Panel Zaman Serilerinde Durağanlık ve Yatay Kesit Bağımlılığı: Metodolojik Bir Çerçeve
Makroekonomik ve finansal panel veri analitiğinde, klasik zaman serisi özelliklerinin ($T$) yatay kesit boyutuna ($N$) entegre edilmesi, bir yandan serbestlik derecesini artırarak tahminlerin asimptotik etkinliğini güçlendirirken, diğer yandan metodolojik kısıtları derinleştirmektedir. Bu bağlamda, panel veri ekonometrisinin en kritik ön koşulu olan durağanlık (stationarity) sınaması, veri setindeki birimlerin birbirleriyle olan etkileşimleri dikkate alınmadan gerçekleştirildiğinde ciddi asimptotik sapmalara yol açar.
Bu teknik not, panel verilerde birim kök sınaması yaparken yatay kesit bağımlılığının (Cross-Sectional Dependence - $CD$) neden olduğu istatistiksel bozulmaları ve veri setinin karakteristiklerine uygun 1. veya 2. nesil test algoritmalarının seçim kriterlerini ele almaktadır.
1. Panel Verilerde Asimptotik Sorunlar ve Sahte Regresyon
Geniş zaman boyutuna ($T \to \infty$) sahip panel veri setlerinde, serilerin durağan olmaması [$I(1)$ formunda olmaları], Granger ve Newbold (1974) tarafından ortaya konan sahte regresyon (spurious regression) sorununu panele taşır. Phillips ve Moon (1999), durağan olmayan ve aralarında eşbütünleşme (cointegration) bulunmayan panel değişkenleri ile kurulan EKK (OLS) modellerinde, $t$-istatistiklerinin standart normal dağılımdan saptığını ve varyansların sonsuza ıraksadığını matematiksel olarak kanıtlamıştır.
$$Y_{i,t} = \alpha_i + \beta X_{i,t} + \varepsilon_{i,t}$$
Yukarıdaki denklemde $Y_{i,t} \sim I(1)$ ve $X_{i,t} \sim I(1)$ iken $\varepsilon_{i,t} \sim I(0)$ değilse, elde edilecek determinasyon katsayısı ($R^2$) ve parametre tahminleri tamamen iktisadi gerçeklikten uzak, sahte (spurious) bulgulardır (Granger & Newbold, 1974). Bu nedenle entegrasyon derecesinin tespiti, ARDL veya FMOLS/DOLS gibi dinamik panel tahmincilerine geçişin mutlak ön koşuludur.
2. Temel Metodolojik Kırılma: Yatay Kesit Bağımlılığı ($CD$)
Geleneksel panel birim kök testleri, $\varepsilon_{i,t}$ hata terimlerinin birimler (ülkeler, firmalar) arasında tam bağımsız (i.i.d) olduğu varsayımına dayanır; yani $i \neq j$ için $Cov(\varepsilon_{i,t}, \varepsilon_{j,t}) = 0$.
Ancak finansal entegrasyon, küresel piyasa şokları ve bölgesel ticaret ağları nedeniyle çağdaş veri setlerinde bu varsayım neredeyse her zaman ihlal edilir. Gözlemlenemeyen ortak faktörlerin (unobserved common factors) neden olduğu yatay kesit bağımlılığı göz ardı edilip geleneksel (1. Nesil) testler uygulandığında, istatistiksel boyut bozulması (size distortion) yaşanır. Test, gerçekte durağan olmayan bir seriyi durağanmış gibi raporlayarak ciddi bir Tip I Hata üretir (Pesaran, 2004).
$CD$ Test İstatistiklerinin Belirlenmesi
Modelin veya serilerin içerdiği yatay kesit bağımlılığı, veri setinin $N$ ve $T$ matris boyutlarına göre aşağıdaki asimptotik testlerle sınanmalıdır:
| Sınama Yöntemi | Asimptotik Kısıt | Temel Formülasyon / Özellik |
| Breusch-Pagan LM (Breusch & Pagan, 1980) | $T > N$ | Hata terimlerinin korelasyon matrisi üzerinden Lagrange Çarpanı türetir. |
| Pesaran $CD$ (Pesaran, 2004) | $N \to \infty, T \to \infty$ | Güçlü bağımlılık altında dirençlidir. $CD = \sqrt{\frac{2T}{N(N-1)}} \sum_{i=1}^{N-1} \sum_{j=i+1}^N \hat{\rho}_{ij}$ |
| Pesaran Scaled LM (Pesaran, 2004) | $T \to \infty, N \to \infty$ | Standart LM testinin büyük panellerdeki ölçek sapmalarını asimptotik olarak düzeltir. |
| Baltagi-Feng-Kao BC-LM (Baltagi vd., 2012) | Geniş $N$, Geniş $T$ | Scaled LM istatistiğindeki yanlılığı (bias-corrected) gideren gelişmiş formülasyondur. |
3. Panel Birim Kök Testleri Literatür Tasnifi
Yatay kesit bağımlılığı analizinin ($H_0$: Birimler arası korelasyon yoktur) sonucuna göre ampirik araştırma akışı iki ana kulvara ayrılır:
3.1. 1. Nesil Panel Birim Kök Testleri ($CD$ Yokluğu Durumunda)
Birimlerin stokastik olarak birbirinden bağımsız olduğu kanıtlanırsa, asimptotik gücü yüksek olan 1. nesil testler tercih edilmelidir. Bu testler otoregresif parametrenin ($\rho_i$) homojenliğine göre sınıflandırılır:
- Ortak Birim Kök (Homojen) Varsayımı: Levin, Lin ve Chu (2002) ile Breitung testleri, paneldeki tüm kesitlerin aynı $\rho$ katsayısına sahip olduğunu varsayar ($H_1: \rho_1 = \rho_2 = \dots = \rho < 1$).
- Bireysel Birim Kök (Heterojen) Varsayımı: Im, Pesaran ve Shin (2003) ile Fisher-ADF (Maddala & Wu, 1999) testleri, birimlerin farklı hızlarda durağanlığa dönebileceğini kabul eder. Özellikle IPS, t-bar istatistiği ile birim bazlı otoregresif heterojenliğe ($\rho_i$) izin verir.
3.2. 2. Nesil Panel Birim Kök Testleri ($CD$ Varlığı Durumunda)
Testler sonucunda $CD$ tespit edilirse, 1. Nesil testler matematiksel olarak geçersiz kabul edilir. Serilerin durağanlığı, gözlemlenemeyen ortak faktörleri filtreleyen 2. Nesil yaklaşımlarla sınanmalıdır:
Pesaran (2007) CIPS (Cross-sectionally Augmented IPS):
Standart Dickey-Fuller regresyonuna, serilerin yatay kesit ortalamalarını ($\bar{y}{t-1}$) ve gecikmeli farklarını ($\Delta \bar{y}{t-j}$) birer ortak faktör vekili (proxy) olarak ekler. Bu CADF (Cross-sectionally Augmented DF) regresyonlarından elde edilen $t$ değerlerinin ortalaması CIPS istatistiğini oluşturur (Pesaran, 2007).
$$\Delta y_{i,t} = a_i + b_i y_{i,t-1} + c_i \bar{y}_{t-1} + d_i \Delta \bar{y}t + \varepsilon{i,t}$$
SURADF (Görünüşte İlişkisiz Regresyonlar):
Birimler arası varyans-kovaryans matrisini GLS (Genelleştirilmiş En Küçük Kareler) mantığıyla tahmin ederek bağımlılığı kontrol eder ve panel içindeki hangi spesifik serilerin durağan olduğunu tespit etme imkanı sunar (Breuer vd., 2002).
PANIC (Bai & Ng, 2004):
Seriyi asli bileşenler (principal components) yöntemiyle analiz ederek "ortak küresel şoklar" ile "birime özgü (idiosyncratic) şokları" dekompoze eder. Durağanlık sınamasını bu iki bileşen üzerinde ayrı ayrı gerçekleştirir (Bai & Ng, 2004).
4. Analitik Karar Algoritması
Sağlam (robust) bir panel veri ekonometrisi mimarisi kurmak için metodolojik hiyerarşi şu şekilde işletilmelidir:
- Ön İnceleme: Panel veri yapısı ($N, T$ dengesi) ve betimsel istatistikler tanımlanır.
- Korelasyon Sınaması: Serilerin düzey formlarında veya model kalıntıları üzerinde uygun $CD$ testi (Pesaran $CD$, Breusch-Pagan LM vb.) icra edilir.
- Durağanlık Testinin Atanması:
- $p > 0.05$ (Bağımsızlık): IPS veya LLC test istatistikleri raporlanır.
- $p < 0.05$ (Bağımlılık): CIPS, SURADF veya PANIC yaklaşımı ile ortak faktörler dışlanarak birim kök sınaması yapılır.
- Model Entegrasyonu: Elde edilen entegrasyon derecelerine ($I(0)$ veya $I(1)$) göre Sabit Etkiler, PMG/ARDL veya eşbütünleşme test aşamalarına geçilir.
Kaynakça
Bai, J., & Ng, S. (2004). A PANIC attack on unit roots and cointegration. Econometrica, 72(4), 1127–1177.
Baltagi, B. H., Feng, Q., & Kao, C. (2012). A Lagrange Multiplier test for cross-sectional dependence in a fixed effects panel data model. Journal of Econometrics, 170(1), 164–177.
Breuer, J. B., McNown, R., & Wallace, M. S. (2002). Series-specific unit root tests with panel data. Oxford Bulletin of Economics and Statistics, 64(5), 527–546.
Breusch, T. S., & Pagan, A. R. (1980). The Lagrange multiplier test and its applications to model specification in econometrics. The Review of Economic Studies, 47(1), 239–253.
Granger, C. W. J., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111–120.
Im, K. S., Pesaran, M. H., & Shin, Y. (2003). Testing for unit roots in heterogeneous panels. Journal of Econometrics, 115(1), 53–74.
Levin, A., Lin, C. F., & Chu, C. S. J. (2002). Unit root tests in panel data: asymptotic and finite-sample properties. Journal of Econometrics, 108(1), 1–24.
Maddala, G. S., & Wu, S. (1999). A comparative study of unit root tests with panel data and a new simple test. Oxford Bulletin of Economics and Statistics, 61(S1), 631–652.
Pesaran, M. H. (2004). General diagnostic tests for cross section dependence in panels. Cambridge Working Papers in Economics, No. 0435.
Pesaran, M. H. (2007). A simple panel unit root test in the presence of cross‐section dependence. Journal of Applied Econometrics, 22(2), 265–312.
Phillips, P. C. B., & Moon, H. R. (1999). Linear regression limit theory for nonstationary panel data. Econometrica, 67(5), 1057–1111.