مقاله +، مقطعی، FEM، موهومی، ECM، تابلویی، انفرادی، مبد، مبدأ، توضیحی، تاثیرات، هاسمن

نسبت به پتانسیل و تغییرات تکنولوژیکی را می‌توان با داده‌های تابلویی در مقایسه با داده‌های سری زمانی و مقطعی خیلی بهتر بررسی کرد.

6- داده‌های تابلویی با ارائه داده برای هزاران واحد، می‌توانند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه‌ها(به صورت جمعی و کلی) حاصل می‌شود، حداقل می‌سازد.

به طور کلی باید گفت داده‌های تابلویی تحلیل‌های تجربی را به شکلی غنی می‌سازند که در صورت استفاده از داده‌های سری زمانی یا مقطعی این امکان وجود ندارد. البته نمی‌توان گفت مدلسازی با داده تابلویی هیچ مشکلی ندارد.

3-5-3)تخمين مدل‌های رگرسيون با داده‌های پانل:روش اثرهای ثابت

1- تمامی ضرايب طی زمان و برای  افراد ثابت هستند:

ساده‌ترین روش حذف ابعادفضا(مکان) و زمان از داده‌های ترکیبی وتخمین رگرسیون معمولی OLS است.

2-  ضرايب شيب ثابتاند اما عرض از مبدأ ميان افراد متفاوت است: مدل رگرسيون ثابت يا حداقل مربعات با متغير موهومی(LSDV)

یک روش برای ملاحظه وجود مستقل برای واحدهای مقطعی آن است که عرض از مبدأ برای هر یک از واحدها متفاوت باشد. اما فرض می‌کنیم ضرایب شیب میان واحدها ثابت باشد. به منظور توضیح مطلب مدل زیر را تفسیر می‌کنیم:

(3-1)                                           Yit = B1i  + B2it + B3x3it + Uit

توجه داشته باشید اندیس i در جمله عرض از مبدأ نشان می‌دهد عرض از مبدأ چهار واحد(در اینجا شرکت) می‌توانند متفاوت باشند.این تفاوت ناشی از ویژگی‌های خاص هریک از شرکت‌ها ، از قبیل سبک مدیریت یا فلسفه مدیریتی باشد.

در ادبیات اقتصاد سنجی مدل فوق مدل(رگرسیون) تاثیرات ثابت(FEM) نامیده می‌شود.اصطلاح تاثیرات ثابت ناشی از این حقیقت است که با وجود تفاوت عرض از مبدأ میان افراد(در اینجا شرکت) ، عرض از مبدأ هر فرد(شرکت) طی زمان تغییر نمی‌کند.توجه داشته باشید اگر عرض از مبدأ را به صورت B1it می‌نوشتیم، این نشان می‌داد عرض از مبد أ هر یک از شرکت‌ها یا اشخص طی زمان متغیر است.باید اشاره کرد در FEM در مدل بالا فرض شده ضرایب (شیب) متغیرهای توضیحی بین اشخاص یا طی زمان تغییر نمی‌کند. در عمل چگونه تغییر عرض از مبد أ (تاثیرات ثابت) را ملاحظه و بررسی می‌کنیم؟ این کار را به آسانی می‌توانیم با تکنیک متغیر موهومی و به ویژه متغیرهای موهومی عرض از مبد أ تفاضلی انجام دهیم. بنابراین مدل بالا را به صورت زیر می‌نویسیم:

(3-2)            Yit = a 1 + a 2 D2i + a 3 D3i + a 4 D4i + B2x2it + B3x3it + uit

که در آن 1= D2i است. اگر مشاهدات متعلق به  شرکتGM باشد و در غیر این صورت صفر است. 1=  D3i اگر مشاهدات متعلق به شرکت US باشد و در غیر اینصورت صفر است و 1= D4i است اگر مشاهدات متعلق به شرکت WEST باشد و در غیر اینصورت صفر است. از انجا که چهار شرکت داریم، تنها از سه متغیر موهومی استفاده کرده‌ایم تا از دام متغیر موهومی اجتناب شود،(یعنی وضعیت همخطی کامل). هیچ متغیر موهومی برای شرکت GE وجود ندارد. به عبارت دیگر، a1 عرض از مبد أ GE و a1  وa3  و  a4 ضرایب  عرض از مبدأ تفاضلی‌اند که نشان می‌دهند عرض از مبد أ های  شرکت‌های GM ، US و WEST چقدر با عرض از مبد أ شرکت  GE تفاوت دارد. به طور خلاصه،GE تبدیل به شرکت معیار می‌شود. البته، انتخاب هر یک از شرکتها به عنوان شرکت معیار اختیاری می‌باشد. از انجا که متغیرهای موهومی ار برای تخمیین تاثیرات ثابت استفاده می‌کنیم در ادبیات اقتصادی به مدل ما مدل حداقل مربعات متغیر دامی (موهومی)(ISDV) نیز نامیده می‌شود. بدین ترتیب اصطلاح تاثیرات ثابت و LSDV  را می‌توان به جای یکدیگر بکار برد.

3-  ضرايب شيب ثابت هستند اما عرض از مبد أ برای افراد و طی زمان تغيير می‌کند:

مدل ترکیبی زیر را در نظر بگیرید:

Yit = a1 + a2DGMi + a3DUSi + a4DWESTi + λ0 + λ1DUM35+…+ λ19DUM53 + B2x2i+ B3x3i + uit

وقتی این رگرسیون را به رازش می‌کنیم می‌بینیم متغیرهای موهومی شرکت به خوبی ضرایب x به طور تکی از لحاظ آماری معنی دارند؛ اما هیچ یک از متغیرهای زمانی معنی دار نیستند. نتیجه کلی به دست آمده آن است که شاید یک تاثیر شرکت تکی قطعی و نه یک تاثیر زمانی وجود داشته باشد. در تمامی مواردی که بررسی شده متغیرهای x تاثیر قوی بر Y داشتند.

4-  تمامی ضرايب بين افراد تغيير می‌کند:

در اینجا عرض از مبد أ ها وضرایب شیب برای تمام افراد یا مقاطع و واحدها متفاوت است.به آسانی می‌توانیم مدل LSDV خودرا چنان توسعه دهیم دهیم که این وضعیت را نیز در برگیرد.برای این کار می‌توانیم هر یک از متغیرهای موهومی خود را در هریک از متغیرهای  Xضرب کرده و مدل خود را دوباره تخمین بزنیم.

احتياط در بکارگيری مدل تاثيرات ثابت يا LSDV

استفاده از مدل LSDV با وجود سهولت، همرا با مشکلاتی است که باید همواره به آن‌ها توجه کرد.

نخست، اگر بیش از اندازه متغیر موهومی وارد کنید با مشکل درجه آزادی مواجه خواهید بود.

دوم، با وجود تعداد بیش از اندازه متغیرها در مدل، همواره امکان خطی بودن وجود دارد که تخمین صحیح یک یا چند پارامتر را، دشوار می‌سازد.

سوم، اگر در مدل متغیرهایی چون جنس، رنگ و نژاد را وارد کنیم که در طول زمان بی تغییرند، زیرا هیچ یک از آن‌ها در طی زمان برای شخص تغییر نمی‌کنند، از این رو روش LSDV نمی‌تواند تاثیر چنین متغیرهای برون زایی را طی زمان شناسایی و بررسی کند.

چهارم، باید با دقت درباره جمله خطای Uit فکر کنیم. تمامی نتایجی که تاکنون ارائه شده بر این فرض مبتنی‌اند که جمله خطا از فروض کلاسیک یعنی (2∂و  0) ~ Ui t پیروی می‌کند. از آنجا که اندیسi به مشاهدات مقطعی و اندیس t به مشاهدات سری زمانی اشاره می‌کند، فرض کلاسیک باید برای uit  باید اصلاح و تعدیل گردد. امکانات مختلفی برای انجام این کار وجود دارد.

  • می‌توانیم فرض کنیم واریانس خطا برای تمام واحدهای مقطعی یکسان است یا می‌توانیم فرض کنیم واریانس خطا ناهمسان است.
  • می‌توانیم برای هر شخص فرض کنیم هیچ نوع خود همبستگی طی زمان وجود ندارد.
  • امکان دارد برای یک زمان معین جمله خطای معین با جمله خطای دیگری همبستگی داشته باشد یا می‌توانیم چنین فرض کنیم همبستگی وجود ندارد.
  • می‌توانیم درباره دیگر تبدیل وترکیبات جمله خطا فکر کنیم.

3-5-4)تخمين مدل رگرسيون با داده‌های ترکيبی : روش تاثيرات تصادفی

اگر چه کاربرد مستقیم مدل تاثیرات ثابت یا LSDV ممکن است امام این مدل می‌تواند از لحاظ درجه آزادی – اگر چند واحد مقطعی متععد داشته باشیم –  پرهزینه باشد. علاوه بر این کنتا معتقد است: یک پرسش در ارتباط با مدل کواریانس[یعنیLSDV] که آیا وارد کردن متغیرهای موهومومی – و از دست دادن درجات آزادی متعاقب آن- واقعا ضروری است.استدلال پایه‌ای مدل کواریانس آن است که در تصریح مدل رگرسیون در وارد کردن متغیرهای توضیحی مناسب که طی زمان تغییر نمی‌کنند موفق نشده ایم( وشاید متغیرهای توضیحی دیگری که طی زمان تغییر نمی‌کنند اما مقدار یکسان برای تمامی واحدهای مقطعی دارند، نیز وارد نکرده ایم) و وارد کردن متغیرهای موهومی پوشش و جبرانی برای این بی توجهی و ناآگاهی ماست.

اگر متغیرهای موهومی در حقیقت فقدان دانش و اطلاعات در به اره مدل (حقیقی) را نشان می‌دهند، چر این غفلت را از طریق جمله خطای Uit  بیان نمی‌کنند؟ این درست همان روش پیشنهاد شده توسط طرفداران مدل اجزای خطا(ECM) یا مدل تاثیرات تصادفی(REM) است. ایده اساسی و آغازین آن این طور شروع می‌شود.

(3-3)                                               Yit = B1i + B2x2it + B3x3it + Uit

به جای آنکه فرض کنیم B1i ثابت است، فرض می‌کنیم که متغیری تصادفی با مقدار میانگین B1 (بدون اندیس i ) است. و مقدار عرض از مبد أ برای شرکت تکی به صورت زیر بیان می‌شود:

B1i = B1  + ᵋi                                                                                                                                                  

i = 1,2,……,N

که درآن ᵋi جمله خطای تصادفی با میانگین صفر ورایانس ᵋ  2∂ است.

با جایگزینی دو معادله خواهیم داشت:

(3-4)                                         Yit = B1 + B2xit + B3x3it + ᵋi + Uit

=                                                                             B1  + B2xit + B3x3it + Wit

Wit = ᵋi +  Uit                                                                                                                                

جمله خطای ترکیبی متشکل است از دو جز i  ᵋ ، که جزخطای مقطعی یا تکی معین وصریح است و Uit که جزء خطای ترکیبی سری زمانی ومقطعی است.مدل اجزای خطا به این دلیل به این نام خوانده می‌شود که جمله خطای ترکیبی Wit ار دو یا چند جزء خطا تشکیل می‌شود.

مدل تاثيرات ثابت در مقايسه با مدل تاثيرات تصادفی:

چالش پيشروی محقق عبارت است از اینکه کدام مدل بهتراست، FEM یا ECM؟

پاسخ به این پرسش به فرض در رابطه با همبستگی احتمالی بین جزء خطای تکی یا قطعی معین، جزء خطایᵋi و متغیرهای توضیحی X بستگی دارد. اگر فرض شود ᵋi و X  ها ناهمبسته باشند، ECM مناسب است. درحالی که اگر همبستگی داشته باشند FEM مناسب است. دیدگاه‌های جاج در این به اره مفید است.

1- اگر T (تعداد دوره‌های سری زمانی) بزرگ و N (تعداد واحدهای مقطعی) کوچک باشد، احتمالاً اختلاف اندکی در مقادیر پارمترهای تخمین با FEM و ECM وجود دارد. بنابراین انتخاب در این حالت بر اساس سهولت محاسبات انجام می‌شود. از این لحاظ ، FEM مرجع است.

2- وقتی N بزرگ و T کوچک باشد، تخمین‌های به دست آمده به دو روش می‌توانند اختلاف قابل توجهی داشته باشند. به یاد داشته باشید درECM B1t = B1 +ᵋi است که در آن ᵋiجزء تصادفی مقطعی است ، در حالیکه در FEM ما B1i را ثابت و نه تصادفی فرض می‌کنیم. در حالت اخیر ، استنباط آماری مشروط به واحدهای مقطعی مشاهده شده در نمونه است. این نتیجه گیری درست و مناسب است ، اگر قویاً معتقد باشیم واحدهای تکی یا مقطعی در نمونه ، انتخاب‌هایی تصادفی از نمونه‌ای بزرگ‌تر نیستند. در این حالت ، FEM مناسب است. به هرحال اگر واحدهای مقطعی در نمونه انتخاب‌هایی تصادفی قلمداد شوند آنگاه ECM مناسب است ، زیرا در این حالت استنباط آماری مشروط نیست.

  • اگر جزء خطای تکیi ᵋ و یک یا چند متغیر توضیحی همبستگی داشته باشند آن گاه تخمین زن‌های ECM تورش دار هستند ، در حالی که تخمین زن‌های FEM ناتور هستند.
  • اگر N بزرگ و T کوچک باشد و فروض ECM برقرار باشد تخمین زن‌های ECM کاراتر از تخمین زن‌های FEM می‌شوند.

آیا آزمونی برای کمک به انتخاب از میان FEM و ECM وجود دارد؟ پاسخ مثبت است و آزمونی توسط هاسمن در سال 1978 تهیه و ارائه شده است. فرضیه صفر آزمون هاسمن آن است که تخمین زن‌های FEM و ECM اساساً اختلاف ندارند. تابع آزمون هاسمن توزیع مجانبی 2 X دارد. اگر فرضیه صفر رد شود، نتیجه آن است که ECM درست نیست و استفاده از FEM بهتر است که دران استنباط آماری بهi  ᵋ نمونه شرط است.

با وجود آزمون هاسمن مهم است که هشدار جانستون و دیناردو را به خاصر بسپاریم. این دو درباره انتخاب از میان مدل تاثیرات ثابت و تاثیرا ت تصادفی معتقدند‘”قانون ساده‌ای وجود ندارد تا محقق را برای انتخاب از میان تأثیرات ثابت و خطای اندازه گیری و گزینش پویا کمک کند. اگرچه داده‌های تابلویی نسبت به داده‌های مقطعی برتری دارند، اما چاره کاملی برای مسائل و مشکلات اقتصاد سنجی نیستند.

در برآوردهای تجربی مدل‌های رگرسیون تابلویی عموما سه دسته آزمون‌های پیش از تخمین مدل وجود دارد:

  1. آزمون‌های تلفیق پذیری (poolability): از آنجاکه در رهیافت تابلویی با تعدادی مقاطع طی یک دوره زمانی خاص روبرو هستیم، آنچه به عنوان یک سوال مهم مطرح می‌گردد این است که آیا ضرایب اثرگذاری متغیرهای توضیحی در بین مقاطع یکسان است (داده‌ها تلفیق پذیرند) یا اینکه مقطع به مقطع تغییر می‌کند و باید جداگانه برآورد گردد. آزمون تلفیق پذیری به محقق کمک می‌کند به این سوال پاسخ دهد. در تحقیقات تجربی داخلی ، عموما این آزمون صورت نمی‌گیرد در حالیکه از اهمیت ویژه‌ای برخوردار است.
  2. آزمون معناداری اثرات انفرادی : یکی از مهم‌ترین ویژگی‌های داده‌های تابلویی ترکیب مقاطع مختلف (استان‌ها، بنگاه‌ها، کشورها) در طول زمان است. سوال مهم در این زمینه آن است که آیا می‌توان داده‌ها را ترکیب کرد و یا اینکه برای هر مقطع یک نماینده ( اثر انفرادی مقطع) لحاظ نمود؟ آزمون F لیمر به این سوال پاسخ می‌دهد. فرضیه صفر این آزمون عدم معناداری اثرات انفرادی مقاطع است.
  3. آزمون معناداری اثرات تصادفی : اثرات انفرادی مقاطع می‌تواند به دو صورت در مدل لحاظ گردد. ثابت و تصادفی. آزمون معناداری اثرات تصادفی ، تصادفی بودن این اثرات را مورد آزمون قرار می‌دهد. مهم‌ترین مزیت اقتصادسنجی لحاظ تصادفی اثرات انفرادی مقاطع این است که تعداد پارامترهای قابل تخمین مدل کاهش می‌یابد و بدین ترتیب تعداد درجات آزادی کمتری از دست می‌رود. آماره این آزمون به روش-پاگان بودن و دارای توزیع کای دو با یک درجه آزادی است. فرضیه صفر این آزمون غیر تصادفی بودن اثرات انفرادی مقاطع است.
  4. آزمون انتخاب بین مدل‌های اثرات ثابت و تصادفی : در صورتیکه از آزمون F لیمر، معناداری اثرات انفرادی نتیجه شود، باید در مرحله بعد و قبل از تخمین مدل، بین دو نوع رویکرد ثابت و تصادفی بر اساس آزمون هاسمن انتخاب نمود. آزمون هاسمن دارای فرضیه صفر تصادفی بودن اثرات انفرادی مقاطع است. در مقابل فرضیه آلترناتیو این آزمون ثابت بودن اثرات انفرادی مقاطع است.

نکته شایان توجه آن است که، در برخی از مطالعات با توجه به ساختار پنل مورد مطالعه نوع رویکرد ( ثابت یا تصادفی بودن) انتخاب می‌گردد. به عنوان مثال مطالعه اقتصادهای نفتی اوپک عموما با رویکرد اثرات ثابت برآورد می‌گردد. مطالعه اقتصادهایی به صورت تصادفی و با ساختارهای متفاوت انتخاب شده‌اند،  عموما با رویکرد اثرات تصادفی مورد بررسی قرار می‌گیرد.

3-6)نحوه تجزيه وتحليل داده‌ها:

تجزیه و تحلیل داده‌های آماری با استفاده ار نرم افزار کامپیوتری stata 12 انجام خواهد شد که یک نرم افزار شناخته در تجزیه دادهای آماری  به ویژه داده‌های تابلویی می‌باشد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

4-1) مقدمه :

تجزیه و تحلیل داده‌ها فرآیندي چند مرحله‌ای است که طی آن داده‌هایی که از طریق به‌کارگیری ابزارهاي جمع آوري در نمونه آماري فراهم آمده‌اند خلاصه، کد بندی و دسته بندي و در نهایت پردازش می‌شوند تا زمینه برقراري انواع  تحلیل‌ها و ارتباط‌ها بین این داده‌ها به منظور آزمون فرضیه‌ها فراهم آید . در این فرآیند داده‌ها هم از لحاظ مفهومی و هم از جنبه تجربی پالایش می‌شوند و تکنیک‌های گوناگون آماري نقش بسزایی در استنتاج‌ها و تعمیم‌ها به عهده دارند (خاکی، 1376). تجزیه و تحلیل داده‌ها براي بررسی صحت و سقم فرضیات براي هر نوع تحقیق از اهمیت خاصی برخوردار است. امروزه در بیشتر تحقیقاتی که متکی بر اطلاعات جمع آوري شده از موضوع مورد تحقیق می‌باشد؛ تجزیه و تحلیل اطلاعات از اصلی‌ترین و مهم‌ترین بخش‌های تحقیق محسوب می‌شود. داده‌های خام با استفاده از فنون آماري مورد تجزیه و تحلیل قرار می‌گیرند و پس از پردازش به شکل اطلاعات در اختیار استفاده کنندگان قرار می‌گیرند. تجزیه و تحلیل داده‌های  پانل یکی از موضوعات جدید و کاربردی در اقتصاد سنجی می‌باشد، چرا که داده‌های پانلی محیط بسیار غنی از اطلاعات را برای گسترش دادن تکنیک‌های تخمین و نتایج تئوریک فراهم می‌آورد. به طور کلی تلفیق، از لحاظ داده‌ها بر دو قسم است:1)تلفیق‌های متوازن که در آن سری زمانی(t ) برای تمام مقاطع (i ) برابر است. 2) تلفیق‌های نا متوازن که یا اینکه تعداد مشاهدات مقطعی (i ) برای تمام دوره‌های  زمانی (t ) برابر نیست یا اینکه تعداد سال‌های مورد مطالعه برای تمام مشاهدات مقطعی برابر است.مدل رگرسیون پانل دیتا از نوع اول عبارت است از :

Yit = ai  + ß1xit +…+ᵋit

در معادله فوق، i بیانگر مقاطع و t بیانگر زمان است. Yit ماتریسی در ابعاد 1˟ NT ، X ماتریسی در ابعاد K ˟ NT می‌باشد و ß نیز، برداری به بعد 1 ˟ K است. در اینجا K تعداد متغیرهای توضیحی موجود(بدون احتساب عرض از مبدأ) در Xit  می‌باشد. به طور کلی، در صورتی که(ai ) برای تمام مقاطع،  ثابت در نظر گرفته شود، روش ols برآوردهای کارا و سازگاری از ß و a ارائه خواهد. زیرا در این حالت فقط داده‌ها روی هم انباشته شده‌اند که اصطلاحاً به آن داده‌های تلفیقی یا پولینگ دیتا گفته می‌شود. اما در صورتی که در بین مشاهدات، ناهمگنی یا تفاوت‌های فردی وجود داشته باشد از روش‌های دیگر برای تخمین استفاده می‌شود. برای بررسی این گونه مدل‌ها ، از روش پانل دیتا استفاده می‌شود که خود شامل روش اثرات ثابت و اثرات تصادفی است. در این تحقیق، ابتدا نوع داده‌های را مشخص کرده و سپس با توجه به آزمون‌های مرتبط همچون لیمر، هاسمن، به روش – پاگان نسبت به انتخاب مدل‌ها و تفسیرآنها و در نهایت برآورد کلی مدل اقدام خواهیم کرد.

4-2)آزمون ريشه واحد:

     پیش از بررسی ارتباط بین متغیرها و برآورد مدل‌ها، باید متغیرهای

تکه های دیگری از این پایان نامه را می توانید

در شماره بندی فوق بخوانید

متن کامل پایان نامه ها در سایت homatez.com موجود است

You may also like...