Zamana Bağlı Parametreli Ağırlıklı En Küçük Kareler (ZBP-AEK)
Time-Varying Parameter Weighted Least Squares · Ayrıca şöyle bilinir: TVP-WLS, time-varying coefficient WLS, locally weighted time-varying regression, TVP weighted regression
Zamana Bağlı Parametreli Ağırlıklı En Küçük Kareler (ZBP-AEK), zaman serisi verileri için, eğim ve kesme noktası katsayılarının zaman içinde değişmesine izin verirken, gözlemlerin değişen varyans veya uzak verileri iskonto etmek için ağırlıklandırıldığı bir regresyon tekniğidir. Durum-uzay katsayı evriminin esnekliğini, ağırlıklı en küçük karelerin varyans düzeltme gücüyle birleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Teori veya keşifsel grafikler, regresyon katsayılarının örnek dönem boyunca sabit olmadığını gösterdiğinde TVP-WLS'yi kullanın — örneğin, politika rejimleri boyunca makroekonomik modellemede, yapısal kırılmaları kapsayan finansal zaman serilerinde veya değişen varyansı düzeltmek için kesitsel ağırlıklara ihtiyaç duyulan panellerde. Orta ila uzun zaman serileri (T ≥ 50) ve parametre kararsızlığı için net ekonomik motivasyon ile en uygundur. Varsayılan olarak kullanmayın: parametre sabitliği testleri (Chow, CUSUM, Nyblom) kararlılığı reddetmezse, standart AEK veya GLS tercih edilir. Ayrıca, örneklem çok kısa olduğunda, katsayı kayması için sinyal-gürültü oranı düşük olduğunda veya daha temiz bir yapısal kırılma modeli (bilinen kırılma noktalarıyla) daha savunulabilir olduğunda TVP-WLS'den kaçının.
Güçlü yönler & sınırlılıklar
- Kırılma tarihlerini önceden belirtmeye gerek kalmadan gerçek yapısal değişimi ve rejim kaymalarını yakalar.
- Ağırlıklandırılmış gözlemler, hem değişen varyansı hem de uzak tarihsel verilerin azalan alaka düzeyini aynı anda düzeltir.
- Katsayıların tam bir zaman yolunu üretir, bu da parametre kaymasının zamanlamasını ve büyüklüğünü doğrudan yorumlanabilir hale getirir.
- Katsayı kayma varyansı Q sıfıra ayarlandığında standart AEK ve AEK'yi özel durumlar olarak kapsar.
- Kalman filtresi özyinelemesiyle uyumludur, bu da gerçek zamanlı tahmin ve yeni veri geldikçe sıralı güncellemeyi sağlar.
- Katsayı oynaklığını kontrol eden hiperparametreleri (Q) ve başlangıç koşullarını belirtmeyi (veya tahmin etmeyi) gerektirir, bu kısa örneklemlerde zor olabilir.
- Aşırı uyum riski: aşırı esnek bir TVP spesifikasyonu, gerçek yapısal değişimden ziyade gürültüyü uyarlayabilir.
- AEK'den hesaplama açısından daha talepkar; Kalman filtresi uygulamaları model karmaşıklığı ekler.
- Herhangi bir zamandaki bireysel katsayılar üzerindeki çıkarım, havuzlanmış AEK'ye göre daha az hassastır çünkü her yerel tahmine katkıda bulunan etkili örneklem daha küçüktür.
SSS
TVP-AEK, yuvarlanan AEK'den nasıl farklıdır?
Yuvarlanan AEK, sabit katsayılı bir modeli hareketli bir pencerede yeniden tahmin eder ve pencere dışındaki tüm verileri eşit olarak atar. TVP-AEK, tam örneği kullanır ancak katsayıların bir durum denklemi aracılığıyla düzgün bir şekilde evrimleşmesine izin verir ve ağırlıklar sabit bir pencere sınırı yerine sürekli olarak değişebilir. TVP-AEK genellikle daha düzgün katsayı yolları ve daha iyi belirsizlik ölçümü üretir.
Hangi ağırlıkları kullanmalıyım?
Ağırlıklar, gözlemlerin göreceli güvenilirliğini yansıtmalıdır. Yaygın seçimler, ters-varyans ağırlıklarıdır (eğer değişen varyans ana endişe ise), üstel bozunma ağırlıklarıdır (eski verileri iskonto etmek için) veya karışık frekans ayarlarında frekansa dayalı ağırlıklardır. Seçim, uyumu en üst düzeye çıkarmak için değil, veri üretim hikayesine dayanmalıdır.
Katsayı kayma varyansı Q'yu nasıl seçerim?
Q, maksimum olasılık (Kalman filtresi tahmin hatası ayrıştırması yoluyla) veya örnek dışı tahmin değerlendirmesiyle ızgara aramasıyla tahmin edilebilir. Yaygın bir tanı, Nyblom (1989) sabitlik testidir: eğer sabitliği reddetmezse, Q = 0 olarak ayarlayın ve standart AEK kullanın.
TVP-AEK birden fazla zamana bağlı katsayıyı işleyebilir mi?
Evet. Kalman filtresi formülasyonunda, β_t bir vektördür ve Q, kayan katsayıların ortak hareketini yakalayan bir kovaryans matrisidir. Tahmin karmaşıklığı TVP parametrelerinin sayısıyla artar, bu nedenle veri sınırlı olduğunda bazı katsayıları sabit tutmak tavsiye edilir.
TVP-AEK durağanlık gerektirir mi?
TVP-AEK kendi başına durağanlık dayatmaz. Regresörler birim kökler içeriyorsa, önce eşbütünleşme için test etmeli veya serileri uygun şekilde farklandırmalısınız. TVP-AEK'yi eşbütünleşme olmadan I(1) değişkenlerine uygulamak, zamana bağlı ilişkinin yanıltıcı tahmin riskini taşır.
Kaynaklar
- Harvey, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
- Cooley, T. F., & Prescott, E. C. (1976). Estimation in the Presence of Stochastic Parameter Variation. Econometrica, 44(1), 167–184. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Weighted Least Squares. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-wls
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır
- Ağırlıklı En Küçük Kareler (AEKK)İstatistik↔ karşılaştır