Vektör Otoregresyon (VAR)
Vector Autoregression Model · Ayrıca şöyle bilinir: VAR, VAR model, vector autoregressive model, multivariate autoregression
Vektör Otoregresyon, her değişkenin kendi gecikmelerine ve sistemdeki diğer tüm değişkenlerin gecikmelerine regresyon yapıldığı çok değişkenli bir zaman serisi modelidir. Orijinal olarak Sims (1980) tarafından büyük yapısal makroekonomik modellere veri odaklı bir alternatif olarak önerilen VAR, ampirik ekonomi ve finans alanında dinamik analizler için standart bir iş atı haline gelmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+34 tane daha
Ne zaman kullanılır
Teorik olarak ilişkili ve karşılıklı dinamik etkileşimlerini, sıkı önsel kısıtlamalar getirmeden incelemek istediğiniz iki veya daha fazla durağan zaman serisine sahip olduğunuzda VAR'ı kullanın. Ekonomik ve finansal serilerin kısa ufuklu tahmini ve Granger-nedensellik testi için uygundur. Modele girmeden önce tüm serilerin I(0) olduğundan emin olun; değişkenler eşbütünleşikse, yanlış belirtimden kaçınmak için Vektör Hata Düzeltme Modeli'ni (VECM) tercih edin. Sistemde sekiz veya ondan fazla değişkenin bulunduğu durumları, parametre sayısının seri sayısıyla karesel olarak arttığı ve serbestlik derecelerinin hızla azaldığı için kaçının.
Güçlü yönler & sınırlılıklar
- Tüm değişkenleri keyfi dışsallık varsayımlarından kaçınarak ortaklaşa içsel kabul eder.
- Yapısal modellerin performansını aşan güvenilir çok adımlı tahminler üretir.
- Granger-nedensellik testleri, dürtü-tepki analizi ve varyans ayrıştırmaları için tutarlı bir çerçeve sağlar.
- Her denklem basit OLS ile tahmin edilir, bu da uygulamayı kolaylaştırır.
- Esnek gecikme yapısı, verilerin her ilişkinin kalıcılığını belirlemesine olanak tanır.
- Parametre çoğalması: k değişkenli bir VAR(p), k + pk² parametre gerektirir, bu da büyük sistemleri yüksek derecede aşırı parametrelendirir.
- IRF'ler ek kısıtlamalar olmadan benzersiz bir şekilde tanımlanamaz; araştırmacı yargısını getiren bir Cholesky ayrıştırması veya işaret kısıtlamaları getirilmelidir.
- Tüm değişkenlerin durağan olmasını gerektirir; durağan olmayan girdiler, VECM kullanılmadıkça yanlış çıkarımlara neden olur.
- İndirgenmiş form VAR katsayılarının kendi başlarına doğrudan yapısal bir yorumu yoktur.
SSS
Bir VAR için gecikme uzunluğunu nasıl seçerim?
Modeli bir dizi gecikme (örneğin 1'den 8'e kadar) için tahmin edin ve bir bilgi kriterini en aza indiren gecikmeyi seçin — AIC model uyumunu destekler ve tahmin bağlamlarında yaygındır, BIC ise ek gecikmeler için daha ağır bir ceza uygular ve tutumluluğun önemli olduğu durumlarda tercih edilir. Gecikmenin dinamikleri yeterince yakaladığını doğrulamak için her zaman sonrasında artık otokorelasyon testlerini kontrol edin.
VAR yerine ne zaman VECM kullanmalıyım?
Johansen veya Engle-Granger testleri, değişkenlerin bir veya daha fazla eşbütünleşme ilişkisini paylaştığını gösteriyorsa, birinci farklardaki bir VAR yanlış belirtilmiştir çünkü uzun vadeli hata düzeltme mekanizmasını göz ardı eder. VAR dinamiklerini içeren ancak eşbütünleşme ilişkisini ve uzun vadeli dengeye geri dönme hızını açıkça modelleyen bir VECM kullanın.
İndirgenmiş form VAR ile yapısal VAR arasındaki fark nedir?
İndirgenmiş form (standart) VAR, gecikme yapısı dışında hiçbir kısıtlama olmaksızın her denklemi OLS ile tahmin eder, bu nedenle hata terimleri temel yapısal şokların doğrusal kombinasyonlarıdır ve doğrudan ekonomik bir yorum verilemez. Yapısal VAR (SVAR), ekonomik olarak anlamlı şokları kurtarmak ve yorumlanabilir dürtü tepkileri üretmek için tanımlayıcı kısıtlamalar – tipik olarak bir Cholesky sıralaması, işaret kısıtlamaları veya uzun vadeli kısıtlamalar – getirir.
Bir VAR'a kaç değişken dahil edebilirim?
Pratik bir kural olarak, değişken sayısını örneklem boyutuna göre küçük tutun. k değişkenli bir VAR(p), k(1 + kp) parametreye sahiptir; örneğin, k = 6 değişken ve p = 4 gecikme ile bu 150 parametre demektir — birkaç yüz gözlemden daha kısa herhangi bir örneklem için önemli bir yüktür. Daha büyük bir sistem gerektiğinde, çekilme önsel değerleriyle Bayesci VAR (BVAR) standart çözümdür.
Dürtü-tepki analizi için değişken sıralaması önemli midir?
Cholesky ayrıştırması IRF'leri için önemlidir, burada ilk sırada listelenen değişkenin başka hiçbir değişkenden eş zamanlı şoklara tepki vermediği varsayılır. Farklı bir sıralama, eş zamanlı etkileri farklı şekilde atar ve belirgin şekilde farklı IRF'ler üretebilir. Hassasiyeti değerlendirmek için, sıralamalar arasındaki IRF'leri karşılaştırın; sonuçlar sağlam ise, sıralama daha az kritiktir. Alternatif olarak, sıralamaya dayanmadan şokları tanımlamak için işaret kısıtlamalarını veya harici araçları kullanın.
Kaynaklar
- Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1–48. DOI: 10.2307/1912017 ↗
- Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer. ISBN: 978-3540401728
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Vector Autoregression Model. ScholarGate. https://scholargate.app/tr/econometrics/vector-autoregression
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
- ARMA Modeli (Otokoregresif Hareketli Ortalama)Ekonometri↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Yapısal Vektör Otoregresyonu (SVAR)Ekonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır