Toda-Yamamoto Nedensellik Testi
Toda-Yamamoto Modified Wald Causality Test · Ayrıca şöyle bilinir: Toda-Yamamoto test, TY causality test, modified Wald test for Granger causality, TY-MWALD
Toda-Yamamoto (TY) nedensellik testi, vektör otoregresyonlarında (VAR) seviyelerde tahmin edilen Granger nedenselliğini test etmek için değiştirilmiş bir Wald prosedürüdür; değişkenler durağan olmasa veya eşbütünleşik olsa bile geçerlidir. VAR'ı, maksimum entegrasyon derecesine eşit ek gecikmelerle kasıtlı olarak aşırı tahmin ederek, Wald istatistiğinin standart ki-kare asimptotik dağılımını, önceden birim kök veya eşbütünleşme ön testi gerektirmeden geri kazandırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+2 tane daha
Ne zaman kullanılır
Toda-Yamamoto testini, entegrasyon derecesi 1 veya 2 olan veya eşbütünleşik olabilecek zaman serileri arasında Granger nedenselliğini test etmek istediğinizde ve birim kök ve eşbütünleşme testlerinden kaynaklanan ön test yanlılığı riskinden kaçınmak istediğinizde kullanın. Özellikle entegrasyon veya eşbütünleşme özellikleri belirsiz olduğunda değerlidir. Yapısal nedensellik analizi için bir ikame olarak kullanmayın — TY testleri yalnızca Granger öngörülebilirliğini, yapısal veya politika-değişmez nedenselliği test eder. Çok kısa örneklemlerle (T < 50) kullanmaktan kaçının, çünkü ki-kare yaklaşımı zayıf olabilir. Seriler açıkça durağansa, standart bir VAR Granger testi daha basittir ve eşit derecede geçerlidir.
Güçlü yönler & sınırlılıklar
- Birim kökler veya eşbütünleşme için ön test gerektirmez, bu da ön testten kaynaklanan belirtim hatalarının yayılma riskini azaltır.
- Karışık entegrasyon derecelerine (I(0), I(1), I(2)) sahip sistemlere veya bilinmeyen eşbütünleşme derecesine uygulanabilir.
- Standart ki-kare kritik değerlerini kullanır, bu da sonuçların yorumlanmasını ve raporlanmasını kolaylaştırır.
- Verilerdeki uzun vadeli bilgiyi, fark alma işleminin atacağı şekilde koruyarak seviyelerde çalışır.
- Herhangi bir VAR'a yetenekli yazılım paketinde uygulaması basittir.
- Yalnızca Granger öngörülebilirliğini (zamansal öncelik artı artımlı tahmin gücü) test eder, yapısal veya karşı-olgusal nedenselliği değil.
- Ek d_max gecikmeleriyle aşırı tahmin, serbestlik derecelerini azaltır ve özellikle küçük örneklemlerde gücü düşürür.
- d_max seçimi a priori yapılmalıdır; onu hafife almak asimptotik ki-kare sonucunu geçersiz kılabilir.
- Tüm Granger tipi testler gibi, hem X hem de Y ile ilişkili ihmal edilmiş değişkenlere duyarlıdır.
- Nedensel etkinin yönünü veya işaretini belirlemez — tamamlayıcı dürtü-tepki analizi gereklidir.
SSS
Toda-Yamamoto testi standart Granger nedensellik testinden nasıl farklıdır?
Standart Granger nedensellik testi yalnızca VAR'daki tüm değişkenler durağan olduğunda geçerlidir. Toda-Yamamoto testi, k + d_max gecikmeleriyle seviyelerde VAR'ı tahmin eder ve Wald kısıtlamasını yalnızca ilk k gecikmeye uygular, seriler bütünleşik veya eşbütünleşik olsa bile standart bir ki-kare dağılımını geri kazandırır.
Pratikte d_max'ı nasıl seçerim?
Her değişkene birim kök testleri (ADF, PP, KPSS) uygulayın. Tüm seriler en fazla I(1) ise, d_max = 1 olarak ayarlayın; bazıları I(2) olabilecekse, d_max = 2 olarak ayarlayın. d_max'ı hafifçe aşırı tahmin etmek, hafife almaktan daha güvenlidir, ancak her ek gecikme serbestlik derecelerinden maliyetlidir.
Değişkenler eşbütünleşik olduğunda Toda-Yamamoto kullanabilir miyim?
Evet — bu testin ana avantajlarından biridir. Eşbütünleşme derecesini belirlemeniz veya bir VECM tahmin etmeniz gerekmez. Seviyelerdeki artırılmış VAR, ek gecikmeler aracılığıyla eşbütünleşme ilişkisini örtük olarak yakalar.
Anlamlı bir Toda-Yamamoto sonucu ekonomik nedenselliği kanıtlar mı?
Hayır. Test yalnızca Granger nedenselliğini kurar: X'in geçmiş değerlerinin Y'nin kendi geçmişi dışındaki tahminini iyileştirmesi. Bu, yapısal nedensellik için gerekli ancak yeterli olmayan bir koşuldur ve ilgili üçüncü değişkenler ihmal edilirse ilişki uydurma olabilir.
Toda-Yamamoto testi için hangi örneklem büyüklüğü yeterlidir?
Ki-kare yaklaşımı asimptotiktir ve test, k + d_max T'ye göre büyüdükçe gücünü kaybeder. Kaba bir minimum T = 50 ila 60 gözlem; k büyükse veya d_max = 2 ise T > 100 tercih edilir.
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 ↗
- Dolado, J. J., & Lütkepohl, H. (1996). Making Wald tests work for cointegrated VAR systems. Econometric Reviews, 15(4), 369-386. DOI: 10.1080/07474939608800362 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Toda-Yamamoto Modified Wald Causality Test. ScholarGate. https://scholargate.app/tr/econometrics/toda-yamamoto-causality-test
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- Genişletilmiş Dickey-Fuller (ADF) Birim Kök TestiEkonometri↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır