ve akademik araştırmalarda ampirik para politikası analizi için işgücü olarak yaygın kabul görmüştür.
- Esnek tanımlama: Cholesky, işaret kısıtlamaları ve dışsal araç yaklaşımlarıyla uyumludur.
- Hesaplama açısından yoğundur — binlerce çekimle MCMC tahmini, orta ölçekli sistemler için modern donanımda bile saatler sürebilir.
- Rastgele yürüyüş durumunun güvenilir bir şekilde tanımlanması için uzun zaman serileri (ideal olarak 100+ çeyrek gözlem) gerektirir.
- Serbest parametre sayısı, değişken sayısı ile hızla artar, bu da büyük sistemleri (>5 değişken) boyut azaltıcı ön bilgiler olmadan pratik olmaktan çıkarır.
- Çıkarım, Q (parametre sürüklenme varyansı) üzerindeki ön bilgiye duyarlıdır; kötü seçilmiş bir ön bilgi, neredeyse sabit veya aşırı derecede değişken yolları zorlayabilir.
SSS
TVP-SVAR, Markov-anahtarlamalı bir SVAR'dan nasıl farklıdır?
Markov-anahtarlamalı bir SVAR, parametrelerin gizli bir Markov zinciri tarafından yönetilen az sayıda ayrık rejim arasında sıçramasına izin verir. TVP-SVAR ise parametrelerin bir rastgele yürüyüş olarak sürekli sürüklenmesine izin verir. Seçim ekonomik soruya bağlıdır: ayrık rejim değişiklikleri (örn. sabit veya dalgalı döviz kuru) Markov-anahtarlamalı için uygundur; politika kurallarının kademeli evrimi TVP-SVAR için uygundur.
TVP-SVAR kaç değişkeni işleyebilir?
Standart uygulamalar tipik olarak üç ila beş değişkeni işler. Altı veya daha fazla değişkenle, parametre sayısı patlar ve MCMC çok yavaşlar. Faktör-artırılmış VAR'lar veya Minnesota ön bilgileriyle büyük Bayesçi VAR'lar, büyük bilgi kümeleri için daha iyi seçeneklerdir.
Hangi yazılım TVP-SVAR'ı tahmin edebilir?
Primiceri'nin orijinal MATLAB kodu kamuya açık ve yaygın olarak kullanılmaktadır. R paketi 'bsvars' ve Dynare araç kutusu da TVP-SVAR tahminini desteklemektedir. Python uygulamaları mevcuttur ancak daha az standartlaşmıştır.
Çeyrek ve aylık verileri birlikte kullanabilir miyim?
Tek bir TVP-SVAR'da doğrudan değil; tüm değişkenler aynı frekansı paylaşmalıdır. Karma frekanslı uzantılar (MF-VAR, TVP ile birleştirilmiş) araştırma literatüründe mevcuttur ancak pratikte henüz rutin değildir.
Minimum örneklem boyutu ne kadar gereklidir?
Kaba kural, en az 80 çeyrek (veya 240 aylık) gözlemdir. Daha kısa örneklemler, rastgele yürüyüş sürüklenmesinin tanımlanamamasına neden olur, bu da sonsalın ön bilgiye çökmesine ve zamanla değişen yolların ön bilgi seçimine bağlı olarak yapay olarak düzgün veya gürültülü görünmesine neden olur.
Kaynaklar
- 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 ↗
- Nakajima, J. (2011). Time-Varying Parameter VAR Model with Stochastic Volatility: An Overview of Methodology and Empirical Applications. IMES Discussion Paper Series 2011-E-9, Bank of Japan. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Structural Vector Autoregression Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-svar-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Zamanla Değişen Parametreli VAR Modeli (TVP-VAR)Ekonometri↔ karşılaştır