Zamana Bağlı Parametre Vektör Hata Düzeltme Modeli (TVP-VECM)
Time-Varying Parameter Vector Error Correction Model · Ayrıca şöyle bilinir: TVP-VECM, time-varying VECM, TVP cointegration model, dynamic VECM with drifting coefficients
Zamana Bağlı Parametre Vektör Hata Düzeltme Modeli (TVP-VECM), standart VECM'i, ayarlama hızlarının, eşbütünleşme vektörlerinin ve kısa dönem dinamiklerinin zamanla sürüklenmesine izin vererek genişletir. Entegre seriler arasındaki uzun dönem eşbütünleşme ilişkilerini yakalarken, yapısal değişimi, değişen politika rejimlerini ve kayan ekonomik ilişkileri birleşik bir durum-uzay çerçevesinde barındırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla I(1) değişken sistemine sahip olduğunuzda, makul bir uzun dönem dengeye sahip olduğunuzda ve denge ilişkisinin veya ayarlama hızının zamanla değiştiğinden şüphelenmek için teorik veya ampirik nedenleriniz olduğunda — örneğin, politika reformları, mali krizler veya kurumsal değişikliklerden sonra — TVP-VECM kullanın. Rejim değişikliklerinin muhtemel olduğu on yıllarca süren makro-finansal paneller için uygundur. Örneklem kısa olduğunda (denklem başına yaklaşık 80'den az gözlem) kaçının, çünkü durum-uzay özyinelemesi katsayı sürüklenmesini belirlemek için yeterli gözleme ihtiyaç duyar. Değişkenler durağan olduğunda (bunun yerine TVP-VAR kullanın) veya eşbütünleşme derecesi gerçekten sıfır olduğunda da kaçının.
Güçlü yönler & sınırlılıklar
- Uzun dönem eşbütünleşme yapısını, zamanla değişen kısa dönem ve ayarlama dinamikleriyle tek bir tutarlı modelde birleştirir.
- Bilinen kırılma tarihleri gerektirmeden kademeli yapısal kırılmaları doğal olarak ele alır.
- Bayes uygulaması, tüm katsayı geçmişi üzerinde tam sonsal dağılımlar sağlar, bu da zengin belirsizlik ölçümünü mümkün kılar.
- Farklı zaman noktalarında hesaplanan dürtü tepkileri, rejim bağımlı aktarım mekanizmalarını ortaya çıkarır.
- Hata düzeltme teriminin ekonomik yorumlanabilirliğini korurken evrimleşmesine izin verir.
- Hesaplama açısından yoğundur: yüksek boyutlu sistemler için MCMC zincirleri binlerce iterasyon ve birkaç saat çalışma süresi gerektirebilir.
- Katsayı değişimini gürültüden güvenilir bir şekilde ayırt etmek için nispeten uzun bir zaman serisi (kabaca 80+ gözlem) gerektirir.
- Durum inovasyon varyansı Q üzerindeki ön seçimi etkilidir ve kısa örneklemlerde sonuçları domine edebilir.
- Eşbütünleşme derecesi önceden belirlenmeli veya ayrı olarak tahmin edilmelidir; yanlış belirtim tüm sonraki çıkarımlara yayılır.
- Zamana bağlı β(t)'nin kimliklendirilmesi önemsiz değildir ve normalleştirme seçimleri yorumlamayı etkiler.
SSS
TVP-VECM standart bir VECM'den nasıl farklıdır?
Standart bir VECM, tüm katsayıları — ayarlama hızları, eşbütünleşme vektörleri ve kısa dönem dinamikleri — tüm örneklem için sabit tutar. TVP-VECM, her katsayının bir rassal yürüyüş durum denklemi aracılığıyla zamanla sürüklenmesine izin verir, böylece bilinen bir kırılma tarihi varsaymadan yapısal değişimi yakalayabilir.
TVP-VECM'de eşbütünleşme derecesini nasıl belirlerim?
Yaygın uygulama, dereceyi tam örneklem veya kararlı bir alt dönem üzerinde Johansen'in iz veya maksimum özdeğer testi kullanarak belirlemek, ardından zamanla değişen modeli tahmin ederken bu dereceyi sabit kabul etmektir. Bierens ve Martins (2010) ayrıca, verilen bir dereceye bağlı olarak eşbütünleşme vektörlerinin gerçekten zamanla değişip değişmediğine dair bir test sağlarlar.
Bayes yöntemlerine mi ihtiyacım var yoksa sıklıkçı tahmin kullanabilir miyim?
Her ikisi de mevcuttur. Sıklıkçı yaklaşımlar, durum varyanslarının yarı-maksimum olabilirlik tahminleriyle Kalman filtresini kullanır. Bayes MCMC (Carter-Kohn algoritması ile Gibbs örnekleme) daha esnektir, tam sonsal dağılımlar sağlar ve pürüzsüzlük hakkındaki ön bilgiyi ele alır, ancak hesaplama açısından daha ağırdır.
Ne kadar gözleme ihtiyacım var?
Kaba bir kılavuz olarak, gerçek katsayı sürüklenmesini tahmin gürültüsünden ayırt etmek için denklem başına en az 80-100 zaman serisi gözlemi gereklidir. Daha az gözlemle, model çok geniş sonsal bantlara sahip olacak ve sonuçlar ön seçimlere duyarlı olacaktır.
Ne zaman Markov anahtarlamalı VECM'i TVP-VECM'e tercih etmeliyim?
Yapısal değişimin ayrık rejim anahtarları şeklinde gerçekleştiğine inanıyorsanız (örneğin, kriz öncesi ve sonrası), Markov anahtarlamalı VECM daha tutumludur ve daha keskin rejim kimliği sağlar. TVP-VECM, değişim ani olmaktan ziyade kademeli ve sürekli olduğunda daha iyidir.
Kaynaklar
- Park, J. Y., & Hahn, S. B. (1999). Cointegrating regressions with time varying coefficients. Econometric Theory, 15(5), 664–703. DOI: 10.1017/S0266466699155026 ↗
- Vector error correction model. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Vector Error Correction Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-vecm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kalman FiltresiBayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır
- Zamanla Değişen Parametreli VAR (TVP-VAR)Ekonometri↔ karşılaştır