MerQuR+Başvuru Kitabı

113. Çoklu yapısal kırılma (Bai-Perron) ve CUSUM/supF testleri (Python)

Şablon kimliği: yapisal_kirilma_py · Kategori: zaman serisi · Dil: Python · Dosya: pro/sablonlar/zaman_serisi/yapisal_kirilma_py.py (satır 1–340; üstbilgi 1–68) · Örnek veri: _ornek/nile.csv · Paketler: numpy 2.4.6, scipy 1.16.3, pandas 2.3.3, matplotlib 3.10.9 (Python 3.13.1) · R eşi: Bölüm 112

113.1 Ne işe yarar

Şablon, Bölüm 112'deki yapisal_kirilma şablonunun Python karşılığıdır ve aynı soruyu yanıtlar: bir zaman serisinin düzeyi (ya da bir doğrusal regresyonun katsayıları) tarih boyunca sabit mi, değilse kaç yerde ve hangi tarihte kopmuştur, tarihlerin güven aralığı nedir ve parametre sabitliğini sınayan genel testler ne söyler?

y_t=\mathbf x_t'\boldsymbol\beta_j+u_t,\qquad t=T_{j-1}+1,\dots,T_j,\qquad j=1,\dots,m+1

Hesap R şablonundaki gibi strucchange paketiyle (Zeileis ve ark., 2002) değil, şablonun kendi yazdığı numpy ve scipy koduyla yapılır (özyineleme: Bai ve Perron, 1998, 2003; supF: Andrews, 1993): bölüm RSS matrisi birikimli çapraz çarpımlardan kurulur, dinamik programlama elle yazılmıştır, Bai (1997) güven aralığının dağılım işlevi ve OLS-CUSUM'un olasılığı kod içindedir. Kavramların ayrıntılı anlatımı (özyineleme, BIC, Bai dağılımı, bölüm SH'leri, test tanımları) Bölüm 112.4'tedir; bu bölüm kendi başına okunabilsin diye formülleri kısaca yeniden verir ve Python uygulamasının farklarına odaklanır.

Önemli: Python şablonu R şablonunun bir alt kümesidir: supF'nin p değerini, aveF/expF'yi, özyinelemeli CUSUM'u ve MOSUM/ME/RE testlerini üretmez (113.8). Hesapladığı her şey R eşiyle 10^{-11} içinde aynıdır; ofsetsiz verilerde 5\times10^{-15} içinde (113.6.1).

Ne zaman kullanılır?

  • R'nin kurulu olmadığı ya da kullanıcının Python yorumlayıcısıyla çalıştığı bilgisayarlarda.
  • Yalnız kırılma sayısı, tarihleri, aralıkları, bölüm katsayıları, supF ve OLS-CUSUM istatistiği gerekiyorsa.

Ne zaman kullanılmaz?

  • supF'nin p değeri, aveF/expF, MOSUM ya da özyinelemeli testler isteniyorsa: Bölüm 112.
  • Bilinen bir tarihte kesikli eğim ve düzey değişimi: Bölüm 104 joinpoint_its. Birim kök ile kırılma ayrımı: Bölüm 105 kirilmali_birim_kok. Geri dönüşlü rejimler: Bölüm 106 markov_rejim/Bölüm 107. Varyans kırılması: Bölüm 102 garch_genis.
  • Hatalar özilintiliyse (aylık, günlük seri): aralıklar ve p değerleri bozulur (Bölüm 112.8).

Temel programla ilişki. Temel programda Bai–Perron kırılma araması ve dalgalanma testleri yoktur; doğrulama bağımsız Python ve R hesaplarıyla ve R ikiziyle yapılmıştır (113.6).

113.2 Şablonun girdileri

Form, üstbilgideki 8 [[param]] bloğundan kurulur (yapisal_kirilma_py.py:11–67). Alanlar R eşininkilerle özdeştir; R eşinde bulunan f_testi, cusum_turu, mosum_turu ve mosum_h alanları burada yoktur. Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Seri (bağımlı değişken) · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal sütun y_t (11–15, 85, 100).
Zaman etiketi (isteğe bağlı) · zaman sayısal sütun · Değişkenler boş sayısal sütun Sıralama anahtarı ve etiket; boşsa 1,\dots,n (16–21, 83, 87–90, 106).
Açıklayıcılar · x sütunlar (sayısal) · Değişkenler boş sayısal sütunlar Kesişim dışı sütunlar; y ve zaman listeden çıkarılır (22–28, 84, 107).
En küçük bölüm oranı (h) · h ondalık · Model 0,15 0,05–0,45 nh=\lfloor h\,n+10^{-9}\rfloor (29–36, 93–99, 94).
En çok kırılma sayısı · en_cok tamsayı · Model 5 1–10 m_{\max}=\min(\texttt{en\_cok},\lfloor n/nh\rfloor-1) (37–44, 111).
Kırılma sayısı (0 = BIC ile seç) · kirilma tamsayı · Model 0 0–10 >0 ise m=\min(\texttt{kirilma},m_{\max}) (45–52, 182–185).
Bölümlerde ortak hata varyansı · esit_varyans onay · Model kapalı açık/kapalı GA ve bölüm SH'sinin varyans varsayımı (53–58, 266, 290, 298).
Kırılma tarihi güven düzeyi (%) · guven ondalık · Seçenekler 95 50–99,9 guven_araligi(level = guven/100) (59–67, 267–272).

Şablonun kendi denetimleri (mq.hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 81–82
Zaman etiketinde yinelenen değer "Zaman etiketinde yinelenen değerler var." 90
nh\le k "En küçük bölüm (h\cdot n=\dots) parametre sayısından (k) büyük olmalı…" 95–97
n<2\,nh+2 "Seri, en az bir kırılma için çok kısa." 98–99
Seri sabit "Seri sabit." 101–102
Bir açıklayıcı sabit "'…' sabit." 103–105
Açıklayıcılar doğrusal bağımlı (np.linalg.matrix_rank(X) < k) "Açıklayıcılar sabit ya da doğrusal bağımlı (biri ötekilerin doğrusal birleşimi); bağımlı olanı çıkarın." 108–110

R eşindeki MOSUM pencere denetimi ve Hesaplanamadı sarmalayıcısı burada yoktur; doğrusal bağımlılık ise yukarıdaki satırla önceden yakalanır, böylece np.linalg.inv tekil matrisle karşılaşmaz. Hata vermeyen ama sonucu etkileyen durumlar R eşindeki gibi konsola not ya da uyarı olarak yazılır: zaman boşken "satır sırası zaman sırası sayıldı" (112–114); nh<5k iken kısa bölüm uyarısı (115–117); kirilma m_{\max}'ı aşınca uyarı (187–189); zaman etiketi eşit aralıklı değilse GA'nın gözlem sırasına göre hesaplandığı uyarısı (269–271). Sayısallaştırma pd.to_numeric(errors="coerce") ve dropna() iledir (86): sayıya çevrilemeyen hücreler eksik sayılıp satır atılır; form sayısal olmayan sütunu zaten reddeder (Bölüm 1.2). Hesap belirlenimcidir; tohum kullanılmaz (Bölüm 1.3'teki Tohum alanı sonucu etkilemez).

Örnek ayar (ornek_param, satır 9): y = flow, zaman = year, x = [], h = 0,15, en_cok = 5, kirilma = 0, esit_varyans = kapalı; R eşiyle aynıdır.

113.3 Örnek veri

nile.csv, R eşiyle aynı dosyadır (Bölüm 112.3): 100 satır, 1871–1970, year ve flow (ikisi de sayısal); ortalama 919{,}35, sd 169{,}23. Kategorik değişken yoktur; Veri sekmesinde "kategorik" yapılan bir sayısal sütun Python'a zaten pandas türüyle gittiğinden ve pd.to_numeric ile okunduğundan değerleriyle işlenir (ykp_kat, çıktı örnek ayarla aynıdır).

Bu bölümde kullanılan çalıştırmalar R eşiyle aynı adlı ve aynı ayarlıdır (adı ykp_…): yapisal_kirilma_py_ornek, _esit, _m2, _g99, _m5, _m4_h30, _x ve _x_esit (iki açıklayıcılı sentetik seri), _kirilmasiz, _ters, _eksik, _aralikli, _zamansiz, _kisa, _h29, _nile_ofset (akışa 10^8 eklenmiş), _yineleme, _sabit, _bagimli ve _sabitx. R eşinin aynı ayarlı çalıştırmaları Bölüm 112.3'tedir.

113.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri hazırlanır (81–118); bölüm RSS matrisi birikimli toplamlardan kurulur (120–146); her m\le m_{\max} için dinamik programlama çalışır (149–175); BIC ile m seçilir (177–194); Bai güven aralığı hesaplanır (199–285); bölüm katsayıları ve SH'ler yazılır (286–308); supF ve OLS-CUSUM hesaplanır (309–327); şekil çizilir (329–340). R şablonu aynı adımları strucchange çağrılarıyla yapar; Bölüm 112.4 formülleri geçerlidir.

113.4.1 Bölüm RSS matrisi ve dinamik programlama

Model ve özyineleme Bölüm 112.4.1'deki gibidir: \mathrm{SSR}(m,j)=\min_s[\mathrm{SSR}(m-1,s)+\mathrm{RSS}(s+1,j)], her bölüm en az nh gözlem. R şablonu bunu breakpoints ile yapar; burada şablonun kendi kodu vardır. Her aday bölümün \mathrm{RSS}(i,j) değeri, n\times n'lik bir matrisin her hücresi için ayrı bir EKK çözmek yerine birikimli çapraz çarpımlardan türetilir:

\mathbf A_{ij}=\sum_{t=i}^{j}\mathbf x_t\mathbf x_t'=\mathbf C_{j}-\mathbf C_{i-1},\quad \mathbf b_{ij}=\sum_{t=i}^{j}\mathbf x_ty_t,\quad \mathrm{RSS}(i,j)=\sum_{t=i}^{j} y_t^2-\mathbf b_{ij}'\,\mathbf A_{ij}^{-1}\,\mathbf b_{ij}
  • \mathbf C_j: ilk j gözlemin \mathbf x_t\mathbf x_t' toplamı (cXX, 112); aralık toplamı iki birikimli değerin farkıdır. \mathbf b için cXy (122), \sum y^2 için cyy (123).
  • \mathbf A^{-1}\mathbf b bölümün EKK katsayısıdır; \sum y^2-\mathbf b'\hat{\boldsymbol\beta} artık kareler toplamıdır.

Matris, her başlangıç i için bütün uygun bitişler j\ge i+nh-1 tek vektörleştirilmiş çağrıda (np.linalg.solve, 133) çözülerek doldurulur (134–145). Çözüm tekil çıkarsa o başlangıç için satır satır lstsq kullanılır (143–144). Küçük negatif değerler sayısal gürültüdür ve sıfıra çekilir (np.maximum(RSS, 0.0), 137).

Koddaki tercih

Birikimli toplam yöntemi RSS'i \sum y^2-\mathbf b'\mathbf A^{-1}\mathbf b biçiminde, yani büyük iki sayının farkı olarak hesaplar; ortalaması çok büyük bir seride bu fark duyarlılık kaybeder. Şablon bunu iki yolla savunur: aday bölümlendirmeler yalnız RSS sıralaması için kullanılır ve seçilen bölümlemenin toplam RSS'i ayrıca rss_seg (126–131) ile doğrudan EKK'dan yeniden hesaplanır (173). Nil'e 10^6 ve 10^8 eklendiğinde (ykp_nile_ofset6, ykp_nile_ofset) kırılma, GA, SH ve BIC R eşininkiyle ve ofsetsiz sonuçla yedi hane aynı kalmıştır.

Dinamik programlama. dp(m) (149–174): V[s][j], ilk j+1 gözlemi s kırılmayla bölmenin en küçük toplam RSS'idir; V[0] =\mathrm{RSS}(0,\cdot). Her s için j\in[(s+1)nh-1,\,n-1] döngüsü, son kırılma adaylarını k\in[s\,nh-1,\,j-nh] aralığında dener (159–166) ve arg ile geriye doğru izler (167–174). m=0 için tek bölümlük rss_seg döner (151–152). R şablonuyla aynı kısıtlı alan olduğundan, m=m_{\max}'ta RSS'nin m-1'den büyük çıkabilmesi burada da geçerlidir (Nil'de m=5: 1{,}660\times10^6>1{,}508\times10^6).

113.4.2 BIC ve kırılma sayısı

\ell_m=-\frac n2\Big(\ln\mathrm{RSS}_m+1-\ln n+\ln2\pi\Big),\qquad \mathrm{BIC}_m=-2\ell_m+(k+1)(m+1)\ln n

Satır 178–181 bunu her m için hesaplar; min(secimler, key=…) en küçük BIC'in m'sini seçer (185); kirilma > 0 ise \min(\texttt{kirilma},m_{\max}) alınır (182–183). Tablo ve konsol satırı R eşiyle aynıdır (190–196). R eşindeki gibi, kirilma m_{\max}'ı aşarsa kısılır ve "istenen kırılma sayısı … olanaklı en çok …" uyarısı yazılır (187–189; 113.8).

113.4.3 Bai (1997) güven aralığı

Aralığın kuramı Bölüm 112.4.3'tedir: \hat T-T^0'ın \boldsymbol\delta'\mathbf Q\boldsymbol\delta/\sigma^2 ile ölçeklenmişi, W(s)-|s|/2 sürecinin en büyük noktasının dağılımına yakınsar. Burada dağılım işlevi şablonda pargmaxV olarak yazılıdır (199–218):

G(x)=1+\sqrt{\tfrac{x}{2\pi}}\,e^{-x/8}+\tfrac32\,e^{x}\,\Phi\!\big(-\tfrac32\sqrt x\big)-\tfrac{x+5}{2}\,\Phi\!\big(-\tfrac{\sqrt x}2\big)\quad(x>0,\ \xi=\phi_1=\phi_2=1)

Genel durumda \xi=\boldsymbol\delta'\mathbf Q_2\boldsymbol\delta/\boldsymbol\delta'\mathbf Q_1\boldsymbol\delta ve \phi_i=\sigma_i ile iki ayrı biçim kullanılır (x<0 ve x>0; kod strucchange:::pargmaxV ile aynı ifadeleri taşır). Dağılım işlevinin logaritmik biçimleri (norm.logcdf) taşmayı önler.

guven_araligi(bps, esit, level) (220–264): (i) bölümlere göre EKK ve artıklar; ortak ML varyansı \hat\sigma^2=\mathrm{RSS}/n ve \mathbf Q=\mathbf X'\mathbf X/n (221–229); (ii) her kırılma için iki komşu bölümün \hat{\boldsymbol\delta}'sı ve Q_{p1}=\hat{\boldsymbol\delta}'\mathbf Q_1\hat{\boldsymbol\delta}, Q_{p2}=\hat{\boldsymbol\delta}'\mathbf Q_2\hat{\boldsymbol\delta} (238–249); esit_varyans açıkken \xi=1, \mathbf Q_1=\mathbf Q_2=\mathbf Q ve \sigma_1^2=\sigma_2^2=\hat\sigma^2, kapalıyken her bölümün kendi \mathbf Q_j=\mathbf X_j'\mathbf X_j/n_j ve s_j^2=\mathrm{RSS}_j/n_j değerleri (233–237, 242–245); (iii) G(0) yüzdelikler arasında değilse (kırılma yeterince "belirsiz değil") NaN döner (250–253); (iv) üst ve alt yüzdelikler, brentq ile G(q)=1-a/2 ve G(q)=a/2 köklerinden bulunur; kök aralığı 1000'er adımla genişletilir (254–260); (v) q\,\sigma_1^2/Q_{p1} ile gözlem birimine çevrilir (261–262); uçlar \hat T-\lceil\cdot\rceil ve \hat T-\lfloor\cdot\rfloor'dir (262). Sonuç tablosu NaN uçları kırpmadan yazar; aksi hâlde [1,n]'e kırpar (268–283).

Koddaki tercih

esit_varyans iki ayrı varsayımı tek onay kutusuna bağlar: ortak varyans ve ortak regresör dağılımı (R eşiyle aynı, het.err = het.reg = !esit). Ortak varyans \mathrm{RSS}/n'dir, bölüm içi \mathrm{RSS}_j/(n_j-k) değildir (290, 298). Nil'de varsayılan aralık 1895–1902, ortak varyans aralığı 1895–1901'dir.

113.4.4 Bölüm katsayıları ve SH

Bölüm j için \hat{\boldsymbol\beta}_j lstsq ile; \mathrm{SH}=\sqrt{\operatorname{diag}(s^2(\mathbf X_j'\mathbf X_j)^{-1})}, s^2=\mathrm{RSS}/n (ortak) ya da \mathrm{RSS}_j/\max(1,n_j-k) (293–302). Terim adı (Intercept) ve açıklayıcı adlarıdır (288). Aynı döngü şekil için bölüm uyum değerlerini de yazar (292–297).

113.4.5 Testler

supF (309–319): F_p, p\in[\max(nh,k+1),\ \min(n-nh,\ n-k-1)] için (\mathrm{RSS}_0-\mathrm{RSS}_1(p))/(\mathrm{RSS}_1(p)/(n-2k)) ve en büyüğü. OLS-CUSUM (Ploberger ve Krämer, 1992; 305–309): S=\max_t|W_t|, W_t=\sum_{i\le t}\hat u_i/(\hat\sigma\sqrt n), \hat\sigma^2=\mathrm{RSS}_0/(n-k) ve olasılık \Pr(S>s)=2\sum_{j=1}^{100}(-1)^{j+1}e^{-2j^2s^2} serisi [0{,}1]'e kırpılır. Tablo iki satırdır; supF'nin p sütunu NaN'dır (325–326) ve tablo başlığı "supF p değeri R sürümünde" der.

supF'nin p değeri yok

Python şablonu supF için yalnız istatistiği verir; p değeri R şablonundadır (Bölüm 112, Hansen 1997 yaklaşımı). Python tablosunun p sütununda NaN görülmesi hata değil, eksik özelliktir. aveF, expF, özyinelemeli CUSUM ve MOSUM/ME/RE testleri de bu şablonda yoktur.

113.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–68 Üstbilgi: 8 parametre, örnek veri ve ayar. Üstbilgideki yan dosya alanı kitap dışıdır (Bölüm 1.1).
69–80 İçe aktarmalar; _m dil yardımcısı. scipy yoksa şablon çalışmaz.
81–118 Veri denetimi, zaman/xs, sayısallaştırma, sıralama, n, k, nh, m_{\max}, tasarım matrisi. to_numeric(coerce) + dropna; sıralama yalnız zaman varken.
120–146 Birikimli toplamlar ve n\times n RSS matrisi; rss_seg. Vektörleştirilmiş solve, tekilde lstsq.
149–175 dp(m): dinamik programlama ve geri izleme. Toplam RSS doğrudan yeniden hesaplanır (175).
177–196 Her m için RSS ve BIC; m seçimi; konsol satırı ve seçim tablosu. R eşiyle aynı tablo adı ve sütunlar.
199–264 pargmaxV ve guven_araligi. G(0) dışarıdaysa NaN.
266–285 esit, lev; kırılma tablosu ya da "Seçilen modelde kırılma yok." Uçlar [1,n]'e kırpılır.
286–308 Bölüm katsayıları ve SH tablosu; bölüm uyum değerleri. Ortak varyans \mathrm{RSS}/n (290).
309–327 supF ve OLS-CUSUM; iki satırlı test tablosu. supF p = NaN.
329–340 Seri, uyum, kırılma çizgileri ve GA çubukları; şekil. Mor ton R eşiyle aynı.

Süre: örnek ayarda çalıştırma 6,68 s sürmüştür (R eşi 11,96 s).

113.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler Bölüm 112.6'daki aynı betiklerle hesaplanmıştır (dogrulama/yapisal_kirilma/elle_hesap.py ve r_dogrulama.R; numpy/scipy ve taban R, şablonun hiçbir işlevi çağrılmaz). Girdi bu şablonun çıktılarıdır (ykp_* çalıştırmaları).

Adım 1 — Bölüm RSS ve dinamik programlama. Her aralık ayrı lstsq ile; m=0,\dots,5 kırılma sıraları Nil'de m=1 için 28, m=2 için (28, 83), m=5 için (15, 30, 45, 68, 83); \mathrm{RSS} değerleri şablonla 10^{-9} içinde aynı.

Adım 2 — BIC. \mathrm{BIC}_1=1270{,}0837 en küçüktür; sentetik seride \mathrm{BIC}_2=243{,}1270 ve kırılmalar 40, 80.

Adım 3 — Ortak varyanslı GA. G(q)=0{,}975 kökü q=11{,}03329; c=\hat\sigma^2/\hat\delta^2=0{,}260198; yarı genişlik 2{,}87, \lceil\cdot\rceil=3: Nil'de [25{,}31] gözlem = 1895–1901; sentetik seride [39{,}41] ve [79{,}81].

Adım 4 — Test istatistikleri. supF =75{,}929769 (N=71 aday), OLS-CUSUM S=2{,}951766, p=5{,}4086\times10^{-8}; kırılmasız seride supF =6{,}5113, S=1{,}2332 (p=0{,}0955).

113.6.1 Doğrulama: MerQuR+, Python ve R

Ölçüt 10^{-6}'dır (1'den büyük değerde göreli); kırılma ve GA uçları tamsayıdır (ölçüt sıfır). Bu şablonun tabloları, aynı veride yedi çalıştırma için bağımsız Python ve R hesaplarıyla karşılaştırılmıştır (supF'nin p değeri ve MOSUM bu şablonda olmadığından karşılaştırmaya girmez).

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Nil: RSS (m = 0) 2,835157·106 2,835157·106 2,835157·106 0 ✓
Nil: BIC (m = 0) 1318,24180688 1318,24180688 1318,24180688 5,2e−16 ✓
Nil: RSS (m = 1) 1,597457·106 1,597457·106 1,597457·106 2,8e−15 ✓
Nil: BIC (m = 1) 1270,08373574 1270,08373574 1270,08373574 3,2e−15 ✓
Nil: RSS (m = 2) 1,552924·106 1,552924·106 1,552924·106 7,5e−16 ✓
Nil: BIC (m = 2) 1276,46670076 1276,46670076 1276,46670076 1,1e−15 ✓
Nil: RSS (m = 3) 1,538097·106 1,538097·106 1,538097·106 1,4e−15 ✓
Nil: BIC (m = 3) 1284,71766745 1284,71766745 1284,71766745 3,4e−15 ✓
Nil: RSS (m = 4) 1,507888·106 1,507888·106 1,507888·106 2,5e−15 ✓
Nil: BIC (m = 4) 1291,94447689 1291,94447689 1291,94447689 2,8e−15 ✓
Nil: RSS (m = 5) 1,659994·106 1,659994·106 1,659994·106 1,5e−15 ✓
Nil: BIC (m = 5) 1310,76515477 1310,76515477 1310,76515477 1,2e−15 ✓
Nil: kırılma 1 (gözlem sırası) 28 28 28 0 ✓
Nil: bölüm 1 kesişim kestirimi 1097,75 1097,75 1097,75 0 ✓
Nil: bölüm 1 kesişim SH 25,51188254 25,51188254 25,51188254 1,7e−15 ✓
Nil: bölüm 2 kesişim kestirimi 849,97222222 849,97222222 849,97222222 1,3e−16 ✓
Nil: bölüm 2 kesişim SH 14,70504172 14,70504172 14,70504172 4,8e−16 ✓
Nil: supF istatistiği 75,92976943 75,92976943 75,92976943 7,5e−16 ✓
Nil: OLS-CUSUM istatistiği 2,9517661 2,9517661 2,9517661 7,5e−16 ✓
Nil: OLS-CUSUM p 5,408553·10−8 5,408553·10−8 5,408553·10−8 3,5e−21 ✓
Nil, ortak varyans: RSS (m = 1) 1,597457·106 1,597457·106 1,597457·106 2,8e−15 ✓
Nil, ortak varyans: BIC (m = 1) 1270,08373574 1270,08373574 1270,08373574 3,2e−15 ✓
Nil, ortak varyans: kırılma 1 (gözlem sırası) 28 28 28 0 ✓
Nil, ortak varyans: GA alt 1 (zaman) 1895 1895 1895 0 ✓
Nil, ortak varyans: GA üst 1 (zaman) 1901 1901 1901 0 ✓
Nil, ortak varyans: bölüm 1 kesişim kestirimi 1097,75 1097,75 1097,75 0 ✓
Nil, ortak varyans: bölüm 1 kesişim SH 23,88556942 23,88556942 23,88556942 2,1e−15 ✓
Nil, ortak varyans: bölüm 2 kesişim kestirimi 849,97222222 849,97222222 849,97222222 1,3e−16 ✓
Nil, ortak varyans: bölüm 2 kesişim SH 14,89526954 14,89526954 14,89526954 1,8e−15 ✓
Nil, ortak varyans: supF istatistiği 75,92976943 75,92976943 75,92976943 7,5e−16 ✓
Nil, ortak varyans: OLS-CUSUM istatistiği 2,9517661 2,9517661 2,9517661 7,5e−16 ✓
Nil, ortak varyans: OLS-CUSUM p 5,408553·10−8 5,408553·10−8 5,408553·10−8 3,5e−21 ✓
Nil, 2 kırılma (elle): RSS (m = 2) 1,552924·106 1,552924·106 1,552924·106 7,5e−16 ✓
Nil, 2 kırılma (elle): BIC (m = 2) 1276,46670076 1276,46670076 1276,46670076 1,1e−15 ✓
Nil, 2 kırılma (elle): kırılma 1 (gözlem sırası) 28 28 28 0 ✓
Nil, 2 kırılma (elle): kırılma 2 (gözlem sırası) 83 83 83 0 ✓
Nil, 2 kırılma (elle): bölüm 1 kesişim kestirimi 1097,75 1097,75 1097,75 0 ✓
Nil, 2 kırılma (elle): bölüm 1 kesişim SH 25,51188254 25,51188254 25,51188254 1,7e−15 ✓
Nil, 2 kırılma (elle): bölüm 2 kesişim kestirimi 836,14545455 836,14545455 836,14545455 2,7e−16 ✓
Nil, 2 kırılma (elle): bölüm 2 kesişim SH 16,4354347 16,4354347 16,4354347 2,8e−15 ✓
Nil, 2 kırılma (elle): bölüm 3 kesişim kestirimi 894,70588235 894,70588235 894,70588235 2,5e−16 ✓
Nil, 2 kırılma (elle): bölüm 3 kesişim SH 30,83456386 30,83456386 30,83456386 1,8e−15 ✓
Nil, 2 kırılma (elle): supF istatistiği 75,92976943 75,92976943 75,92976943 7,5e−16 ✓
Nil, 2 kırılma (elle): OLS-CUSUM istatistiği 2,9517661 2,9517661 2,9517661 7,5e−16 ✓
Nil, 2 kırılma (elle): OLS-CUSUM p 5,408553·10−8 5,408553·10−8 5,408553·10−8 3,5e−21 ✓
Sentetik, 2 açıklayıcı: RSS (m = 0) 227,17136964 227,17136964 227,17136964 1,5e−15 ✓
Sentetik, 2 açıklayıcı: BIC (m = 0) 436,28076561 436,28076561 436,28076561 1,3e−16 ✓
Sentetik, 2 açıklayıcı: RSS (m = 1) 100,05510552 100,05510552 100,05510552 4,8e−15 ✓
Sentetik, 2 açıklayıcı: BIC (m = 1) 357,0327035 357,0327035 357,0327035 3,2e−16 ✓
Sentetik, 2 açıklayıcı: RSS (m = 2) 33,01373605 33,01373605 33,01373605 1,5e−15 ✓
Sentetik, 2 açıklayıcı: BIC (m = 2) 243,12698601 243,12698601 243,12698601 8,2e−16 ✓
Sentetik, 2 açıklayıcı: RSS (m = 3) 31,21407822 31,21407822 31,21407822 1,6e−15 ✓
Sentetik, 2 açıklayıcı: BIC (m = 3) 255,55041287 255,55041287 255,55041287 1,3e−15 ✓
Sentetik, 2 açıklayıcı: RSS (m = 4) 30,58907134 30,58907134 30,58907134 5,8e−16 ✓
Sentetik, 2 açıklayıcı: BIC (m = 4) 272,27320962 272,27320962 272,27320962 1,5e−15 ✓
Sentetik, 2 açıklayıcı: RSS (m = 5) 30,24745871 30,24745871 30,24745871 9,4e−16 ✓
Sentetik, 2 açıklayıcı: BIC (m = 5) 290,07550124 290,07550124 290,07550124 1,4e−15 ✓
Sentetik, 2 açıklayıcı: kırılma 1 (gözlem sırası) 40 40 40 0 ✓
Sentetik, 2 açıklayıcı: kırılma 2 (gözlem sırası) 80 80 80 0 ✓
Sentetik, 2 açıklayıcı: bölüm 1 kesişim kestirimi 1,01921536 1,01921536 1,01921536 1,3e−15 ✓
Sentetik, 2 açıklayıcı: bölüm 1 kesişim SH 0,08755808 0,08755808 0,08755808 9,7e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 1 x1 kestirimi 0,51574118 0,51574118 0,51574118 1,1e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 1 x1 SH 0,07770249 0,07770249 0,07770249 1,4e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 1 x2 kestirimi 0,07589109 0,07589109 0,07589109 4,0e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 1 x2 SH 0,08807394 0,08807394 0,08807394 9,7e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 2 kesişim kestirimi 2,88322766 2,88322766 2,88322766 1,5e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 2 kesişim SH 0,07923171 0,07923171 0,07923171 9,7e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 2 x1 kestirimi 0,59812149 0,59812149 0,59812149 2,2e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 2 x1 SH 0,07265902 0,07265902 0,07265902 1,1e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 2 x2 kestirimi 0,27224276 0,27224276 0,27224276 5,6e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 2 x2 SH 0,08284162 0,08284162 0,08284162 1,1e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 3 kesişim kestirimi 0,03831346 0,03831346 0,03831346 9,7e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 3 kesişim SH 0,09648879 0,09648879 0,09648879 1,4e−17 ✓
Sentetik, 2 açıklayıcı: bölüm 3 x1 kestirimi 1,966771 1,966771 1,966771 1,6e−15 ✓
Sentetik, 2 açıklayıcı: bölüm 3 x1 SH 0,10122495 0,10122495 0,10122495 1,9e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 3 x2 kestirimi 0,21434571 0,21434571 0,21434571 5,0e−16 ✓
Sentetik, 2 açıklayıcı: bölüm 3 x2 SH 0,10838183 0,10838183 0,10838183 5,0e−16 ✓
Sentetik, 2 açıklayıcı: supF istatistiği 144,83273028 144,83273028 144,83273028 1,8e−15 ✓
Sentetik, 2 açıklayıcı: OLS-CUSUM istatistiği 3,13217492 3,13217492 3,13217492 1,3e−15 ✓
Sentetik, 2 açıklayıcı: OLS-CUSUM p 6,021723·10−9 6,021723·10−9 6,021723·10−9 3,2e−22 ✓
Sentetik, ortak varyans: RSS (m = 2) 33,01373605 33,01373605 33,01373605 1,5e−15 ✓
Sentetik, ortak varyans: BIC (m = 2) 243,12698601 243,12698601 243,12698601 8,2e−16 ✓
Sentetik, ortak varyans: kırılma 1 (gözlem sırası) 40 40 40 0 ✓
Sentetik, ortak varyans: kırılma 2 (gözlem sırası) 80 80 80 0 ✓
Sentetik, ortak varyans: GA alt 1 (zaman) 39 39 39 0 ✓
Sentetik, ortak varyans: GA üst 1 (zaman) 41 41 41 0 ✓
Sentetik, ortak varyans: GA alt 2 (zaman) 79 79 79 0 ✓
Sentetik, ortak varyans: GA üst 2 (zaman) 81 81 81 0 ✓
Sentetik, ortak varyans: bölüm 1 kesişim kestirimi 1,01921536 1,01921536 1,01921536 1,3e−15 ✓
Sentetik, ortak varyans: bölüm 1 kesişim SH 0,08507408 0,08507408 0,08507408 1,1e−16 ✓
Sentetik, ortak varyans: bölüm 1 x1 kestirimi 0,51574118 0,51574118 0,51574118 1,1e−16 ✓
Sentetik, ortak varyans: bölüm 1 x1 SH 0,07549809 0,07549809 0,07549809 1,4e−17 ✓
Sentetik, ortak varyans: bölüm 1 x2 kestirimi 0,07589109 0,07589109 0,07589109 4,0e−16 ✓
Sentetik, ortak varyans: bölüm 1 x2 SH 0,0855753 0,0855753 0,0855753 2,8e−17 ✓
Sentetik, ortak varyans: bölüm 2 kesişim kestirimi 2,88322766 2,88322766 2,88322766 1,5e−16 ✓
Sentetik, ortak varyans: bölüm 2 kesişim SH 0,08405925 0,08405925 0,08405925 9,7e−17 ✓
Sentetik, ortak varyans: bölüm 2 x1 kestirimi 0,59812149 0,59812149 0,59812149 2,2e−16 ✓
Sentetik, ortak varyans: bölüm 2 x1 SH 0,07708609 0,07708609 0,07708609 1,4e−17 ✓
Sentetik, ortak varyans: bölüm 2 x2 kestirimi 0,27224276 0,27224276 0,27224276 5,6e−17 ✓
Sentetik, ortak varyans: bölüm 2 x2 SH 0,0878891 0,0878891 0,0878891 2,8e−17 ✓
Sentetik, ortak varyans: bölüm 3 kesişim kestirimi 0,03831346 0,03831346 0,03831346 9,7e−17 ✓
Sentetik, ortak varyans: bölüm 3 kesişim SH 0,08477126 0,08477126 0,08477126 4,2e−17 ✓
Sentetik, ortak varyans: bölüm 3 x1 kestirimi 1,966771 1,966771 1,966771 1,6e−15 ✓
Sentetik, ortak varyans: bölüm 3 x1 SH 0,08893227 0,08893227 0,08893227 1,4e−17 ✓
Sentetik, ortak varyans: bölüm 3 x2 kestirimi 0,21434571 0,21434571 0,21434571 5,0e−16 ✓
Sentetik, ortak varyans: bölüm 3 x2 SH 0,09522002 0,09522002 0,09522002 9,7e−17 ✓
Sentetik, ortak varyans: supF istatistiği 144,83273028 144,83273028 144,83273028 1,8e−15 ✓
Sentetik, ortak varyans: OLS-CUSUM istatistiği 3,13217492 3,13217492 3,13217492 1,3e−15 ✓
Sentetik, ortak varyans: OLS-CUSUM p 6,021723·10−9 6,021723·10−9 6,021723·10−9 3,2e−22 ✓
Kırılmasız seri: RSS (m = 0) 67,88863995 67,88863995 67,88863995 8,4e−16 ✓
Kırılmasız seri: BIC (m = 0) 222,661585 222,661585 222,661585 1,3e−16 ✓
Kırılmasız seri: bölüm 1 kesişim kestirimi 9,84726852 9,84726852 9,84726852 1,8e−16 ✓
Kırılmasız seri: bölüm 1 kesişim SH 0,10364301 0,10364301 0,10364301 4,0e−16 ✓
Kırılmasız seri: supF istatistiği 6,51125412 6,51125412 6,51125412 5,7e−15 ✓
Kırılmasız seri: OLS-CUSUM istatistiği 1,23316968 1,23316968 1,23316968 1,6e−15 ✓
Kırılmasız seri: OLS-CUSUM p 0,0955241 0,0955241 0,0955241 6,1e−16 ✓
Nil, 3 eksik: RSS (m = 1) 1,567210·106 1,567210·106 1,567210·106 1,2e−15 ✓
Nil, 3 eksik: BIC (m = 1) 1233,51230446 1233,51230446 1233,51230446 2,6e−15 ✓
Nil, 3 eksik: kırılma 1 (gözlem sırası) 28 28 28 0 ✓
Nil, 3 eksik: bölüm 1 kesişim kestirimi 1097,75 1097,75 1097,75 0 ✓
Nil, 3 eksik: bölüm 1 kesişim SH 25,51188254 25,51188254 25,51188254 1,7e−15 ✓
Nil, 3 eksik: bölüm 2 kesişim kestirimi 852,88405797 852,88405797 852,88405797 5,3e−16 ✓
Nil, 3 eksik: bölüm 2 kesişim SH 15,13763984 15,13763984 15,13763984 1,1e−15 ✓
Nil, 3 eksik: supF istatistiği 72,39165038 72,39165038 72,39165038 1,4e−15 ✓
Nil, 3 eksik: OLS-CUSUM istatistiği 2,91974408 2,91974408 2,91974408 4,4e−15 ✓
Nil, 3 eksik: OLS-CUSUM p 7,877550·10−8 7,877550·10−8 7,877550·10−8 8,4e−21 ✓

Ölçütü karşılayan: 126/126. Python şablonu supF p değerini ve MOSUM testini üretmez; karşılaştırma R ve bağımsız Python hesaplarıyla yapılmıştır.

R ikiziyle karşılaştırma. Aynı veri ve aynı ayarda iki şablonun tabloları (en büyük fark seçim RSS, BIC, kırılma gözlemi, GA uçları, bölüm katsayısı ve SH ile ortak testler üzerinden):

Çalıştırma R şablonu Python şablonu En büyük fark Not
örnek ayar (Nil) tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
ortak varyans tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
kırılma sayısı elle 2 tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
iki açıklayıcı tamam tamam 4,8e−15 tablolar, GA ve ortak testler özdeş (✓)
iki açıklayıcı, ortak varyans tamam tamam 4,8e−15 tablolar, GA ve ortak testler özdeş (✓)
kırılmasız seri tamam tamam 1,4e−15 tablolar, GA ve ortak testler özdeş (✓)
ters sıralı Nil tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
3 eksik gözlem tamam tamam 3,9e−15 tablolar, GA ve ortak testler özdeş (✓)
20 gözlem tamam tamam 2,3e−15 tablolar, GA ve ortak testler özdeş (✓)
her 10, yıl atılmış tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
zaman etiketi yok tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
h=0{,}30, kırılma sayısı 4 tamam tamam 3,9e−15 tablolar, GA ve ortak testler özdeş (✓)
%99 GA tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
5 kırılma elle tamam tamam 4,3e−15 tablolar, GA ve ortak testler özdeş (✓)
yinelenen zaman etiketi hata hata — iki şablon da hata verir
sabit seri hata hata — iki şablon da hata verir
doğrusal bağımlı açıklayıcı hata hata — iki şablon da hata verir
sabit açıklayıcı hata hata — iki şablon da hata verir
h=0{,}29 tamam tamam 4,8e−15 tablolar, GA ve ortak testler özdeş (✓)
akışa 10^8 eklenmiş tamam tamam 8,0e−12 tablolar, GA ve ortak testler özdeş (✓)
akışa 10^6 eklenmiş tamam tamam 4,7e−14 tablolar, GA ve ortak testler özdeş (✓)

Yayımlanmış değerle karşılaştırma (Zeileis ve ark., 2003): Nil'de tek kırılma 1898, GA 1895–1902, bölüm ortalamaları 1097{,}75 ve 849{,}97, supF =75{,}93; bu şablonun çıktısı hepsini verir (113.7).

113.7 Çıktıyı okuma

Örnek ayarın konsol satırı ve tabloları R eşininkilerle aynıdır; tek fark test tablosudur (yapisal_kirilma_py_ornek):

n = 100; en küçük bölüm = 15 gözlem (h = 0,15); en çok 5 kırılma; seçilen kırılma sayısı = 1 (BIC)

Kırılma sayısı seçimi (RSS ve BIC)
kirilma_sayisi        RSS        BIC
0              2.835157e+06  1318.2418
1              1.597457e+06  1270.0837
2              1.552924e+06  1276.4667
3              1.538097e+06  1284.7177
4              1.507888e+06  1291.9445
5              1.659994e+06  1310.7652

Kırılma tarihleri (son gözlem önceki bölüme aittir; Bai %95 GA, bölümlere göre farklı varyans)
kirilma gozlem zaman GA_alt GA_ust
1       28     1898  1895   1902

Bölüm katsayıları (bölüm içi EKK ve SH)
bolum bas  son  n  terim        kestirim    SH
1     1871 1898 28 (Intercept)  1097.750000 25.511883
2     1899 1970 72 (Intercept)   849.972222 14.705042

Yapısal değişim testleri (H0: parametreler sabit; supF p değeri R sürümünde)
test       istatistik  p
supF       75.929769   NaN
OLS-CUSUM   2.951766   5.408553e-08

Şekil 113.1. Şablonun çizdiği grafik (örnek veri): gri çizgi seri, mor çizgi bölüm uyumları, kesikli dikey çizgi kırılma, alttaki kalın çubuk %95 güven aralığı. Görünüm R eşinin şekliyle aynı düzendedir.

Sütunların anlamı ve yorumu Bölüm 112.7'deki tablodakiyle aynıdır. İki şablonun farkı yalnız test tablosundadır: supF için p değeri NaN, OLS-MOSUM satırı yoktur. R eşiyle karşılaştırma tablosu (113.6.1) iki şablonun seçim, kırılma, GA, bölüm ve ortak test sonuçlarının, 17 ayrı veri ve ayarda 10^{-11} içinde (ofsetsiz verilerde 5\times10^{-15} içinde) aynı olduğunu gösterir.

Rapor cümlesi (örnek ayar): Bölüm 112.7'deki cümle aynen geçerlidir; yöntem satırına "numpy/scipy ile yazılmış Bai–Perron dinamik programlaması" eklenebilir; p değeri verilecekse supF yerine OLS-CUSUM'un p=5{,}4\times10^{-8} değeri kullanılır.

113.8 Sık hatalar ve tuzaklar

  • supF'nin p değeri NaN. Tabloda boş görünür; rapora supF'nin p değerini R şablonuyla (Bölüm 112) alın ya da OLS-CUSUM'un p değerini kullanın.
  • R eşindeki ek testler yok. aveF, expF, Rec-CUSUM, OLS-MOSUM/ME/RE bu şablonda üretilmez.
  • Doğrusal bağımlı açıklayıcıda şablon anlaşılır iletiyle durur. Bir sütunun katı da x listesine girerse (ykp_bagimli) "Açıklayıcılar sabit ya da doğrusal bağımlı (biri ötekilerin doğrusal birleşimi); bağımlı olanı çıkarın." iletisi çıkar (108–110). Sabit açıklayıcı adıyla yakalanır (103–105).
  • kirilma m_{\max}'ı aşınca kısılır ve uyarılır (n=100, h=0{,}30 için kirilma = 4 → 2; ykp_m4_h30; uyarı satırı 187–189).
  • \lfloor h\,n\rfloor ve kayan nokta. nh floor(h * n + 1e-9) ile hesaplanır (94): 0,29 \times100 ikili kayan noktada 28{,}999\ldots olsa da nh=29 çıkar (ykp_h29); supF kırpması aynı nh'den başlar (fr = nh, 312).
  • Zaman etiketi aralığı eşit varsayılır; zaman boşsa veri sıralanmaz. Aralıkların uçları gözlem sırası birimindedir (ykp_aralikli: kırılma 26. gözlem = "1898"); etiket eşit aralıklı değilse şablon bunu uyarır (269–271). zaman yoksa ters sıralı dosya kırılmayı tersten arar; şablon "satır sırası zaman sırası sayıldı" notunu yazar (112–114).
  • Özilintili hata. Aralıklar ve p değerleri bağımsız hata varsayar (Bölüm 112.8).
  • Aralık ucu serinin ucuna kırpılır. ykp_m5'te üç GA serinin ucuna dayanır; tabloda kırpıldığı işaretlenmez.
  • Çok küçük seri. 20 gözlemde nh=3 ile şablon çalışır ama bölümler anlamsızdır (ykp_kisa); nh<5k iken uyarı satırı yazılır (115–117).
  • Ortalaması çok büyük seri. Birikimli toplam yöntemi RSS'i iki büyük sayının farkı olarak hesaplar; 10^8 ofsetli Nil'de sonuç değişmemiştir (113.4.1), ama bundan çok büyük ofsetlerde ya da çok küçük varyanslı serilerde sıralamanın bozulması beklenebilir; yeniden ölçekleyin ya da ortalayın.
  • Tohum ve yakınsama yoktur. Hesap belirlenimcidir; Bölüm 1.3'teki Tohum alanı sonucu etkilemez.

113.9 Uzman soruları

S1. Python şablonu R'nin `breakpoints`'ini neden kullanmıyor?

Şablon strucchange çağırmaz; aynı ölçütü numpy ve scipy ile kendi yazar (kodda gerekçe yazılı değildir; R kurulu olmayan bilgisayarda da çalışması bunun doğal sonucudur). Hesap aynı en küçük kalan kareler ölçütüne dayanır; bütün çalıştırmalarda iki şablonun seçim, kırılma, GA ve bölüm tabloları 10^{-11} içinde özdeştir. İkisinin bu özdeşliği, iki bağımsız uygulamanın aynı tanımı yaptığının kanıtıdır.

S2. RSS neden doğrudan hesaplanmayıp birikimli toplamlardan türetiliyor?

n=100 için n(n-nh+1)/2 yaklaşık 3 600 aday bölüm vardır; her biri için ayrı EKK çözmek yerine birikimli \mathbf C, \mathbf b, \mathrm{cyy} ile \mathrm{RSS}=\mathrm{cyy}-\mathbf b'\mathbf A^{-1}\mathbf b tek vektörleştirilmiş çağrıyla verilir. Bedel, büyük ofsetli serilerde duyarlılık kaybıdır; şablon seçilen bölümlemenin RSS'ini doğrudan yeniden hesaplayarak bunu hafifletir.

S3. G(0) yüzdeliklerin dışında kalınca GA neden `NaN`?

Bai dağılımının kökleri G(q)=1-a/2 ve G(q)=a/2'dir; G(0)=1/2 olduğundan eşit varyansta bu her zaman sağlanır. Farklı varyans ve regresör dağılımlarında (\xi\ne1) G(0) 1/2'den farklı olabilir; G(0) yüzdeliklerin dışına çıkarsa kök bulunamaz ve şablon aralığı NaN bırakır. Bu çalıştırmalarda NaN oluşmamıştır.

S4. Hangi durumda R eşi yerine bu şablon kullanılmalı?

Yalnız Python yorumlayıcısı olan bir bilgisayarda ve yalnız kırılma sayısı, tarihleri, aralıkları, bölüm tabloları ve supF/CUSUM istatistikleri gerekiyorsa. supF p değeri, aveF/expF ve MOSUM gerekiyorsa R şablonu (Bölüm 112).

S5. OLS-CUSUM p serisi neden 100 terimle kesiliyor?

Terimler e^{-2j^2s^2} ile küçülür (s=0{,}5 için j=100 teriminin büyüklüğü e^{-5000}); 100 terimde seri yakınsar. R eşinin kullandığı paket de aynı 100 terimli seriyi hesaplar (pvalue.efp: for (i in 1:100)) ve s<0{,}1 için p=1 alır. Python şablonunda bu koşul yoktur: küçük s için serinin değeri zaten 1'e çok yakındır (s=0{,}05 için 0{,}99999999999999) ve sonuç [0{,}1]'e kırpılır (324).

S6. `esit_varyans` neden bölüm SH'lerini de değiştiriyor?

Aynı onay kutusu hem GA'nın varyans varsayımını hem SH'deki s^2'yi belirler: ortak varyans \mathrm{RSS}/n (298). Nil'de birinci bölümün SH'si 25{,}512'den 23{,}886'ya düşer, ikincinin 14{,}705'ten 14{,}895'e çıkar.

113.10 Kaynaklar

  • Andrews, D. W. K. (1993). Tests for parameter instability and structural change with unknown change point. Econometrica, 61(4), 821–856. https://doi.org/10.2307/2951764
  • Bai, J. (1997). Estimation of a change point in multiple regression models. Review of Economics and Statistics, 79(4), 551–563. https://doi.org/10.1162/003465397557132
  • Bai, J., & Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, 66(1), 47–78. https://doi.org/10.2307/2998540
  • Bai, J., & Perron, P. (2003). Computation and analysis of multiple structural change models. Journal of Applied Econometrics, 18(1), 1–22. https://doi.org/10.1002/jae.659
  • Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
  • Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
  • Ploberger, W., & Krämer, W. (1992). The CUSUM test with OLS residuals. Econometrica, 60(2), 271–285. https://doi.org/10.2307/2951597
  • Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … SciPy 1.0 Contributors. (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
  • Zeileis, A., Kleiber, C., Krämer, W., & Hornik, K. (2003). Testing and dating of structural changes in practice. Computational Statistics & Data Analysis, 44(1–2), 109–123. https://doi.org/10.1016/S0167-9473(03)00030-6
  • Zeileis, A., Leisch, F., Hornik, K., & Kleiber, C. (2002). strucchange: An R package for testing for structural change in linear regression models. Journal of Statistical Software, 7(2), 1–38. https://doi.org/10.18637/jss.v007.i02