Zamanla Değişen Parametreli Toda-Yamamoto Nedenselliği
Time-Varying Parameter Toda-Yamamoto Granger Causality Test · Ayrıca şöyle bilinir: TVP-TY causality, time-varying Toda-Yamamoto, TVP Granger causality (Toda-Yamamoto), rolling/recursive Toda-Yamamoto causality
TVP Toda-Yamamoto nedensellik testi, birim kökler için ön test yapmaya gerek kalmadan entegre veya eşbütünleşik serileri ele alan Toda ve Yamamoto'nun (1995) artırılmış VAR yaklaşımını, zamanla değişen parametrelerle birleştirir. Bu sayede değişkenler arasındaki nedensel ilişkilerin örneklem boyunca sabit kalmak yerine farklı dönemlerde değişmesine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zaman serisi değişkenleri arasındaki nedensel bağlantıların örneklem boyunca (örneğin yapısal kırılmalar, rejim değişiklikleri veya politika kaymaları sırasında) istikrarsız olduğundan şüpheleniyorsanız ve seriler durağan olmayabilir veya entegrasyon derecesi belirsiz olduğunda TVP Toda-Yamamoto nedenselliğini kullanın. Krizlerin veya politika müdahalelerinin nedensel dinamikleri makul bir şekilde değiştirdiği makroekonomik ve finansal seriler için çok uygundur. Çok kısa zaman serileriyle (yaklaşık 60 gözlemden az) kullanmayın, çünkü kayan pencereler veya Kalman filtresi tahmini güvenilmez hale gelir. Ayrıca, araştırma sorusu zamansal nedensellikten ziyade eşzamanlı nedenselliği içeriyorsa veya seriler açıkça durağansa ve nedenselliğin istikrarlı olması bekleniyorsa uygun değildir — bu durumlarda, standart sabit parametreli Granger veya Toda-Yamamoto testi daha basit ve daha verimlidir.
Güçlü yönler & sınırlılıklar
- Durağan olmayan ve muhtemelen eşbütünleşik serileri, entegrasyon derecesi için ön test gerektirmeden ele alır.
- Tek bir sabit parametreli testin gözden kaçıracağı veya ortalamasını alacağı zamanla değişen ve epizodik nedensel ilişkileri tespit eder.
- Artırılmış VAR yapısı, Wald istatistiği için standart ki-kare dağılımını asimptotik olarak korur.
- Tarihsel olaylarla ilişkilendirilebilecek yorumlanabilir bir grafiksel çıktı (zaman içinde nedensellik yolu) sağlar.
- Tahmin seviyelerde yapıldığı için eşbütünleşme rankının hafif yanlış spesifikasyonuna karşı sağlamdır.
- Yeterince uzun bir seri gerektirir; kısa örneklemler güvenilmez zamanla değişen tahminler ve bozuk test boyutları üretir.
- Hesaplama yükü, özellikle çok sayıda değişken veya dar kayan pencerelerle, tek bir Toda-Yamamoto testinden daha yüksektir.
- Sonuçlar pencere uzunluğu, gecikme sırası p ve varsayılan maksimum entegrasyon sırası d_max seçimine duyarlı olabilir.
- Sonlu örneklemlerde asimptotik olanlara göre bootstrap kritik değerleri tercih edilmelidir, bu da karmaşıklığı artırır.
- Yapısal değişimin mekanizmasını veya yönünü tanımlamaz — sadece nedenselliğin değiştiğini işaret eder.
SSS
Bu, standart bir Toda-Yamamoto testinden nasıl farklıdır?
Standart Toda-Yamamoto testi, tüm örneklem üzerinde tek bir Wald istatistiği tahmin eder ve nedensel ilişkinin sabit olduğunu varsayar. TVP versiyonu, test istatistiğini her kayan pencere veya zaman noktası için tahmin ederek nedensel bağlantının değişip değişmediğini ve ne zaman değiştiğini ortaya koyar — bu, 'ilişki istikrarlı mıydı?' sorusunun zaman serisi analoğudur.
Bu yöntemde d_max'ın rolü nedir?
d_max, değişkenler arasındaki maksimum şüphelenilen entegrasyon derecesidir. VAR'a d_max kadar ek gecikme dahil ederek ancak sadece ilk p gecikmeyi test ederek, prosedür, I(1) veya I(2) serileri için bile Wald istatistiğinin asimptotik olarak ki-kare dağılımını takip etmesini sağlar, bu nedenle eşbütünleşme için ön test yapmaya gerek yoktur.
Kayan pencere uzunluğunu nasıl seçmeliyim?
Evrensel bir kural yoktur. Yaygın bir uygulama, toplam örneklemin %30-50'sini minimum pencere olarak kullanmak, ardından birkaç pencere boyutunda sağlamlığı kontrol etmektir. Daha kısa pencereler hızlı yapısal değişiklikleri yakalar ancak daha gürültülü tahminler üretir; daha uzun pencereler daha düzgündür ancak ani kırılmaları maskeleyebilir.
Asimptotik mi yoksa bootstrap kritik değerleri mi kullanmalıyım?
Bootstrap kritik değerleri, özellikle sonlu örneklemlerde ve seriler oldukça kalıcı olduğunda genellikle tercih edilir. Asimptotik ki-kare kritik değerleri, küçük veya kayan pencere örneklemlerinde boş hipotezi aşırı reddedebilir (sahte nedensellik bulabilir).
Bunu ikiden fazla değişkene uygulayabilir miyim?
Evet. VAR çerçevesi doğal olarak birden çok değişkene genişler. Ancak, değişken sayısı arttıkça parametre alanı hızla genişler, bu nedenle daha uzun bir örnekleme ihtiyacınız olur ve tahminleri sabit tutmak için büzülme (örneğin, Bayesyen TVP-VAR önseli) uygulamayı düşünmelisiniz.
Kaynaklar
- Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250. DOI: 10.1016/0304-4076(94)01616-8 ↗
- Adebayo, T. S., & Acheampong, A. O. (2022). Modelling the globalization-emissions nexus: Fresh insights from the novel dynamic ARDL simulations and the Toda-Yamamoto causality approaches. Environmental Science and Pollution Research, 29(3), 3825-3840. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Toda-Yamamoto Granger Causality Test. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-toda-yamamoto-causality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Toda-Yamamoto Granger Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR) ModeliEkonometri↔ karşılaştır