Zamanla Değişen Parametreli VAR Modeli (TVP-VAR)
Time-Varying Parameter Vector Autoregression Model · Ayrıca şöyle bilinir: TVP-VAR, time-varying VAR, TV-VAR, drifting-coefficient VAR
Zamanla Değişen Parametreli VAR (TVP-VAR) modeli, katsayıların ve hata kovaryanslarının zamanla kademeli olarak evrimleşmesine izin vererek standart vektör otoregresyonunu genişletir. Bayesci yöntemler ve MCMC simülasyonu aracılığıyla tahmin edilen bu model, makroekonomik veya finansal değişkenler arasındaki dinamik ilişkilerin farklı ekonomik rejimler boyunca nasıl değiştiğini, önceden belirlenmiş kırılma noktalarına gerek kalmadan 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-VAR'ı, birkaç makroekonomik veya finansal değişken arasındaki dinamik karşılıklı ilişkilerin uzun bir zaman serisi boyunca nasıl değiştiğini incelemek istediğinizde kullanın - örneğin, değişen para politikası aktarımı, gelişen uluslararası yayılmalar veya zamanla değişen döviz kuru geçişkenliği. Yöntem, yapısal değişimin tek bir keskin kırılma yerine kademeli ve sürekli olması şüphesi olduğunda ve örneklem birden fazla on yılı kapsadığında en uygundur. Kısa örneklemler (yaklaşık 80 çeyrek gözlemden az) için daha az uygundur, çünkü parametre sayısı mevcut bilgiyi kolayca aşar ve önsel değerler baskın çıkar. Saf bir tahmin egzersizi olarak, parametre evrimine ilişkin substantif bir ilgi olmadan kaçının: sabit katsayılı bir BVAR hesaplama açısından daha ucuzdur ve genellikle iyi veya daha iyi tahminler yapar.
Güçlü yönler & sınırlılıklar
- Önceden belirlenmiş kırılma tarihleri gerektirmeden kademeli, sürekli yapısal değişimi yakalar.
- Zamanla değişen volatilitenin (stokastik volatilite) eş zamanlı olarak modellenmesi, makroekonomik riskin daha zengin bir resmini sunar.
- Bayesci sonsal, her parametre yolu için güven aralıkları verir, belirsizliği açık hale getirir.
- Dürtü yanıt fonksiyonları herhangi bir tarihsel tarihte hesaplanabilir, bu da rejim öncesi/sonrası karşılaştırmalara olanak tanır.
- Durağanlık ön testi gerektirmez: rastgele yürüyüş spesifikasyonu kalıcı dinamikleri doğal olarak barındırır.
- Hesaplama açısından yoğundur: orta düzey bir VAR için stokastik volatilite ile MCMC zincirleri, hızlı donanımda bile saatler sürebilir.
- Yeterince uzun bir zaman serisi gerektirir; yaklaşık 80 gözlemden az olduğunda önsel değer sonuçları büyük ölçüde etkiler.
- Sonuçlar, önsel hiperparametre seçimlerine, özellikle rastgele yürüyüş yeniliklerinin varyansına (Q) duyarlıdır. Önsel ayarlar boyunca sağlamlık kontrolleri esastır.
- Model örneklem içinde aşırı uyum sağlayabilir, bu nedenle en iyi örneklem dışı tahmin performansı veya günlük tahmin puanları aracılığıyla değerlendirilir.
SSS
TVP-VAR, yapısal kırılmalar için kukla değişkenlere sahip standart bir VAR'dan nasıl farklıdır?
Kukla değişkenlere sahip standart bir VAR, bilinen tarihlerde ani, ayrık kırılmalar varsayar. TVP-VAR, araştırmacının ne zaman veya kaç kırılma olduğunu belirtmesini gerektirmeden her parametrenin örneklem boyunca sürekli olarak sürüklenmesine izin verir. Bu, onu daha esnek hale getirir ancak aynı zamanda veri uzunluğu ve hesaplama açısından daha zorlayıcıdır.
Bir TVP-VAR'dan dürtü yanıt fonksiyonları hesaplayabilir miyim?
Evet. Katsayı matrisleri her t tarihinde farklı olduğundan, herhangi bir tarihsel bölüm için ayrı bir dürtü yanıt fonksiyonları (IRF'ler) kümesi hesaplayabilirsiniz. Tarihler arasındaki IRF'leri karşılaştırmak - örneğin, 1980'ler ile 2000'ler - araştırmacıların yapısal değişimi dinamik yanıtlarda belgelemek için TVP-VAR'ı kullanmalarının birincil yoludur.
Ne kadar uzun bir zaman serisine ihtiyacım var?
Yaygın bir kural, küçük ila orta düzey bir sistem için en az 80 çeyrek gözlemdir (20 yıl). Daha kısa örneklemler, önsel değerlerin sonsal değerleri domine etmesi anlamına gelir, bu nedenle görünen parametre evrimi büyük ölçüde veriden ziyade önsel değeri yansıtır. Önsel hiperparametrelerin duyarlılık analizi, özellikle küçük örneklemlerde önemlidir.
Hangi yazılım TVP-VAR tahmin edebilir?
Primiceri'nin (2005) MATLAB kodu yaygın olarak dolaşımdadır. R'de 'bvarsv' ve 'shrinkTVP' paketleri stokastik volatilite ile Bayesci TVP-VAR'ı uygular. Stata ve EViews yerleşik desteğe sahip değildir, bu nedenle genellikle özel kod gereklidir.
TVP-VAR, Markov anahtarlamalı bir VAR ile aynı mı?
Hayır. Markov anahtarlamalı VAR, gizli bir Markov zinciri tarafından yönetilen sonlu sayıda ayrık rejim varsayar, bu nedenle parametreler küçük bir değer kümesi arasında aniden değişir. TVP-VAR, parametrelerin bir rastgele yürüyüş yoluyla zamanla sürekli olarak sürüklendiğini varsayar. Her ikisi de yapısal değişimi yakalar ancak doğası hakkında çok farklı varsayımlarla.
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 ↗
- Cogley, T., & Nason, J. M. (1995). Effects of the Hodrick-Prescott filter on trend and difference stationary time series: Implications for business cycle research. Journal of Economic Dynamics and Control, 19(1-2), 253-278. DOI: 10.1016/0165-1889(93)00781-X ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Vector Autoregression Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-var-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
- Kalman FiltresiBayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır
- Yapısal Vektör Otoregresyonu (SVAR)Ekonometri↔ karşılaştır
- Zamandan Bağımsız Parametreli ARDL Sınır TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır