MerQuR+Başvuru Kitabı

105. Kırılmalı birim kök ve Toda–Yamamoto testleri

Şablon kimliği: kirilmali_birim_kok · Kategori: zaman_serisi · Dil: R · Dosya: pro/sablonlar/zaman_serisi/kirilmali_birim_kok.R (satır 1–421; üstbilgi 1–180) · Örnek veri: _ornek/kirilmali_birim_kok_nporg.csv · Paketler: stats, vars 1.6-1 (R 4.5.3; Zivot–Andrews ve Lee–Strazicich testleri şablonun kendi kodudur, urca yalnız doğrulamada kullanılmıştır)

105.1 Ne işe yarar

Bir zaman serisi "durağan mı, yoksa birim kökü mü var?" sorusu, seride bir yapısal kırılma (düzey ya da eğimde ani bir değişim) olduğunda sıradan sınamalarla (Dickey–Fuller türü) yanıltıcı yanıt verir: kırılma birim kök hipotezini reddetmeyi güçleştirir (Perron, 1989; Dickey ve Fuller, 1979). Şablon bu soruyu üç ayrı araçla yanıtlar:

  1. Zivot–Andrews (ZA) testi (za): tek ve içsel (veriden bulunan) kırılma altında birim kök. Hipotezler: H_0: kırılmasız birim kök; H_1: kırılmalı trend-durağan. Model
y_t=\mu+\theta\,DU_t+\beta\,t+\gamma\,DT_t+\alpha\,y_{t-1}+\sum_{j=1}^{k}c_j\,\Delta y_{t-j}+e_t
  • DU_t=1 (t>T_B), değilse 0: düzey kırılması; DT_t=t-T_B (t>T_B), değilse 0: eğim kırılması.
  • Model A: yalnız \theta (intercept); B: yalnız \gamma (trend); C: ikisi (both).
  • Test istatistiği t_\alpha=(\hat\alpha-1)/\operatorname{SH}(\hat\alpha); kırılma tarihi T_B, t_\alpha'yı en küçük yapan adaydır.
  • c_j\Delta y_{t-j}: ardışık bağımlılığı gidermek için k fark gecikmesi.
  1. Lee–Strazicich (LS) LM testi (ls): bir ya da iki içsel kırılma; boş hipotez altında da kırılmaya izin verilir. Alternatif kırılmalı eğilim durağanlığıdır. Bu, ZA'nın sorununu giderir: ZA'da boş hipotez kırılmasızdır ve kırılmalı bir birim kök serisinde birim kökü haksız yere reddedebilir.
  2. Toda–Yamamoto (TY) nedenselliği (ty_x): serilerin bütünleşme derecelerini ön sınamaya gerek bırakmadan düzeyde VAR(p+d_{\max}) kestirir ve ilk p gecikme katsayıları için değiştirilmiş Wald testi yapar.

Ne zaman kullanılır?

  • Makroekonomik ya da çevresel serinin (üretim, fiyat, sıcaklık, debi) durağanlığı kırılma olasılığına karşı sınanacaksa; kırılma tarihini de öğrenmek isteniyorsa.
  • İki serinin Granger nedensellik ilişkisi, serilerin bütünleşme derecesi belirsizken sınanacaksa (TY).
  • Üç aracın birlikte raporlanması: ZA bir kırılma, LS boş hipotez altında kırılma için sağlamlık, TY nedensellik.

Ne zaman kullanılmaz?

  • Kırılma tarihi biliniyorsa ve yalnız kırılmanın varlığı sınanacaksa: Bölüm 112 yapisal_kirilma (R) ya da Bölüm 113 yapisal_kirilma_py (Python).
  • Birim kök ya da durağanlık için kırılmasız standart sınamalar yeterliyse (ADF, KPSS): temel programdaki Zaman Serisi analizi.
  • Kırılma sayısı ikiyi aşıyorsa ya da kırılmaların doğası rejim değişimiyse: Bölüm 106 markov_rejim, Bölüm 107 markov_rejim_py.
  • Eşbütünleşme ilişkisi aranıyorsa ve gecikmeli açıklayıcılarla uzun dönem ilişki kuruluyorsa: Bölüm 95 ardl_nardl.
  • Panel birim kök ya da birçok seri için çoklu kırılma: şablon tek seri (ve TY'de birkaç seri) içindir.
  • 20'den az gözlemde (kod, satır 201).

Temel programla ilişki. Temel programın Zaman Serisi analizi kırılmasız ADF ve KPSS sınamaları yapar; VAR analizi Granger nedenselliğini standart Wald/F testiyle yapar ve serilerin bütünleşme derecesine ön koşulludur. Kırılmalı birim kök testleri (ZA, LS) ve d_{\max} ek gecikmeli Toda–Yamamoto nedenselliği temel programda yoktur.

105.2 Şablonun girdileri

Form, üstbilgideki 21 [[param]] bloğundan kurulur (kirilmali_birim_kok.R:12–179). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Seri · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal Çözümlenen seri; baş ve sondaki eksikler atılır, ortadaki eksik hata verir (185–200).
Zaman etiketi · zaman sütun · Değişkenler boş herhangi bir sütun Kırılma tarihi etiketleri ve eksen (192, 262, 404); boşsa gözlem sırası.
TY için öteki seriler · ty_x sütunlar · Değişkenler boş sayısal sütunlar Boşsa nedensellik yapılmaz; y listeden çıkarılır; liste yalnız y'yi içeriyorsa bölüm atlanır ve çıktıya uyarı yazılır (348–353).
Dönüşüm · donusum seçim · Model yok yok, log log: bütün serilere \ln; pozitiflik denetimi (196–198).
Zivot–Andrews · za onay · Model açık açık / kapalı ZA bloğu (216).
ZA modeli · za_model seçim · Model both intercept (A), trend (B), both (C) DU, DT terimleri (230).
ZA gecikme seçimi · za_gecikme_secimi seçim · Model sabit sabit, gtos gtos: genelden özele (246–255).
ZA gecikmesi · za_gecikme tamsayı · Model 1 0–24 Sabitte k, genelden özelde k_{\max} (218).
ZA uç kırpması · za_kirpma ondalık · Gelişmiş 0,0 0–0,3 Aday kırılmaları uçlardan kırpar; 0: 1..n-1 (221–223).
Lee–Strazicich · ls onay · Model açık açık / kapalı LS bloğu (271).
LS modeli · ls_model seçim · Model crash crash (A), break (C) Z içinde DT terimi olup olmadığı (272, 280).
LS kırılma sayısı · ls_kirilma seçim · Model 2 1, 2 n_b (272, 306–313).
LS gecikme seçimi · ls_gecikme_secimi seçim · Model gtos gtos, sabit (297–300).
LS gecikmesi · ls_en_cok_gecikme tamsayı · Model 8 0–16 Sabitte k, genelden özelde k_{\max} (273).
LS uç kırpması · ls_kirpma ondalık · Gelişmiş 0,1 0,05–0,3 \max(1,\mathrm{round}(\text{kırpma}\cdot n)) gözlem (274).
Genelden özele düzey · gtos_duzey ondalık · Gelişmiş 0,1 0,01–0,5 Son gecikmenin iki yönlü p eşiği (253, 299).
TY gecikme seçimi · ty_p_secimi seçim · Model AIC AIC, HQ, SC, FPE, sabit vars::VARselect ölçütü (365–374).
TY en çok gecikme · ty_en_cok tamsayı · Model 8 1–16 sabit ise p, değilse p_{\max} (366–368).
TY d_{\max} · ty_dmax tamsayı · Model 1 0–3 Ek gecikme sayısı (363, 375).
TY deterministik terimler · ty_tur seçim · Seçenekler const const, trend, both, none VAR'ın deterministik bileşeni (364, 378–380).
Şekil · sekil onay · Seçenekler açık açık / kapalı Seri–kırılma ve ZA t dizisi grafiği (398).

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 182
Sayısal gözlem <3 "… içinde yeterli sayısal gözlem yok." 188
Seri sayıya çevrilemiyor "'…' sütunu sayıya çevrilemedi: … değer sayı değil." (mq_sayisal) 186
Serinin ortasında eksik "… testler ardışık gözlem ister." 194
log ve seri \le0 "Logaritma için seriler pozitif olmalı." 197
n<20 "Gözlem sayısı (…) çok az; en az 20 gerekli." 201
Seri sabit ya da <5 farklı değer "Seri sabit ya da çok az farklı değer içeriyor." 202
ZA ve n<k+10 "ZA için gecikme k gözlem sayısına göre çok büyük." 219
ZA hiçbir adayda kestirilemez "…hiçbir kırılma noktasında kestirilemedi (tekil tasarım)." 256
LS gözlem yetersiz "Lee–Strazicich testi için gözlem sayısı yetersiz…" 277
İki kırılmalı LS aramasının büyüklüğü >4\times10^6 "İki kırılmalı LS araması çok büyük…" 309
LS tekil tasarım "Lee–Strazicich regresyonu kestirilemedi (tekil tasarım)." 314
TY ortak gözlem <3, eksik, sabit seri ilgili iletiler 358–362
TY gecikme seçimi için gözlem yetersiz "Gecikme seçimi için gözlem sayısı yetersiz…" 368
nT-L<mL+5 "VAR(p + d_max) için gözlem sayısı yetersiz." 376
VAR denklemi tekil "VAR denklemi tekil (eşdoğrusal seriler)." 384

Örnek ayarla ZA, LS ve TY birlikte çalışır. Virgüllü ondalık yazılmış bir sütun forma girmez (form denetimi: "… is not a numeric column"; kbke_virgul). ty_x listesindeki sütun Veri sekmesinde "kategorik" işaretlense de sayı olarak okunur ve sonuç değişmez (kbke_kat: W=2{,}465691). Şablonda rastgelelik yoktur; tohum anlam taşımaz.

Örnek ayar (ornek_param, satır 9): y = wg_n, zaman = yil, donusum = log, za_model = intercept, za_gecikme_secimi = sabit, za_gecikme = 7, ls_model = crash, ls_kirilma = 2, ls_en_cok_gecikme = 4, ty_x = [cpi], ty_p_secimi = AIC, ty_en_cok = 4, ty_dmax = 1. Form varsayılanları (za_model = both, za_gecikme = 1, ls_en_cok_gecikme = 8, ty_en_cok = 8) örnek ayardan farklıdır; yayımlı değeri yeniden üreten örnek ayardır.

105.3 Örnek veri

kirilmali_birim_kok_nporg.csv, Nelson ve Plosser'ın (1982) ABD makroekonomik serileridir (urca paketinin nporg verisi): 111 yıllık satır (1860–1970), her seri kendi başlangıç yılından itibaren.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet (eksiksiz gözlemler)
yil zaman etiketi sayısal 1860–1970
wg_n y (nominal ücretler) sayısal 1900–1970, 71 gözlem; ortalama 2527,99; ss 2134,63; 487–8150
cpi ty_x (tüketici fiyatları) sayısal 1860–1970, 111 gözlem; ortalama 47,65; 25–116,3
gnp_r (reel GSMH; ZA için) sayısal 1909–1970, 62 gözlem; 116,8–724,7
ip, wg_r, sp (sanayi üretimi, reel ücretler, hisse fiyatları) sayısal 111, 71, 100 gözlem

Kategorik değişken yoktur; düzey sırası konusu bu şablonda doğmaz. Başındaki eksikler (wg_n, 1860–1899) otomatik atılır (193–195).

Sentetik serilerle de çalışıldı (dogrulama/kirilmali_birim_kok/sentetik.csv, veri_uret.py, tohum 20261118; 100 gözlem): yuruyus (rastgele yürüyüş), kirilmali (y_t=0{,}5\,y_{t-1}+e_t+4\cdot[t\ge50]+0{,}05\,t: durağan, 50. gözlemde düzey kırılması ve trend). Bu bölümde şu çalıştırmalar kullanılır:

Ad Ayar Amaç
kbk_ornek örnek ayar ZA + LS (2 kırılma) + TY, 105.7
kbk_za_wgr, kbk_za_gnp wg_r model C, k=8; gnp_r model A, k=8 yayımlı ZA değerleri
kbk_za_gtos, kbk_za_kirp wg_n; model B genelden özele; model C %10 kırpma, k=4 seçenekler
kbk_ls1_break, kbk_ls1_crash wg_n; tek kırılma, kırılma modeli, k=2; tek kırılma, çöküş, genelden özele LS seçenekleri
kbk_ty_p3 TY, sabit p=3 gecikme duyarlığı
kbke_yuruyus, kbke_kirilmali sentetik; ZA model C k=2 ve LS 1 kırılma çöküş k=4 güç ve boyut

105.4 Yöntem: formüller ve hesap adımları

Şablon veriyi okur, dönüştürür ve ardından üç bloğu sırayla çalıştırır: önce ZA, sonra LS, sonra TY. Üçü birbirinden bağımsızdır; yalnız donusum ve zaman ortaktır. Bütün regresyonlar sıradan en küçük kareler (EKK) ile kapalı biçimde çözülür; rastgelelik ve yinelemeli eniyileme yoktur.

105.4.1 Zivot–Andrews: aday kırılmalar üzerinde en küçük t

Her aday T_B\in\{1,\dots,n-1\} (kırpma 0) için yukarıdaki regresyon EKK ile kestirilir. Eğim terimi ZA'nın (1992) kuralıyla etkin örneklemin ilk gözleminde 1 olacak biçimde kurulur: t-(k+1) (kodda tr - (k + 1), 225). Bu yalnız \hat\mu'yu değiştirir; t_\alpha ve öteki katsayılar aynıdır. T_B için en küçük t_\alpha seçilir (236):

\hat T_B=\arg\min_{T_B}\ t_\alpha(T_B),\qquad \hat t_\alpha=t_\alpha(\hat T_B)
  • Aday kümesi \{1,\dots,n-1\}; za_kirpma >0 ise \{\kappa+1,\dots,n-\kappa\}, \kappa=\mathrm{round}(\text{kırpma}\cdot n) (221–223).
  • T_B son kırılma öncesi gözlemdir (DU_t=1 için t>T_B); tabloda yazılan tarih etiket[T_B]'dir (261).
  • Tasarım tekilse (ör. T_B\le k+1 iken DU sabit sütunla çakışır) o aday atlanır (206).

Neden kritik değerler standart ADF tablosundan değil?

T_B veriden seçildiği için en küçük t istatistiğinin boş dağılımı, sabit T_B'li ADF dağılımından daha sola yayılır: aynı ham t değeri kırılmasız tabloya göre çok daha az sıklıkla anlamlıdır. ZA (1992) asimptotik kritik değerleri model başına verir: A: -5{,}34 / -4{,}80 / -4{,}58; B: -4{,}93 / -4{,}42 / -4{,}11; C: -5{,}57 / -5{,}08 / -4{,}82 (%1 / %5 / %10; 258). Karar: \hat t_\alpha< kritik ise H_0 reddedilir.

Gecikme seçimi. sabit: k= za_gecikme. gtos (genelden özele): k=k_{\max}'tan başlanır, en son gecikme katsayısı c_k iki yönlü t testinde gtos_duzey (varsayılan 0,1) düzeyinde anlamlı değilse k bir azaltılır ve durulana dek sürer (246–255). Her k için kırılma yeniden aranır.

Koddaki tercih

Kritik değerler ve kırpma. Kritik değerler ZA'nın asimptotik tablolarıdır ve gözlem sayısına göre düzeltilmez (71 gözlemde bile aynıdır). Varsayılan kırpma 0'dır; amaç urca::ur.za ile aynı sonucu üretmektir (bağımsız R hesabında t_\alpha ve T_B aynı). Kırılmasız bir seride en küçük t çoğunlukla bir uçta bulunur (105.8).

105.4.2 Lee–Strazicich: boş hipotez altında kırılma

LM (skor) ilkesine göre, birim kök H_0'ı altında seri y_t=\psi+Z_t\delta+x_t, x_t=x_{t-1}+u_t olarak yazılır; Z_t deterministik terimler ve kırılmalardır. Kod şu adımları izler (283–302):

  1. Z_t=[1,\ t,\ D_{jt}\ (,\ DT_{jt})], D_{jt}=1(t>T_{Bj}), DT_{jt}=(t-T_{Bj})_+ (DT yalnız break modelinde).
  2. \Delta Z_t (sabit sütun düşer) üzerine \Delta y_t regresyonundan \tilde\delta.
  3. Ayrıştırılmış seri: \tilde S_t=y_t-\tilde\psi_x-Z_t\tilde\delta, \tilde\psi_x=y_1-Z_1\tilde\delta.
  4. Test regresyonu:
\Delta y_t=\delta'\Delta Z_t+\phi\,\tilde S_{t-1}+\sum_{i=1}^{k}\gamma_i\,\Delta\tilde S_{t-i}+u_t
  1. \tau=\hat\phi/\operatorname{SH}(\hat\phi) (\phi'nin t istatistiği).
  • crash modeli (A): Z=[1,t,D_1(,D_2)], kırılma düzeyde; break modeli (C): Z=[1,t,D_1,DT_1(,D_2,DT_2)], düzeyde ve eğimde.
  • k: gecikme; gtos ise her aday kırılma çifti için genelden özele seçilir, bütün k değerlerinde aynı örneklem kullanılır (\Delta y indeksi >k_{\max}; 293).
  • Birim kök H_0: \phi=0; sola yönlü test (\tau küçükse reddedilir).

Kırılma tarihleri \tau'yu en küçük yapan adaylardır (en büyük negatif). Aday kümesi \{\kappa+1,\dots,n-\kappa\}, \kappa=\max(1,\mathrm{round}(\text{kırpma}\cdot n)) (varsayılan %10); iki kırılma arasında en az 2 (çöküş) ya da 3 (kırılma) gözlem bulunur (275, 310).

Kritik değerler (Lee ve Strazicich, 2003, 2013 tabloları, T=100; 317–333):

Model %1 %5 %10
Tek kırılma, çöküş -4{,}239 -3{,}566 -3{,}211
Tek kırılma, kırılma \lambda'ya göre ara değer (\lambda=0{,}1–0{,}5): -5{,}15…-5{,}05 -4{,}51…-4{,}45 -4{,}21…-4{,}17
İki kırılma, çöküş -4{,}545 -3{,}842 -3{,}504
İki kırılma, kırılma (\lambda_1,\lambda_2) en yakın \{0{,}2;0{,}4;0{,}6;0{,}8\} çiftine göre -6{,}45…-6{,}16 -5{,}74…-5{,}59 -5{,}33…-5{,}27

Tek kırılma, kırılma modelinde \lambda için \min(\lambda,1-\lambda) 0,1–0,5 aralığına kırpılıp tabloda doğrusal ara değerlenir (320–322). İki kırılma, kırılma modelinde (\lambda_1,\lambda_2) 0,2 adımlarına yuvarlanır (327–331).

105.4.3 Toda–Yamamoto nedenselliği

m seri düzeylerinde (dönüşümden sonra) VAR(p+d_{\max}) olarak EKK ile kestirilir; d_{\max} serilerin olası en yüksek bütünleşme derecesidir:

y_t=\nu+\sum_{l=1}^{p}A_l\,y_{t-l}+\sum_{l=p+1}^{p+d_{\max}}A_l\,y_{t-l}+e_t

"x, y'nin nedeni değildir" H_0'ı için yalnız ilk p gecikmedeki x katsayıları sıfır olarak sınanır (d_{\max} ek gecikme sınanmaz):

W=\hat b'\,\hat V_b^{-1}\,\hat b\ \overset{a}{\sim}\ \chi^2_p,\qquad F=\frac{W}{p}\ \sim\ F(p,\ \mathrm{sd})
  • \hat b: y denklemindeki x'in ilk p gecikme katsayıları (p\times1); \hat V_b: bunların EKK kovaryansı s^2(X'X)^{-1}'in alt bloğu (s^2=\mathrm{RSS}/\mathrm{sd}; 378–381).
  • sd: denklemin artık serbestlik derecesi; F sürümü \chi^2'den küçük örneklem için daha temkinlidir.
  • p: ty_p_secimi ile vars::VARselect'in (AIC, HQ, SC, FPE) seçtiği ya da sabit p; seçim, d_{\max} gecikmesiz VAR(p) üzerinde p_{\max} gecikmeye kadar yapılır (369).

Dolado ve Lütkepohl (1996) ile Toda ve Yamamoto (1995), ek d_{\max} gecikmeyle W'nin bütünleşme derecesinden bağımsız asimptotik \chi^2_p dağılımı izlediğini gösterir. Şablon her çift için her iki yönü sınar ve çoklu sınama düzeltmesi yapmaz.

105.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
181–202 Veri okuma, baş/son eksik atma, ortadaki eksik hatası, dönüşüm, n ve sabitlik denetimi y0 ham seri; y dönüştürülmüş seridir.
203–213 .tt (EKK katsayı, SH, sd), .lag, ortak yardımcılar .tt tekil tasarımda NULL döner.
216–245 ZA: tasarım, aday döngüsü, en küçük t, za_kos(k) Her aday için tam EKK; n\le 100'de ihmal edilir.
246–268 ZA gecikme seçimi, kritik değerler, tablolar İki tablo: özet ve kırılma noktasında regresyon.
271–303 LS: Z, \tilde S, test regresyonu, genelden özele \Delta y indeksi >k_{\max} koşulu örneklemi sabitler.
304–315 LS kırılma araması (1 ya da 2) İki kırılmada O(n^2(k_{\max}+1)) regresyon; sınır 4\times10^6 (309).
316–344 LS kritik değerler, karar, tablolar Her iki modelde T=100 notu (343–344).
347–396 TY: ortak dönem, VAR tasarımı, Wald ve F Sütun sırası [sabit, trend, gecikme 1, …, gecikme $L$], gecikme bloğu m sütun.
398–419 Grafik: seri ve kırılmalar; ZA t dizisi ZA ve LS kritik değerleri ayrı adlıdır (cv, cv_ls); t dizisinin dikey aralığı ZA kritik değerleriyle kurulur.

Kritik satırlar: ZA t istatistiği 233, kırılma tarihi which.min ile 236, LS \tau katsayı oranıyla 302 ve TY Wald biçimi \hat b'\hat V^{-1}\hat b olarak 381'de hesaplanır.

105.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/kirilmali_birim_kok/elle_hesap.py ile hesaplanmıştır: yalnız numpy ve scipy kullanılmış (Harris ve ark., 2020; Virtanen ve ark., 2020), şablon ve urca/vars işlevleri çağrılmamıştır. R tarafı r_dogrulama.R: ZA için urca::ur.za (şablon kodu kullanılmadan; Pfaff, 2008b), LS ve TY için başka bir R kodu (lm, lm.fit, vars::VARselect; Pfaff, 2008a).

Adım 1 — ZA, \ln wg_n, model A, k=7. n=71, T=63 etkin gözlem. Her T_B=1,\dots,70 için regresyon (sütunlar: sabit, y_{t-1}, eğilim, \Delta y_{t-1..t-7}, DU); t_\alpha en küçüğü T_B=30 (1929) için:

\hat\alpha=0{,}660045,\quad \operatorname{SH}=0{,}064113,\quad t_\alpha=\frac{0{,}660045-1}{0{,}064113}=-5{,}302428

Öteki katsayılar: \hat\mu=2{,}126391 (SH 0{,}397701), \hat\beta=0{,}017321 (SH 0{,}003256), \hat\theta=-0{,}160825 (SH 0{,}038681; t=-4{,}1577). Yayımlı (Zivot ve Andrews, 1992, Tablo 6A): T_B=1929, t=-5{,}30, \mu=2{,}126, \theta=-0{,}161, \beta=0{,}017, \alpha=0{,}660. Bağımsız R (ur.za) t=-5{,}302428 ve T_B=1929; ur.za eğilimi tam örneklemde 1'den başlatır ve \hat\mu_{\text{urca}}=1{,}98782=\hat\mu-8\hat\beta verir (fark yalnız tanımdır).

Adım 2 — ZA, öteki yayımlı seriler. Reel ücretler (model C, k=8): T_B=1940, t=-4{,}7441; reel GSMH (A, k=8): 1929, -5{,}5764 (yayımlı -4{,}74 ve -5{,}58).

Adım 3 — ZA'nın k'ya duyarlığı. Aynı seri ve model A: k=0{,}1{,}2{,}4{,}7{,}8{,}10 için t_\alpha=-3{,}237;\,-4{,}396;\,-4{,}215;\,-4{,}078;\,-5{,}302;\,-4{,}974;\,-4{,}905; kırılma hepsinde 1929, etkin gözlem 70{,}69{,}68{,}66{,}63{,}62{,}60.

Adım 4 — LS, iki kırılma, çöküş, genelden özele (k_{\max}=4). Her (T_{B1},T_{B2}) çiftinde (kırpma \kappa=7, çift arası \ge2) \Delta Z üzerine \Delta y regresyonu, \tilde S_t, test regresyonu. \tau en küçüğü (8{,}22) = (1907, 1921), k=1 için:

\hat\phi=-0{,}114613,\quad \operatorname{SH}=0{,}037748,\quad \tau=-3{,}036275,\quad T=66

Eğilim 0{,}038912 (SH 0{,}007000), B_1=-0{,}132981 (SH 0{,}054892), B_2=-0{,}010313 (SH 0{,}058737), \Delta\tilde S_{t-1}=0{,}606682 (SH 0{,}108488). Kritik değerler -4{,}545;\,-3{,}842;\,-3{,}504: H_0 reddedilemez.

Adım 5 — LS, kırılma modeli, tek kırılma, k=2 sabit. \hat T_B=1946, \tau=-2{,}665223; \lambda=47/71=0{,}6620; \min(\lambda,1-\lambda)=0{,}3380 için \%1 kritik değeri 0{,}3 (-5{,}15) ile 0{,}4 (-5{,}05) arasında ara değerlenir: -5{,}15+0{,}38\cdot0{,}10=-5{,}1120 (şablon -5{,}111972).

Adım 6 — TY, \ln wg_n ve \ln cpi. AIC: p=1{,}2{,}3{,}4 için \ln\det\hat\Sigma+2pK^2/T (T=67): -12{,}4388;\,-12{,}7995;\,-12{,}7205;\,-12{,}6363; en küçüğü p=2. VAR(3) EKK (n=68 etkin gözlem, sd =61): cpi→wg_n için ilk 2 gecikmenin W=2{,}465691, p_{\chi^2}=0{,}291462, F=1{,}232845, p_F=0{,}298621; wg_n→cpi için W=0{,}129818, p=0{,}937153, F=0{,}064909, p_F=0{,}937217. p=3 ile (VAR(4), n=67): W=3{,}207846 ve 0{,}256818.

Adım 7 — Sentetik seriler. Rastgele yürüyüşte ZA model C (k=2): t=-3{,}4619 (kırılma sırası 9); LS tek kırılma, çöküş, k=4 sabit: \tau=-1{,}3643 (sıra 69). Kırılmalı durağan seride ZA: -7{,}0622 (sıra 50, gerçek kırılma); LS: -3{,}6057 (sıra 50).

105.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
ZA wg_n, model A, k = 7: t(α = 1) −5,30242827 −5,30242827 −5,30242827 4,5e−12 ✓
ZA wg_n, model A, k = 7: kırılma tarihi 1929 1929 1929 0 ✓
ZA wg_n, model A, k = 7: etkin gözlem sayısı 63 63 63 0 ✓
ZA wg_n, model A, k = 7: α 0,66004512 0,66004512 0,66004512 1,2e−12 ✓
ZA wg_n, model A, k = 7: SH(α) 0,06411306 0,06411306 0,06411306 6,1e−14 ✓
ZA wg_n, model A, k = 7: μ 2,12639082 2,12639082 2,12639082 5,1e−12 ✓
ZA wg_n, model A, k = 7: β 0,01732132 0,01732132 0,01732132 4,3e−14 ✓
ZA wg_n A: θ (düzey kırılması) −0,16082481 −0,16082481 — 4,4e−13 ✓
ZA wg_r, model C, k = 8: t(α = 1) −4,74409741 −4,74409741 −4,74409741 1,3e−11 ✓
ZA wg_r, model C, k = 8: kırılma tarihi 1940 1940 1940 0 ✓
ZA wg_r, model C, k = 8: etkin gözlem sayısı 62 62 62 0 ✓
ZA wg_r, model C, k = 8: α 0,11460678 0,11460678 0,11460678 2,2e−11 ✓
ZA wg_r, model C, k = 8: SH(α) 0,18663049 0,18663049 0,18663049 2,3e−12 ✓
ZA wg_r, model C, k = 8: μ 2,67841533 2,67841533 2,67841533 2,5e−11 ✓
ZA wg_r, model C, k = 8: β 0,01236387 0,01236387 0,01236387 3,0e−13 ✓
ZA gnp_r, model A, k = 8: t(α = 1) −5,57638569 −5,57638569 −5,57638569 9,1e−12 ✓
ZA gnp_r, model A, k = 8: kırılma tarihi 1929 1929 1929 0 ✓
ZA gnp_r, model A, k = 8: etkin gözlem sayısı 53 53 53 0 ✓
ZA gnp_r, model A, k = 8: α 0,26694474 0,26694474 0,26694474 4,5e−12 ✓
ZA gnp_r, model A, k = 8: SH(α) 0,13145706 0,13145706 0,13145706 3,9e−13 ✓
ZA gnp_r, model A, k = 8: μ 3,51353311 3,51353311 3,51353311 8,3e−12 ✓
ZA gnp_r, model A, k = 8: β 0,02734428 0,02734428 0,02734428 8,3e−14 ✓
ZA B, genelden özele: seçilen k 7 7 — 0 ✓
ZA B, genelden özele: t(α = 1) −3,56308402 −3,56308402 — 6,2e−12 ✓
ZA B, genelden özele: kırılma tarihi 1945 1945 — 0 ✓
ZA C, %10 kırpma, k = 4: t(α = 1) −4,02845871 −4,02845871 — 4,9e−12 ✓
ZA C, %10 kırpma, k = 4: kırılma tarihi 1929 1929 — 0 ✓
LS iki kırılma, çöküş: LM τ −3,03627493 −3,03627493 −3,03627493 7,2e−14 ✓
LS iki kırılma, çöküş: kırılma 1 1907 1907 1907 0 ✓
LS iki kırılma, çöküş: kırılma 2 1921 1921 1921 0 ✓
LS iki kırılma, çöküş: k (genelden özele) 1 1 1 0 ✓
LS iki kırılma, çöküş: n 66 66 66 0 ✓
LS iki kırılma: katsayı eğilim 0,03891173 0,03891173 0,03891173 3,0e−16 ✓
LS iki kırılma: SH eğilim 0,00700012 0,00700012 0,00700012 3,0e−16 ✓
LS iki kırılma: katsayı B1 −0,13298088 −0,13298088 −0,13298088 2,6e−14 ✓
LS iki kırılma: SH B1 0,05489182 0,05489182 0,05489182 6,0e−16 ✓
LS iki kırılma: katsayı B2 −0,01031289 −0,01031289 −0,01031289 1,6e−15 ✓
LS iki kırılma: SH B2 0,05873685 0,05873685 0,05873685 4,7e−15 ✓
LS iki kırılma: katsayı S(t-1) −0,11461278 −0,11461278 −0,11461278 3,1e−14 ✓
LS iki kırılma: SH S(t-1) 0,03774783 0,03774783 0,03774783 3,0e−15 ✓
LS iki kırılma: katsayı ΔS(t-1) 0,60668199 0,60668199 0,60668199 3,7e−14 ✓
LS iki kırılma: SH ΔS(t-1) 0,10848756 0,10848756 0,10848756 4,4e−14 ✓
LS tek kırılma, kırılma modeli: LM τ −2,66522288 −2,66522288 −2,66522288 1,0e−13 ✓
LS tek kırılma, kırılma modeli: tarih 1946 1946 1946 0 ✓
LS tek kırılma, kırılma modeli: katsayı 1 0,0293246 0,0293246 0,0293246 1,0e−16 ✓
LS tek kırılma, kırılma modeli: katsayı 2 0,07199654 0,07199654 0,07199654 3,5e−15 ✓
LS tek kırılma, kırılma modeli: katsayı 3 0,0213287 0,0213287 0,0213287 1,0e−16 ✓
LS tek kırılma, kırılma modeli: katsayı 4 −0,12349978 −0,12349978 −0,12349978 4,0e−14 ✓
LS tek kırılma, kırılma modeli: katsayı 5 0,54079239 0,54079239 0,54079239 1,1e−14 ✓
LS tek kırılma, kırılma modeli: katsayı 6 −0,01986219 −0,01986219 −0,01986219 2,2e−15 ✓
LS tek kırılma, çöküş, genelden özele: LM τ −3,51265794 −3,51265794 −3,51265794 6,5e−14 ✓
LS tek kırılma, çöküş, genelden özele: tarih 1920 1920 1920 0 ✓
LS tek kırılma, çöküş, genelden özele: k 7 7 7 0 ✓
TY: AIC ile seçilen p 2 2 2 0 ✓
TY cpi → wg_n: Wald χ² 2,46569058 2,46569058 2,46569058 4,2e−10 ✓
TY cpi → wg_n: p (χ²) 0,2914621 0,2914621 0,2914621 1,5e−10 ✓
TY cpi → wg_n: F 1,23284529 1,23284529 1,23284529 4,2e−10 ✓
TY cpi → wg_n: p (F) 0,29862087 0,29862087 0,29862087 1,5e−10 ✓
TY wg_n → cpi: Wald χ² 0,12981831 0,12981831 0,12981831 8,2e−11 ✓
TY wg_n → cpi: p (χ²) 0,93715259 0,93715259 0,93715259 3,8e−11 ✓
TY wg_n → cpi: F 0,06490916 0,06490916 0,06490916 4,1e−11 ✓
TY wg_n → cpi: p (F) 0,93721723 0,93721723 0,93721723 3,8e−11 ✓
TY p = 3 cpi → wg_n: Wald χ² 3,20784574 3,20784575 3,20784574 4,2e−10 ✓
TY p = 3 wg_n → cpi: Wald χ² 0,25681789 0,25681789 0,25681789 5,9e−11 ✓
Sentetik yürüyüş: ZA C (k = 2) t(α = 1) −3,46189517 −3,46189517 — 5,0e−12 ✓
Sentetik yürüyüş: ZA C kırılma sırası 9 9 — 0 ✓
Sentetik yürüyüş: LS tek kırılma (çöküş, k = 4) LM τ −1,36434197 −1,36434197 — 2,0e−15 ✓
Sentetik yürüyüş: LS kırılma sırası 69 69 — 0 ✓
Sentetik kırılmalı: ZA C (k = 2) t(α = 1) −7,06217177 −7,06217177 — 9,8e−15 ✓
Sentetik kırılmalı: ZA C kırılma sırası 50 50 — 0 ✓
Sentetik kırılmalı: LS tek kırılma (çöküş, k = 4) LM τ −3,60567249 −3,60567249 — 6,2e−16 ✓
Sentetik kırılmalı: LS kırılma sırası 50 50 — 0 ✓

Ölçütü karşılayan: 72/72. Yayımlı başvuru (Zivot ve Andrews, 1992, Tablo 6A/6C; Nelson–Plosser verisi, logaritma): nominal ücretler (model A, k=7) T_B=1929, t=-5{,}30, \hat\mu=2{,}126, \hat\theta=-0{,}161, \hat\beta=0{,}017, \hat\alpha=0{,}660; reel GSMH (A, k=8) 1929, -5{,}58; reel ücretler (C, k=8) 1940, -4{,}74. R sütunu ZA için urca::ur.za'dır; LS ve TY için başka bir R kodu (lm), LS için yayımlı sayısal örnek bulunamamıştır. Bağımsız Python hesabında LS ve TY'nin ZA'dan başka kaynağı yoktur.

Yayımlı değer. ZA (1992) Tablo 6A: T_B=1929, t=-5{,}30 (şablon -5{,}302428); Tablo 6C, reel ücretler (C, k=8): 1940, -4{,}74 (şablon -4{,}7441). R sütunundaki \mu satırı, ur.za'nın eğim tanımı farkı için \hat\mu_{\text{urca}}+\hat\beta(k+1) ile hizalanmıştır. LS için yayımlı sayısal örnek bulunamamıştır; bağımsız Python ve R yeniden yazımları birbirinin ve şablonun aynısıdır.

105.7 Çıktıyı okuma

Örnek ayar (kbk_ornek). stdout yalnız LS çöküş modelinin T=100 notunu ve TY açıklamasını yazar; sonuçlar tablolardadır.

ZA (tablo 1), model = A, k=7:

kirilma_sirasi kirilma lambda n t_alfa kritik %1 / %5 / %10 karar
30 1929 0.4225 63 −5.302428 −5.34 / −4.80 / −4.58 H0 %5'te reddedilir

ZA regresyonu (tablo 2): mu 2.126391, alfa 0.660045 (SH 0.064113; t H0: \alpha=1), beta 0.017321, c1…c7, theta −0.160825.

LS (tablo 3), çöküş (A), 2 kırılma:

kirilma_1 kirilma_2 lambda_1 lambda_2 n LM_tau kritik %1 / %5 / %10 karar
1907 1921 0.1127 0.3099 66 −3.036275 −4.545 / −3.842 / −3.504 H0 reddedilemez

TY (tablo 5):

neden sonuc p d_max n Wald_ki2 sd p_ki2 F sd2 p_F
cpi wg_n 2 1 68 2.465691 2 0.291462 1.232845 61 0.298621
wg_n cpi 2 1 68 0.129818 2 0.937153 0.064909 61 0.937217

Şekil 105.1. Üst panel: \ln `wg_n` serisi, ZA kırılması (turuncu kesikli, 1929) ve LS kırılmaları (yeşil noktalı, 1907 ve 1921). Alt panel: aday kırılma tarihlerine göre ZA t_\alpha dizisi; en küçük değer 1929'dadır ve %5 kritik değerin (-4{,}80, turuncu kesikli yatay) altındadır.

Öğe Ne yazar Nasıl yorumlanır
t_alfa (ZA) t_\alpha Kritik değerden küçükse H_0 (kırılmasız birim kök) reddedilir
kirilma T_B etiketi Son kırılma öncesi gözlemin etiketi; kırılma sonraki gözlemle başlar
lambda T_B/n Kırılmanın örneklemdeki göreli konumu; uçlara yakınsa (<0{,}15) ihtiyatlı olun
LM_tau (LS) \tau Kritik değerden küçükse birim kök reddedilir; kırılma modelinde kritik \lambda'ya bağlıdır
Wald_ki2, p_ki2 W ve \chi^2_p p değeri p<0{,}05 ise "neden" "sonuç"un Granger nedenidir
F, p_F W/p ve F(p,\mathrm{sd}) p değeri Küçük örneklemde daha temkinli

Rapor cümlesi (ZA). \ln nominal ücretler serisi için Zivot–Andrews testi (k=7, düzey kırılması) kırılmayı 1929'da buldu (t_\alpha=-5{,}30; kritik değerler -5{,}34, -4{,}80, -4{,}58); birim kök hipotezi \%5 düzeyinde reddedildi, \%1 düzeyinde reddedilemedi.

Rapor cümlesi (LS ve TY). Lee–Strazicich testi (iki kırılma, çöküş modeli, 1907 ve 1921) birim kök hipotezini reddedemedi (\tau=-3{,}04>-3{,}50); dolayısıyla ZA'nın sınırda reddi kırılmaya bağlı bir sapma olabilir. Toda–Yamamoto testi (p=2, d_{\max}=1, n=68) fiyatlardan ücretlere (W=2{,}47, p=0{,}29) ya da ücretlerden fiyatlara (W=0{,}13, p=0{,}94) nedensellik bulmadı.

105.8 Sık hatalar ve tuzaklar

  • ZA sonucu k'ya çok duyarlıdır. Aynı seri ve modelde k=0 iken t_\alpha=-3{,}24 (H_0 reddedilemez), k=7 iken -5{,}30 (\%5'te reddedilir). Kırılma tarihi sabit kalır, karar değişir. Yayımlı karşılaştırma için k yayındaki değere eşitlenir; kendi veride genelden özele seçimi ve duyarlık tablosu raporlanmalıdır.
  • Kırılma sırası bir uca düşebilir. Kırılmasız (rastgele yürüyüş) bir seride ZA kırılması 9. gözlemde (\lambda=0{,}09) bulundu; kritik değerler bu duruma göre tabulanmamıştır. za_kirpma >0 (ör. 0,1) ile uç adaylar dışlanır.
  • ZA ile LS birbirini tamamlar, birbirinin yerine geçmez. Kırılmalı durağan sentetik seride ZA -7{,}06 ile birim kökü güçlü reddeder; LS -3{,}61 ile yalnız \%5'te reddeder. Kırılmasız rastgele yürüyüşte ikisi de reddetmez (-3{,}46 ve -1{,}36). Örnek veride ZA \%5'te reddederken LS iki kırılmada reddetmez; sonucu tek testin kararına bağlamayın.
  • T_B'nin anlamı. Tablodaki kirilma son kırılma öncesi gözlemdir (DU=1 için t>T_B): 1929 kırılması 1930'dan itibaren etkindir.
  • LS gecikme seçimi her aday için yapılır ve zaman alır. İki kırılmada işlem sayısı O(n^2k_{\max})'dır; 71 gözlem ve k_{\max}=4 için yaklaşık 4 saniye, n=100 ve k_{\max}=16 için 6 saniye sürdü. Sınır 4\times10^6 değerlendirmedir (309).
  • LS kritik değerleri T=100 içindir. Kırılma modelinde \lambda'ya göre ara değer kullanılır; çöküş modelinde sabit değerler alınır. Çıktı notu her iki modelde yazılır (343–344).
  • Kısa seride LS. Kırpma, kırılma sayısı ve gecikme birlikte gözlem sayısını aşarsa hata verilir: n-2\kappa\ge2\,\text{ara} ve n\ge k_{\max}+4n_b+10 gerekir (277).
  • TY'de p seçimi sonucu değiştirir. p=2 (AIC) ile W=2{,}47; p=3 ile 3{,}21 (p=0{,}36). Her ikisinde de H_0 reddedilemez, ama sınırda durumlarda seçime duyarlılık raporlanmalıdır.
  • d_{\max} yanlış seçilirse. Serilerin gerçek bütünleşme derecesi d_{\max}'ı aşıyorsa W standart \chi^2 dağılımı izlemez. Fiyat ve ücret gibi serilerde genellikle 1 yeterlidir; emin değilseniz 2 deneyin.
  • Bütün seriler aynı dönüşümü görür. donusum = log hem y'ye hem ty_x'e uygulanır; negatif ya da sıfır değer hata verir (197).
  • Çoklu sınama. TY her çift için iki yönü sınar; birden çok seride düzeltme yapılmaz.
  • ty_x listesi. Yalnız yanıt seçilmişse nedensellik tablosu üretilmez; çıktıdaki uyarı bunu söyler (351–353). Gecikme ölçütü hesaplanamazsa p=1 kullanılır ve tablo başlığı bunu "p: 1 (ölçüt hesaplanamadı)" diye yazar (370–373).

105.9 Uzman soruları

S1. ZA'nın boş hipotezi neden "kırılmasız birim kök" ve bu neden bir sorun?

ZA'da H_0 altında kırılma yoktur; kırılmalı bir birim kök serisinde test, H_0'ı reddetme eğilimindedir (Lee ve Strazicich, 2003). Reddin "durağanlık" mı yoksa "boş hipotez altında kırılma" mı olduğu ayrılamaz. LS bu nedenle kırılmayı boş hipotez altında da modeller: kırılmalı birim kök reddedilmez, kırılmalı durağan seri reddedilir.

S2. Örnek veride ZA reddederken LS neden reddetmiyor?

ZA tek kırılma (1929) ve k=7 ile t_\alpha=-5{,}30 bulur; LS iki kırılma (1907, 1921), çöküş modeli ve genelden özele (k=1) ile \tau=-3{,}04 bulur ve kritik değeri aşamaz. Testler farklı kırılma sayısı, farklı gecikme ve farklı H_0 kullanır. Kırılma sayısını 1'e indirip genelden özeleyi değiştirdiğinizde (kbk_ls1_crash) \tau=-3{,}51 ve \%10'da ret çıkar. Sonuç, serinin birim kök tipinden çok tanım seçimine duyarlıdır; bu seçimleri rapora yazın.

S3. Kritik değerler neden gözlem sayısına göre düzeltilmiyor?

ZA tabloları asimptotiktir; LS tabloları T=100 içindir. Küçük örneklemde gerçek boyut sınırdan sapar. Yüz gözlemin altında kararı sınırda alıyorsanız Monte Carlo ile kritik değer üretmeyi düşünün (Bölüm 57 guc_benzetim, Bölüm 59 yontem_benzetim).

S4. TY'de d_{\max} gecikmeler neden sınanmıyor?

Ek d_{\max} gecikmeler katsayı matrisini tam VAR(p+d_{\max})'a genişletir ve Wald'ın standart dağılımını korur (Toda ve Yamamoto, 1995; Dolado ve Lütkepohl, 1996); bu gecikmeleri sınamak W'nin dağılımını bozar. Bu yüzden sec yalnız ilk p gecikme bloğunu seçer (387).

S5. ZA ve LS'te kırılma tarihi doğru kestirilir mi?

ZA'da tarih t_\alpha'yı en küçük yapan aday olarak seçilir; kırılmalı durağan sentetik seride gerçek kırılma (50) doğru bulundu ve LS de aynı (50). Gerçek kırılma küçükse ya da seri birim köke yakınsa tarih tutarlı değildir; ZA ve LS tarihlerini "kırılma tarihi kestirimi" olarak değil "test istatistiğini en küçük yapan aday" olarak yorumlayın.

S6. Gecikme seçimi (k) neden bu kadar belirleyici?

\Delta y_{t-j} terimleri serinin otokorelasyonunu soğurur; yetersiz k t_\alpha'yı büyütür (bu örnekte k=0 için -3{,}24), çok büyük k gücü düşürür ve etkin örneklemi küçültür. Genelden özele seçim k_{\max}'tan başlar; şablonun düzeyi 0,1'dir. k_{\max} rastgele seçilmeli değil, yayındaki ya da frekansa uygun bir değer olmalıdır.

S7. TY için hangi p seçilmeli?

Bilgi ölçütleri küçük örneklemde farklı p verebilir (burada AIC 2, ama p=3 Wald'ı 2{,}47'den 3{,}21'e çıkarır). Karar değişmiyorsa seçim önemsizdir; değişiyorsa SC (BIC) ile karşılaştırın ve artık otokorelasyonu denetleyin; şablon TY VAR'ının tanılarını yazmaz.

S8. Başka bir paket ya da tanımla fark var mı?

ZA için urca::ur.za aynı t_\alpha ve T_B'yi verir (bağımsız R hesabı); farkı eğim tanımındadır: şablon eğimi etkin örneklemin ilk gözleminde 1 yapar (ZA'nın yayımlı \mu değerini üretmek için), ur.za tam örneklemde. LS için bağımsız bir yayımlı sayısal örnek bulunamamıştır; kritik değer tabloları açık kaynak LeeStrazicichUnitRoot R kodundakilerle aynıdır.

105.10 Kaynaklar

  • Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427–431. https://doi.org/10.1080/01621459.1979.10482531
  • Dolado, J. J., & Lütkepohl, H. (1996). Making Wald tests work for cointegrated VAR systems. Econometric Reviews, 15(4), 369–386. https://doi.org/10.1080/07474939608800362
  • Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
  • Lee, J., & Strazicich, M. C. (2003). Minimum Lagrange multiplier unit root test with two structural breaks. The Review of Economics and Statistics, 85(4), 1082–1089. https://doi.org/10.1162/003465303772815961
  • Nelson, C. R., & Plosser, C. I. (1982). Trends and random walks in macroeconmic time series: Some evidence and implications. Journal of Monetary Economics, 10(2), 139–162. https://doi.org/10.1016/0304-3932(82)90012-5
  • Perron, P. (1989). The Great Crash, the oil price shock, and the unit root hypothesis. Econometrica, 57(6), 1361–1401. https://doi.org/10.2307/1913712
  • Pfaff, B. (2008a). VAR, SVAR and SVEC models: Implementation within R package vars. Journal of Statistical Software, 27(4), 1–32. https://doi.org/10.18637/jss.v027.i04
  • Pfaff, B. (2008b). Analysis of integrated and cointegrated time series with R (2. bas.). Springer. https://doi.org/10.1007/978-0-387-75967-8
  • Pfaff, B. (2026). urca: Unit root and cointegration tests for time series data (R paketi sürüm 1.3-4). https://doi.org/10.32614/CRAN.package.urca
  • Pfaff, B. (2026). vars: VAR modelling (R paketi sürüm 1.6-1). https://doi.org/10.32614/CRAN.package.vars
  • R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
  • Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1–2), 225–250. https://doi.org/10.1016/0304-4076(94)01616-8
  • Virtanen, P., Gommers, R., Oliphant, T. E., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
  • Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the Great Crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10(3), 251–270. https://doi.org/10.1080/07350015.1992.10509904