پایان نامه با کلمات کلیدی داده های تابلویی، داده های تلفیقی، اثرات ثابت

دانلود پایان نامه ارشد

آزمون چاو و آزمون هاسمن و انتخاب روش اثرات ثابت، تصادفی یا Pooled اقدام به برآورد ضرایب مدل با استفاده از روش حداقل مربعات تعمیم یافته برآوردی(EGLS) گردید.

3-2-3)مزایای استفاده از داده های تابلویی
استفاده از داده های تابلویی دارای مزایای فراوانی است. در ذیل پاره ای از این مزایا معرفی می گردد:
از آنجایی که داده های تابلویی به افراد، بنگاهها، کشورها و… طی زمان ارتباط دارند، وجود نا همسانی واریانس در این واحدها محدود می شود. تکنیک های تخمین با داده های تابلویی می توانند این ناهمسانی واریانس را با متغیرهای تکی خاص مورد بررسی و ملاحظه قرار دهند.
با ترکیب مشاهدات سری زمانی و مقطعی، داده های تابلویی با اطلاعات بیش تر، تغییر پذیری بیش تر، هم خطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیش تر را ارائه می نمایند.
داده های تابلویی، چارچوبی مناسب برای تحلیل کلی داده ها فراهم نموده و در حذف یا کاهش خطای برآورد نقش مهمی را ایفا می نماید.
داده های تابلویی، تأثیراتی را که نمی توان به سادگی در داده های مقطعی و سری زمانی مشاهده کرد، بهتر معین می کند.
داده های تابلویی ما را قادر می سازد تا مدل های رفتاری پیچیده تر را مطالعه کنیم.
بطور کلی باید گفت داده های تابلویی تحلیل های تجربی را به شکلی غنی می سازند که در صورت استفاده از داده های سری زمانی و مقطعی این امکان وجود ندارد(گجراتی، 1383، ص 87).

3-2-4)تخمین مدل رگرسیون با داده های تابلویی
چارچوب اصلی برای داده های تابلویی به صورت زیر است:
Yit= αi+ βxit+ uit (3-11)
که در آن:
αi = عرض از مبدأ
Xit= شامل k متغیر توضیحی است یعنی(kβ,….,2β, 1β)=β
uit = جمله اخلال مدل می باشد که از فروض کلاسیک رگرسیون خطی پیروی می کند. یعنی E (u_it )~N.(0,δ^2)
i = تعداد مقاطع i = 1,2,…N
t = دوره زمانی t = 1,2,…T
در این صورت تخمین معادله فوق به فروض ما درباره عرض از مبدأ، ضرایب شیب و جمله خطای uit بستگی دارد. روش های چندی در رابطه با این فروض وجود دارد که به پنج حالت زیر تقسیم می شود:
عرض از مبدأ و ضرایب شیب در طول زمان و در مقاطع ثابت بوده و جمله خطا در طول زمان و برای مقاطع مختلف متفاوت است.
ضرایب شیب ثابت بوده، اما عرض از مبدأ برای مقاطع مختلف، متفاوت است.
ضرایب شیب ثابت بوده، اما عرض از مبدأ برای مقاطع و در طی زمان متفاوت است.
تمامی ضرایب و عرض از مبدد و ضرایب شیب، برای مقاطع مختلف، متفاوت است.
تمامی ضرایب و عرض از مبدد، هم نسبت به زمان و هم نسبت به واحدهای مقطعی متفاوت است ( گجراتی، 1383، ص 88).

3-2-5)مسائل مورد توجه در تخمین مدل
با توجه به اینکه قبل از تخمین و اجرای مدل های رگرسیونی، لازم است از وجود برخی شرایط در بین متغیرها اطمینان حاصل شود بنابراین به منظور اطلاع از برخورداری داده های تحقیق از شرایط لازم، انجام تعدادی آزمون بر روی متغیرها ضروری می باشد. برای مثال، از مفروضات ابتدایی مدل های رگرسیونی و شرط استفاده از این مدل ها، نرمال بودن توزیع داده های مربوط به متغیرهای تحقیق است. برای بررسی سایر موارد مربوط به متغیرها و داده های تحقیق نیز آزمون های لازم صورت گرفته است که در ادامه به اختصار به کلیات آن ها اشاره می شود.

3-2-5-1)نرمال بودن
برای بررسی نرمال بودن داده ها از آزمون های نرمال بودن75 استفاده می شود. این آزمون ها به طور کلی به دو گروه شامل روش های ترسیمی76 و روش های عددی77 تقسیم می شود. روش های ترسیمی تنها تصویری از توزیع متغیر تصادفی یا ارائه می کنند. اما روش های عددی قادرند معیاری عینی و کمی برای قضاوت در خصوص نرمال بودن توزیع متغیر تصادفی فراهم نمایند. در روش های عددی میتوان هم از آمار توصیفی و هم از تکنیک ها و آزمون های مختلف آمار استنباطی استفاده کرد. در این تحقیق با استفاده از آزمون جارک-برا (به عنوان یک روش عددی) به آزمون نرمال بودن داده ها پرداخته شده است. در این آزمون از اختلاف بین ضریب کشیدگی و چولگی داده های مورد بررسی می توان به نرمال بودن توزیع داده ها پی برد.
در این آزمون، فرض صفر مبتنی بر نرمال بودن است که در صورت به دست آمدن احتمال تأیید کمتر از 5 درصد، فرض صفر با احتمال 95 درصد رد می شود. این آزمون در جریان بررسی آمار توصیفی داده های تحقیق انجام شده است(افلاطونی، نیک بخت، 1389، ص 108).

3-2-5-2)نا همسانی واریانس78
یکی از مهمترین، فروض مدل کلاسیک رگرسیون خطی این است که اجزای اخلال uit که در تابع رگرسیون، جامعه ظاهر می شوند، دارای واریانس همسان می باشند یعنی: i=1,2,…,n E(u_i^2 )= σ^2 اگر این فرض تأمین نشود دارای ناهمسانی واریانس خواهیم بود. مشکل ناهمسانی واریانس، در داده های مقطعی متداول تر از داده های زمانی است. از آن جایی که یکی از ابعاد داده های تابلویی، بعد مقطعی می باشد. لذا در تحقیق حاضر امکان مواجه با مسأله ناهمسانی واریانس وجود دارد.
برای رفع ناهمسانی واریانس می توان از روش حداقل مربعات تعمیم یافته(EGLS) استفاده کرد(گجراتی، 1383، ص 89). در این تحقیق، به منظور رفع نا همسانی واریانس از تخمین زن های(EGLS) استفاده شده است.

3-2-5-3)خود همبستگی
یکی دیگر از موارد نقص فروض کلاسیک، وجود همبستگی پیاپی79 یا خود همبستگی80 در رگرسیون است که به وضعیتی اشاره می کند که در آن میان اجزای اخلال نوعی رابطه همبستگی برقرار است. چنین حالتی به دلیل ارتباط جزء اخلال هر مشاهده ( تفاوت متغیر وابسته با مقدار تخمینی اش) با جزء اخلال مشاهده دیگر، به وجود می آید. همبستگی پیاپی یا خود همبستگی در چندین نوع یا مرتبه قابل مشاهده است. برای مثال، در همبستگی پیاپی مرتبه اول81 اجزای اخلال یک دوره زمانی به طور مستقیم با اجزای اخلال یک دوره بعد همبستگی دارند. راه حل متداول برای بررسی احتمال وجود همبستگی پیاپی، استفاده از آماره دوربین واتسون82 می باشد که در این تحقیق نیز برای این منظور به کار گرفته شده است. این اماره به طور معمول بین صفر تا 4 تغییر می کند. مرز تقریبی همبستگی پیاپی مثبت و منفی عدد 2 است. اگر آماره بالاتر از 2 باشد بیانگر وجود خود همبستگی منفی و اگر کمتر از 2 باشد نشان دهنده وجود خود همبستگی مثبت است. چنانچه آماره در حدود 2 باشد به این معنی است که در رگرسیون، خود همبستگی مرتبه اول وجود ندارد. از طریق مراجعه به جداول آماری مربوط به دوربین واتسون می توان نسبت به رد یا قبول وجود خود همبستگی قضاوت و نتیجه گیری کرد. با تشخیص ساختار همبستگی ها به ویژه با آزمون نمودار ACF یا آزمون تشخیص ساختار ARMAدر Eviews6 می توان روش مناسب برای رفع خود همبستگی را در مدل یافت. به این ترتیب در صورت برخورداری از ساختار ARMA مدل با اضافه کردن به ترکیبات AR یا MA در بین مؤلفه های مدل اجرا می گردد( جعفری سرشت، 1389).

۳-2-5-4) هم خطی
همخطی در اثر ارتباط خطی یا فنی متغیرهای مستقل مدل به وجود می آید. معیار تشخیص همخطی (که به تورم واریانس معروف است) مبتنی بر تغییر ضریب تعیین و واریانس رگرسیون در نتیجه ورود متغیرهای هم خط به مدل است. از جنبه کاربردی، تا زمانی که میزان توضیح دهندگی مدل به واسطه ورود متغیرهای هم خط کاسته نشود و ضرایب رگرسیونی آنها نیز معنادار باشد در جهت رفع هم خطی اقدامی صورت نمی گیرد. راهکار رفع همخطی پیش از حذف متغیرهای شدیداً همخط، استفاده از تحلیل عاملی یا همان ادغام کردن تأثیر متغیرهای همخط در قالب یک متغیر روی مدل است(جعفری سرشت، ۱۳۸۹).

3-2-5-5)مانایی متغیرها
به کارگیری روش های سنتی در اقتصاد سنجی مبتنی بر فرض مانایی سری زمانی است. اما بررسی های انجام شده در این زمینه نشان می دهد که این فرض درباره بسیاری از سری های زمانی متغیرهای اقتصادی، اشتباه بوده و بیشتر متغیرها نامانا هستند. اگر متغیرهای سری زمانی مانا نباشند ممکن است مشکلی به نام رگرسیون کاذب رخ دهد(مهرگان و رضایی، 1388، ص 122). در این نوع رگرسیون ها در عین حالی که ممکن است هیچ رابطه یا مفهومی بین متغیرهای الگو وجود نداشته باشد، ضریب تعیین بدست آمده به احتمال زیاد بسیار بالاست و موجب می شود که محقق به استنباطهای غلطی در مورد میزان ارتباط بین متغیره دست یابد. بنابراین ضروری است که مانایی یا نامانایی متغیرهای مورد استفاده در مدل مورد بررسی قرار گیرد. به منظور پرهیز از به کارگیری سری های زمانی نامانا در مدل های سری زمانی و مختلط از سه روش زیر می توان متغیرهای موجود در مدل را آزمون کرد:
الف) روش ترسیمی
ب) روش همبسته نگار( که تابع خود همبستگی را در مقابل تعداد مشخصی وقفه ترسیم می کند)
ج) روش آزمون ریشه واحد
به منظور بررسی مانایی متغیرها در این تحقیق از آزمون ریشه واحد استفاده شده است.

3-2-6) انواع مدل های داده های تلفیقی
مدل های مربوط به داده های تلفیقی از انواع مختلف مدل ها تشکیل شده است. در یک طبقه بندی کلی می توان مدل های مزبور را بشرح زیر طبقه بندی نمود(مشکی، ۱۳۹۰):
الف. مدل داده های تلفیقی ایستا83
ب. مدل داده های تلفیقی پویا84

3-2-6-1)مدل داده های تلفیقی ایستا
مدل داده های تلفیقی ایستا خود شامل سه مدل بشرح زیر می باشد:
الف. مدل ضرایب ثابت (CCM)85
ب. مدل اثرات ثابت (FEM)86
ج. مدل اثرات تصادفی (REM)87

3-2-6-1-1)مدل ضرایب ثابت
در صورتی که هیچکدام از اثرات مقطعی و یا اثرات زمانی تفائت معناداری از یکدیگر نداشته باشند، در آن صورت می توان تمامی داده ها را با هم ترکیب نموده و بوسیله رگرسیون حداقل مربعات معمولی (OLS) تخمین زد. مدل مزبور، مدل رگرسیون ترکیبی88 نیز نامیده می شود. شکل کلی مدل با فرض وجود سه متغیر مقطعی ( سه شرکت )، ده دوره زمانی (1991-2000) و دو متغیر مستقل بشرح زیر خواهد بود:
y_it=α_1+β_1 x_1it+β_2 x_2it+u_it (3-12)
i=1,2,3 t=1,2,3,……10
در رابطه فوق y نشان دهنده متغیر وابسته،i نشان دهندهi امین واحد مقطعی، t نشان دهنده t امین دوره زمانی، xit نشان دهنده برداری از متغیر های مستقل و uit جمله خطا می باشد. اگر هر واحد مقطعی دارای تعداد یکسانی از مشاهدات سری زمانی باشد، در آن صورت داده های ترکیبی، متوازن نامیده شده ودر غیر اینصورت نامتوازن تلقی خواهد شد.

3-2-6-1-2)مدل اثرات ثابت
در این مدل، ضرایب شیب واحدهای مقطعی (شرکتها) ثابت بوده و لیکن عرض از مبدأ برای هر یک متفاوت می باشد. در این مدل با وجود آنکه عرض از مبدأ برای هر یک از شرکت ها متفاوت می باشد و لیکن در طول زمان ثابت بوده و تغییر نمی کند و به همین دلیل نیزبه مدل اثرات ثابت معروف شده است. با در نظر گرفتن مفروضات قبلی، شکل کلی مدل مزبور بشرح زیر خواهد بود:
y_it=α_1i+β_1 x_1it+β_2 x_2it+u_it (3-13)
اندیس i در جمله فوق نشان دهنده این مطلب است که عرض از مبدأ برای هر یک از واحدهای مقطعی (شرکت ها) متفاوت بوده ولی در طول زمان ثابت است.
3-2-6-1-3)مدل اثرات تصادفی
در صورتیکه متغیرها به صورت تصادفی انتخاب شده باشند و بین متغیرهای توضیحی و خطاها همبستگی وجود نداشته باشد، می توان برای رسیدن به تخمین کارا و سازگار از روش اثر تصادفی استفاده نمود. طرفداران روش اثرات تصادفی چنین استدلال می کنند که آوردن متغیرهای مجازی در مدل رگرسیون، پوششی برای بی توجهی و ناآگاهی ما از وجود متغیرهای توضیحی مناسب و بکار گرفتن آن در مدل تخمین می باشد. لذا در این مدل اثرات تصادفی مبتنی بر رابطه 3-13 می باشد. در این مدل به جای آنکه فرض شود α_1i ثابت است، فرض می شود متغیری تصادفی با میانگین α_1

پایان نامه
Previous Entries پایان نامه با کلمات کلیدی داده های تلفیقی، تمرکز مالکیت، متغیر مستقل Next Entries پایان نامه با کلمات کلیدی داده های تلفیقی، اثرات ثابت، مدل رگرسیون