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?
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 105kirilmali_birim_kok. Geri dönüşlü rejimler: Bölüm 106markov_rejim/Bölüm 107. Varyans kırılması: Bölüm 102garch_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 C_j: ilk j gözlemin \mathbf x_t\mathbf x_t' toplamı (
cXX, 112); aralık toplamı iki birikimli değerin farkıdır. \mathbf b içincXy(122), \sum y^2 içincyy(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
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):
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
xlistesine 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). kirilmam_{\max}'ı aşınca kısılır ve uyarılır (n=100, h=0{,}30 içinkirilma = 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;
zamanboşsa veri sıralanmaz. Aralıkların uçları gözlem sırası birimindedir (ykp_aralikli: kırılma 26. gözlem = "1898"); etiket eşit aralıklı değilse şablon bunu uyarır (269–271).zamanyoksa 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