پایان نامه رایگان با موضوع اثرات ثابت، قیمت مسکن، سریهای زمانی، دوره های زمانی

دانلود پایان نامه ارشد

هاسمن
برای انتخاب بین مدل اثرات ثابت و تصادفی از آزمون هاسمن استفاده می شود . برای این منظور ابتدا مدل را با اثرات تصادفی تخمین زده سپس آزمون هاسمن را برای انتخاب بین مدلهای اثرات ثابت وتصادفی انجام می دهیم.نتایج آزمون هاسمن که با استفاده از نرم افزار eviews8 انجام شده است فرضیه صفر مبنی بر برتری مدل اثرات تصادفی را رد می کندمقدار آماره برابر 37.85 و احتمال آن نیز برابر0.000 است.

4-5-نتایج برآورد مدل اثرات ثابت
نتایج برآورد مدل به روش اثرات ثابت در جدول (4-7) آمده است:

جدول(4-7):نتایج برآورد مدل به روش اثرات ثابت:
احتمال
مقدارآماره t
ضریب
متغیرها
0.0018
1.72
0.12
pland
0.000
8.50
0.79
cost
0.28
-1.07
-0.78
pop
0.027
-2.21
-0.20
gdp
0.65
0.45
0.04
un
0.86
1.12
16.79
c
0.000

34.80
F

0.85
R2
ماخذ:یافته های تحقیق

در جدول فوق تنها ضرایب متغیرهای pland ،cost وgdp از لحاظ آماری معنی دار هستند که ضریب متغیر gdp برخلاف مبانی نظری ارائه شده است.

4-6-آزمونهای تشخیصی
در این قسمت مدل تخمین زده شده را از لحاظ واریانس ناهمسانی و خود همبستگی در پسماندها مورد بررسی قرار می دهیم.
4-6-1-آزمون واریانس ناهمسانی
فرضیه صفر در آزمون عدم وجود واریانس ناهمسانی است.نتایج آزمون برای مدل (1) بصورت زیراست:

Modified Wald test for groupwise heteroskedasticity
in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i
chi2 (30) = 347.41
Probchi2 = 0.0000

با توجه به احتمال بدست آمده (0.000) وجود واریانس ناهمسانی بین مقاطع رد نمی شود.

4-6-2-آزمون خودهمبستگی
برای آزمون خودهمبستگی از آزمونی که توسط وولدریج (Wooldridge,2002 )پیشنهاد شده است و از نرم افزار stata استفاده می کنیم.برای انجام آزمون فوق باید مدل تجمیعی (pooled )را تخمین زد و سپس در نرم افزار stata با استفاده از دستور xtserial که توسط دراکر(Drukker,2003 ) برای آزمون خود همبستگی در stata نوشته شده است به آزمون مجود خودهمبستگی اقدام کرد..محدودیت این آزمون این است که تنها خود همبستگی مرتبه اول را آزمون می کند.

xtserial hp pland cost pop gdp un if e(sample)
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 29) = 34.068
Prob F = 0.0000

نتایج آزمون وجود خود همبستگی مرتبه اول در اجزاء خطا را تایید می کند.

4-7-تخمین مدل به روش GLS وآزمون نرمال بودن پسماندها
در این قسمت ابتدا برای لحاظ واریانس ناهمسانی و خود همبستگی مدل ایستا را با روش GLS برآورد کرده و سپس برای مدل برآورد شده آزمون نرمال بودن پسماندها انجام شده است .
-1-7-4تخمین مدل به روش GLS
برای تخمین مدلی که واریانس ناهمسانی و خودهمبستگی در آن لحاظ شودبا استفاده از روش GLS و نرم افزار stata مدل را با لحاظ کردن واریانس ناهمسانی در بین مقاطع و وجود خود همبستگی ا برآورد می کنیم.برای این منظور دستور زیررا در نرم افزار stata اجرا می کنیم:

xtgls hp pland cost pop un gdp,panels(heterosk) corr(psar1) rhotype(dw)

دردستور فوق عبارت panels(heterosk) مدل را با روش GLS و با لحاظ واریانس ناهمسانی و عبارت corr(psar1) برای لحاظ خودهمبستگی مرتبه اول AR(1)) ) در مدل می باشد. عبارت rhotype(dw) روشی است که محاسبه پارامتر خود همبستگی بر اساس آن انجام می شود که در اینجا روش دوربین واتسون انتخاب شده است.
نتایج تخمین با عبارت فوق در جدول (4-8) آمده است:

جدول(4-8):نتایج برآورد مدل با لحاظ واریانس ناهمسانی و خود همبستگی
احتمال
آماره z
ضریب
متغیر
0.000
7.19
0.20
pland
0.000
6.80
0.39
cost
0.612
-0.51
-0.02
pop
0.007
2.71
0.13
gdp
0.713
0.37
0.01
un
0.000
6.88
4.65
c
ماخذ:یافته های تحقیق

در نتیجه مدل نهایی حاصل شده به روش GLS بصورت زیر است:
Hpit=4.65+0.20pland+0.39cost+0.13gdp

در مدل نهایی بدست آمده کشش قیمت مسکن نسبت به هزینه ساخت در طی سالهای مورد بررسی برابر0.39 درصد بوده است که بیشترین تاثیررا بر قیمت مسکن داشته است پس از آن کشش قیمت مسکن نسبت به زمین برابر 0.20 درصد می باشد.کشش قینت مسکن نسبت به تولید ناخالص داخلی برابر 0.13 درصد است.

-2-7-4بررسی نرمال بودن پسماندهای مدل GLS
اگر توزیع پسماندهای رگرسیون نرمال نباشد در باره استفاده از توزیع هایt و z استاندارد برای انجام آزمون فروض اطمینان وجود نخواهد داشت.( اندرس،اقتصادسنجی سریهای زمانی بارویکرد کاربردی)بنابراین با استفاده از آزمون jb (jarque-bera ) به بررسی پسماندهای مدل بدست آمده می پردازیم.فرضیه صفر در این آزمون نرمال بودن توزیع پسماندها است.این آزمون را با استفاده از نرم افزار stata انجام می دهیم.

jb rt
Jarque-Bera normality test: 5.17 Chi(2) .0754
Jarque-Bera test for Ho: normality

با توجه به احتمال بدست آمده فرضیه صفر مبنی بر نرمال بودن توزیع پسماندها در سطح 5 درصد و 10 درصد تایید می شود اما در سطح 1 درصد رد می شود.برای اطمینان از صحیح بودن مقادیر آماره z و احتمالهای حاصله و فواصل اطمینان می توان این مقادیر را از روش خود پردازی (Bootstrapped )بدست آورد.فرآیند خود پردازی شبیه تجربه مونت کارلو است اما با یک تفاوت اساسی.در روش مونت کارلومتغیر تصادفی را از یک توزیع مفروض مانند توزیع نرمال استاندارد استخراج می نماییم .در فرآیند خود پردازی رویکرد دیگری وجود دارد و آن اینکه متغبرهای تصادفی را از توزیع مشاهده شده آنها بدست می آوریم.اصولا روش خود پردازی مبتنی بر قاعده ضربه می باشد. براساس این قاعده توزیع مشاهده شده یک متغیر تصادفی ،بهترین برآورد از توزیع واقعی آن می باشد.
ایده استفاده از روش خود پردازی را افرون 41(1979 ) مطرح نمود. افرون این نکته اساسی را مطرح کرد که مجموعه داده های مشاهده شده عبارت است از یک نمونه تصادفی با حجم T که از توزیع احتمال واقعی داده ها حاصل شده است.به عبارت دیگر توزیع تجربی داده ها بهترین برآورد از توزیع واقعی داده ها محسوب می گردد.بدین ترتیب تابع توزیع تجربی بصورت یک توزیع گسسته تعریف می شود که در آن ،احتمال وقوع هر یک از مقادیر مشاهده شده برابر با 1/T می باشد.لذا آنچه متغیر تصادفی را می سازد تابع توزیع تجربی است و نه یک توزیع از پیش تعیین شده مانند توزیع نرمال.
برای انجام روش خودپردازی انجام مراحل زیر لازم است :
1-مدل را تخمین زده و پسماندهای آن را بدست می آوریم.
2-یک نمونه خودپردازش شده حاوی پسماندهای حاصله از مرحله یک را تشکیل می دهیم.برای نمونه فرض می کنیم 10 مقدار از دنباله پسماندها {ε } را در اختیار داریم .با استفاده از این مقادیر می توان تعداد زیادی از دنباله مقادیر خود پردازش شده را بدین صورت بدست آورد که حاوی 10 مقدار انتخابی از دنباله {ε } باشد که بصورت تصادفی و با احتمال 1. 0 از دنباله {ε }انتخاب شده اند و در دوره های زمانی مختلف جایگذاری شده اند.شاید بنظر برسد در این نمونه سازی بطور مکرر ،داده های نمونه مشاهده شده تکرار می شود امابا نمونه سازی از طریق تکرارممکن است برخی عناصر در نمونه بیش از یکبار تکرار شوند(والتر اندرسواقتصادسنجی سریهای زمانی با رویکرد کاربردی)
3-با استفاده از نمونه خود پردازش شده مقادیر جدید ضرایب را تخمین می زنیم.
4-مرحله دوم و سوم را بارها و بارها تکرار می کنیم و مقادیر دیگری از ضرایب را از این روش بدست می آوریم.توزیع این مقادیر (ضرایب) برآورد شده می بایست مشابه توزیع مقادیر ضرایب اصلی باشد. (اندرس،ص 495 )
نتایج حاصله از روش خودپردازی در جدول (4-9)آمده است:

جدول (4-9):آماره z واحتمال بدست آمده به روش خورپردازی با نرم افزار stata12
احتمال
آماره
متغیر
0.000
6.65
pland
0.000
3.97
cost
0.316
-1.00
pop
0.007
2.67
gdp
0.454
0.75
un
0.000
7.71
c
ماخذ:یافته های تحقیق

مقدار شبیه سازی در نظر گرفته شده 1000 بار است.مقادیر آماره z حاصله از روش خودپردازی تفاوت قابل ملاحظه ای با مقادیر بدست آمده حاصل از تخمین به روش GLS دارد اما مقادیر احتمال بدست آمده در روش خودپردازی در جدول فوق تاییدی بر مقادیر احتمال بدست آمده از توزیع Z است.
4-8-مقایسه نتایج حاصله برای مدل ایستا به روشهای مختلف
در مدل نهایی که به روش GLS برآورد شده است مهمترین عامل موثر بر قیمت مسکن در طی سالهای 1383 تا 1390 متوسط هزینه ساخت یک متر مربع واحد مسکونی بوده است .کشش قیمتی یک متر مربع مسکن نسبت به هزینه ساخت یک متر مربع مسکن برابر 0.41 درصد می باشد.پس از آن مهمترین عامل موثر بر قیمت مسکن قیمت یک متر مربع زمین است. برای مقایسه بین مدل اثرات ثابت و مدل تخمین زده شده با روش GLS و مدل برآورد شده با روش OLS هر سه مدل در جدول (4-10) آمده است:

جدول(4-10):مقایسه نتایج حاصل شده از روشهای ols,gls,fe
gls
fe
ols
متغیر
0.20243892***
0.1259429**
0.31131289***
pland
0.39212889***
0.79540285***
.24615462***
cost
-0.02941433
-0.78348817
-0.05920929
pop
0.1373538**
-0.20708169*
0.14146276**
gdp
0.01591125
0.04019561
0.04220893
un
4.6576122***
16.794645
5.4812404***
c
legend: * p<0.05; ** p<0.01; *** p<0.001
ماخذ:یافته های تحقیق

مقایسه بین روشهای تخمینی و ضرایب بدست آمده از این روشها می تواند نتایج مهمی برای انتخاب روش تخمین داده های پنل بدنبال داشته باشد.درجدول فوق ضرایبی که سه ستاره در کنار آنها قرار گرفته است در سطح 0.001 درصد و ضرایبی که در کنار آنها دو ستاره قرار گرفته است در سطح 0.01 درصد و ضرایبی که در کنار آنها یک ستاره قرار گرفته است در سطح 0.05 در صد معنی دار هستند .ضرایب فاقد ستاره نیز در هیچ یک از سطوح از لحاظ آماری معنی دار نیستند.درهر سه روش ضرایب متغیرهای pland و cost از لحاظ آماری معنی دار و علامت ضرایب نیز منطبق بر مبانی نظری است . ضریب متغیرهای un و pop در هیچ یک از سه روش از نظر آماری معنی دار نیست.همچنین مقدار ضریب حاصله از روش اثرات ثابت برای متغیر cost بسیار متفاوت از دو روش دیگر است مقدار ضریب بدست آمده با نتایج مشاهده شده منطبق نیست (تاثیر هزینه بر قیمت مسکن زیاد برآورد شده است)که نشان دهنده تورش دار بودن نتایج حاصله از روش اثرات ثابت با وجود واریانس ناهمسانی و خود همبستگی است.ضمن اینکه عرض از مبدا نیز در مدل اثرات ثابت معنی دار نیست.

4-9-برآورد مدل پویا
مدل تخمین زده شده به روش آرلانو-باور وبا خطای مستحکم وایت برای تصحیح مقدار آماره z باوجود واریانس ناهمسانی در جدول (4-11) آمده است:

جدول(4-11):نتایج برآورد مدل پویا به روش GMM
احتمال
آماره z
ضریب
متغیر
0.000
5.33
0.27
hp(-1)
0.000
5.44
0.18
pland
0.001
3.32
0.30
cost
0.005
2.80
0.25
pop
0.103
1.63
-0.09
gdp
0.551
0.60
0.48
un
0.088
1.71
2
c
ماخذ:یافته های تحقیق

در مدل برازش شده ضرایب متغیر های gdp و Un از نظ آماری معنی دار نیست همچنین عرض از مبدا نیز در سطح 10 در صد معنی دار است .در مدل پویای فوق بیشترین تاثیر بر قیمت مسکن را متغیر cost یعنی هزینه ساخت هر متر مربع واحد مسکونی داشته است.در واقع با توجه به log-log بودن مدل برازش شده ضرایب متغیرها کشش قیمت مسکن نسبت به متغیرها را نشان می دهد.یعنی با فرض ثبات سایر متغیرها یک در صد افزایش در هزینه ساخت مسکن موجب 0.30 درصد تغیر در قیمت مسکن می شود.بقیه ضرایب نیز به همین منوال قابل تفسیر است.
4-10-مقایسه نتایج دو مدل ایستا و پویا
نتایج دو مدل ایستا و پویای تخمین زده شده در جدول (4-12) آمده است:

جدول(4-12):مقایسه روشهای GMM و GLS
GMM
GLS
متغیر
0.18404843***
0.20243892***
pland
0.30737264***
0.39212889***
cost
0.25169774**
-0.02941433
pop
-0.09930661
0.1373538**
gdp
0.04809724
0.01591125
un
0.27889032***

hp(-1)
2.0011261
4.6576122***
c
legend: * p<0.05; ** p<0.01; *** p<0.001
منبع :یافته های تحقیق

نتایج جدول فوق نشان می دهد که کشش قیمت مسکن نسبت به متغیر pland (قیمت هر متر مربع زمین مسکونی) در دو مدل ایستا و پویا نزدیک به هم است.در مدل پویا کشش قیمت مسکن نسبت به متغیر هزینه در مدل ایستا بیشتر از مدل پویا است .در مدل ایستا متغیر pop(جمعیت) معنی دار نیست ولی در مدل پویا نه تنها این متغیر معنی دار است بلکه دارای تاثیر بالایی نیز بر قیمت مسکن است.متغیر gdp (تولید ناخالص داخلی ) در مدل پویا معنی دار نیست اما در مدل ایستا (کوتاه مدت) بر قیمت مسکن تاثیر گذار است.متغیر un(نرخ بیکاری) در هیچ یک از دو مدل برازش شده معنی دار نیست.قیمت مسکن سال قبل بر قیمت مسکن سال بعد از آن تاثیر گذار است که نشان دهنده پویایی قیمت مسکن دارد.با توجه به نتایج مدلهای بدست آمده می توان نتیجه گرفت که نرخ بیکاری در دوره مورد بررسی بر قیمت مسکن تاثیر گذار نبوده است و این فرضیه که مناطق با نرخ بیکاری کمتر دارای قیمت مسکن بلاتری هستند رد می شود.اما در کوتاه مدت مناطق دارای gdp بیشتر(ثروتمندتر) دارای قیمت مسکن بالاتری هستند(ضریب این متغیر از نظر آماری معنی دار است) اما در بلند مدت(پس از گذشت یک دوره که در این بررسی برابر یک سال است) متغیر gdp بر قیمت مسکن بی تاثیر است.دلیل این تغیر را می توان این گونه تفسیر کرد که در کوتاه مدت مناطق دارای تولید ناخالص بیشتر که در نتیجه آن خانوارها دارای درآمد بیشتری هستند در نتیجه این درآمد بالاتر قیمت مسکن در این مناطق نیز افزایش یافته و این افزایش موجب افزایش قیمت مسکن در مناطقی که دارای تولید ناخالص کمتری هستند نیز می شود در نتیجه قیمت مسکن در مناطق دارای gdp پایین نیز افزایش می یابد.

4-11-بررسی تاثیر همجواری با استان تهران در قیمت مسکن استانهای همسایه
با استفاده از مدلهای نهایی بدست آمده می توان فرضیه های مختلفی را آزمود . آیا همجواری با بعضی از استانها ی مهم و تاثیر گذار مانند تهران بر قیمت مسکن استانهای همجوار تاثیر گذار است. با متغیر مجازی می توان این فرضیه راآزمود .
در بررسی و تحلیل نموداری مشخص شد که تعداد زیادی از استانهای همسایه تهران مانند مرکزی ،قم و قزوین جزء ده استانی هستند که دارای بالاترین قیمت مسکن در کشور هستند و از میان استانهای همسایه و هم مرز با استان تهران تنها استانهای سمنان و مازندران در بین ده استانی که دارای بالاترین قیمت مسکن هستند قرار ندارند که در این میان استان مازندران در بین 10 استانی که دارای متوسط قیمت مسکن هستند در رده اول قرار دارد.تنها استان سمنان از بین استانهای همجوار پایتخت در بین 10 استانی که دارای پایین ترین قیمت مسکن در کشور هستند قرار گرفته است. نحوه تاثیر پذیری قیمت مسکن در این استانها از استان تهران می تواند بصورتهای گوناگونی باشد .اما می توان انتظار داشت که بیشترین تاثیر پذیری این استانها از استان تهران در متغیرهای pland و gdp صورت گیرد.برای این منظور متغیر مجازی dum2 را بدین صورت در مدل وارد می کنیم که برای استانهای همسایه استان تهران مقداریک و برای بقیه استانها مقدار صفر قرار داده می شود .
در این قسمت برای بررسی تاثیر همزمان متغیر مجازی بر عرض از مبدا و شیب رگرسیون استانهای همجوار استان تهران متغیر مجازی را هم بصورت حاصل جمع و هم بصورت حاصل ضرب با متغیرهای مورد آزمون وارد هر دو مدل می کنیم نتایج در جدول (4-13) خلاصه شده است:

جدول(4-13):نتایج تاثیر همجواری با استان تهران بر عرض از مبدا و شیب رگرسیون:
GMM
GLS
متغیر
0.21324176*
0.26679696****
pland
0.30889115***
0.39331726***
cost
0.26951416**
-0.03195988
pop
– 0.19330241
0.22134739*
gdp
0.04644735
0.01921475
un
0.27460598***

hp(-1)
3.0459018
2.1930258
c
-0.02031612
-0.06278652
d2pland
0.07669609
-0.06124989
d2gdp
-1.0711444
2.0327758*
dum2
legend: * p<0.05; ** p<0.01; *** p<0.0
ماخذ:یافته های تحقیق

با توجه به نتایج جدول فوق در مدل پویا ضرایب متغیر مجازی وارد شده چه بصورت حاصل جمع و چه بصورت حاصلضرب با متغیرهای مورد آزمون ازنظر آماری معنی دار نیست.اما در مدل ایستا متغیر مجازی بصورت حاصل جمع در سطح 5 درصد معنی دار است بنابراین می توان نتیجه گرفت که همجواری با استان تهران در کوتاه مدت بر تنها باعث افزایش عر ض از مبدا رگرسیون قیمت مسکن برای استانهای همسایه استان تهران می شود و در بلند مدت بی تاثیراست.

4-12-آزمون های خود همبستگی فضایی
برای انجام آزمون موران نیازی به برآورد مدل نیست امابرای انجام آزمونهای CD پسران و فریدمن باید مدل را برآورد کرد.با توجه به اینکه نتیجه آزمون خود همبستگی نشان از وجود خود همبستگی در اجزاء خطا است و با توجه به ساختار این دو آزمون که با استفاده از ضریب همبستگی دو به دو بین اجزاء خطا محاسبه می شود نتایج این دو آزمون می تواند نادرست باشد .وجود خودهمبستگی بین پسماندها باعث می شود تا ضریب همبستگی بین پسماندها(ρ ̂_ij) بیشتر برآورد شده و در نتیجه موجب افزایش آماره های CDو فریدمن می شود. از آزمون فریز نیز باتوجه به اینکه T<30 است نمی توان استفاده کرد.
آزمون موران برای هر متغیر بصورت جدا انجام می شود.برای انجام آزمون مورن از نرم افزار stata و از دستور زیر استفاده می کنیم:

spatgsa varname, weights(name) moran

دردستور فوق varname نام متغیر موردآزمون و weights(name) نام ماتریس وزنی که در این بررسی از ماتریس مجاورت استفاده شده است.
4-12-1-آزمون موران برای متغیرhp
نتیجه آزمون موران برای متغیرhp برای سالهای 1383 تا1390 در جدول (4-14)آمده است.

جدول(4-14): نتایج آزمون موران برای متغیر hp برای سالهای 1383 تا1390
سال
Moran I
z
p-value
نتیجه
1383
-0.053
-1.092
0.137
عدم خود همبستگی
1384
-0.044
-0.531
0.298
عدم خود همبستگی
1385
-0.028
0.360
0.359
عدم خود همبستگی
1386
-0.025
0.551
0.291
عدم خود همبستگی
1387
-0.061
-1.533
0.063
عدم خود همبستگی
1388
-0.050
-0.881
0.189
عدم خود همبستگی
1389
-0.012
1.306
0.096
عدم خود همبستگی
1390
-0.045
-0.637
0.262
عدم خود همبستگی
منبع:یافته های تحقیق

نتایج جدول فوق نشان دهنده عدم وجود خود همبستگی فضایی بین متغیر hp در سطح 5 درصد است.تنها در سال 1387 وآن هم در سطح 10 درصد می توان احتمال وجود همبستگی فضایی بین متغیر hp را بین استانها پذیرفت.

4-12-2-آزمون موران برای متغیرpland
نتیجه آزمون موران برای متغیرpland برای سالهای 1383 تا1390 در جدول (4-15)آمده است.

جدول(4-15)نتیایج آزمون موران برای متغیر pland برای سالهای 1383 تا1390
سال
Moran I
z
p-value
نتیجه
1383
-0.029
0.339
0.367
عدم خود همبستگی
1384
-0.29
0.342
0.366
عدم خود همبستگی
1385
-0.054
-1.109
0.134
عدم خود همبستگی
1386
0.001
2.086
0.019
خود همبستگی
1387
-0.003
1.807
0.035
خود همبستگی
1388
0.053
5.076
0.000
خود همبستگی
1389
0.024
3.401
0.000
خود همبستگی
1390
-0.029
0.325
0.372
عدم خود همبستگی
منبع:یافته های تحقیق

نتایج جدول فوق نشان می دهد که بین متغیرpland در سطح 5 درصد برای استانهای مختلف در سالهای 1386 ،1387 ،1388 و 1389 همبستگی فضایی وجود دارد .
4-12-3-آزمون موران برای متغیر cost
نتیجه آزمون موران برای متغیرcost برای سالهای 1383 تا1390 در جدول (4-16)آمده است.

جدول(4-16)نتایج آزمون موران برای متغیر cost برای سالهای 1383 تا1390
سال
Moran I
z
p-value
نتیجه
1383
-0.033
0.099
0.461
عدم خود همبستگی
1384
0.006
2.344
0.010
خود همبستگی
1385
-0.050
-0.925
0.178
عدم خود همبستگی
1386
– 0.048
-0.810
0.209
عدم خود همبستگی
1387
-0.58
-1.368
0.086
عدم خود همبستگی
1388
-0.055
-1.207
0.114
عدم خود همبستگی
1389
-0.076
-2.433
0.007
عدم خود همبستگی
1390
-0.041
-0.392
0.348
عدم خود همبستگی
منبع:یافته های تحقیق

نتایج جدول فوق با استفاده از ماتریس مجاورت به عنوان وزن نشان دهنده این است که تنها در سال 1384 متغیر cost دارای همبستگی فضایی است.
4-12-4-آزمون موران برای متغیرpop
نتیجه آزمون موران برای متغیرpop برای سالهای 1383 تا1390 در جدول (4-17)آمده است.

جدول(4-17):نتایج آزمون موران برای متغیر pop برای سالهای 1383 تا1390
سال
Moran I
z
p-value
نتیجه
1383
-0.057
1.303
0.096
عدم خود همبستگی
1384
-0.056
-1.262
0.103
عدم خود همبستگی
1385
-0.056
-1.226
0.110
عدم خود همبستگی
1386
-0.059
-1.410
0.079
عدم خود همبستگی
1387
-0.057
-1.312
0.095
عدم خود همبستگی
1388
-0.054
-1.140
0.127
عدم خود همبستگی
1389
-0.048
-0.811
0.209
عدم خود همبستگی
1390
0.107
1.244
0.107
عدم خود همبستگی
منبع:یافته های تحقیق

نتایج جدول فوق نیز حاکی از عدم همبستگی فضایی بین استانها برای متغیرpop در سطح 5 درصد دارد.
4-12-5-آزمون موران برای متغیرgdp
نتیجه آزمون موران برای متغیرgdp برای سالهای 1383 تا1390 در جدول (4-18)آمده است.

جدول(4-18):نتایج آزمون موران برای متغیرgdp برای سالهای 1383 تا1390
سال
Moran I
z
p-value
نتیجه
1383
-0.033
0.072
0.471
عدم خود همبستگی
1384
0.185
1.801
0.036
خود همبستگی
1385
-0.029
0.334
0.369
عدم خود همبستگی
1386
-0.046
-0.656
0.256
عدم خود همبستگی
1387
-0.053
-1.090
0.138
عدم خود همبستگی
1388
-0.043
-0.493
0.311
عدم خود همبستگی
1389
-0.026
0.489
0.312
عدم خود همبستگی
1390
-0.040
-0.293
0.385
عدم خود همبستگی
منبع:یافته های تحقیق

نتایج آزمون موران برای متغیر gdp همان گونه که از جدول فوق مشخص است عدم همبستگی بین این متغیر در تمامی سالها بجز سال 1385 است.
4-12-6-آزمون موران برای متغیرun
نتیجه آزمون موران برای متغیرun برای سالهای 1383 تا1390 در جدول (4-19)آمده است.

جدول(4-19):نتایج آزمون موران برای متغیر un برای سالهای 1383 تا1390
سال
Moran I
z
p-value
نتیجه
1383
0.127
1.313
0.095
عدم خود همبستگی
1384
0.185
1.801
0.036
خود همبستگی
1385
0.199
1.878
0.030
خود همبستگی
1386
0.127
1.313
0.095
عدم خود همبستگی
1387
0.180
1.720
0.043
خود همبستگی
1388
0.08
1.001
0.158
عدم خود همبستگی
1389
0.067
0.825
0.205
عدم خود همبستگی
1390
0.053
0.719
0.236
عدم خود همبستگی
منبع:یافته های تحقیق

نتایج آزمون موران با استفاده از ماتریس مجاورت نشان دهنده وجود همبستگی فضایی برای سالهای 1384، 1385 و1387است.بررسی نتایج آزمون موران برای متغیرها نشان می دهد که هیچکدام از متغیرها در تمامی سالهای مورد بررسی دارای وابستگی فضایی نمی باشند .با توجه به تعداد مشاهدات نمی توان رگرسیون را برای یک یا دوسالی که همبستگی فضایی با توجه به آماره موران به تایید رسیده است انجام داد.یکی از معایب آزمون موران این است که این آزمون برای هر سال بصورت جداگانه انجام می شود در صورتی که امکان دارد تاثیر فضایی یک متغیر با تاخیر زمانی بر متغیر دیگر تاثیر گذار باشد.

4-13-برآورد مدل اقتصادسنجی فضایی برای مسکن
در نرم افزار stata با استفاده از دستورزیر مدلهای مختلف رگرسیون فضایی را تخمین زده و با استفاده از نتایج آزمونهایی که همراه این تخمینها ارائه می شود می توان بهترین مدل را انتخاب کرد.
spautoreg depvar indepvars, wmfile(weight_file) model(sar|sem|sdm|sac) mfx(lin) test

در دستور فوق depvar متغیر وابسته ، indepvarsمتغیرهای توضیحی، wmfile نام ماتریس وزنی در نظر گرفته شده و mfx نوع مدل که lin-lin یا log-log است را تعین می کند .با اجرای دستور فوق نتایج رگرسیون به همراه آزمونهای گوناگون ارائه می شود.
4-13-1-نتایج آزمون برای مدل sar
با استفاده از دستور ارائه شده مدل خودرگرسیون فضایی sar را تخمین می زنیم نتایج آزمونهای خودهمبستگی ارائه شده همراه تخمین مدل بصورت زیر است:

======================================================================
*** Spatial Aautocorrelation Tests – Model= (sar)
======================================================================
Ho: Error has No Spatial AutoCorrelation
Ha: Error has Spatial AutoCorrelation
– LM Error (Burridge) = 21.0945 P-Value > Chi2(1) 0.0000
– LM Error (Robust) = 21.1127 P-Value Chi2(1) 0.0000
——————————————————————————
Ho: Spatial Lagged Dependent Variable has No Spatial AutoCorrelation
Ha: Spatial Lagged Dependent Variable has Spatial AutoCorrelation

– LM Lag (Anselin) = 0.0000 P-Value Chi2(1) 0.9994
– LM Lag (Robust) = 0.0182 P-Value Chi2(1) 0.8926
——————————————————————————
Ho: No General Spatial AutoCorrelation
Ha: General Spatial AutoCorrelation

– LM SAC (LMErr+LMLag_R) = 21.1127 P-Value Chi2(2) 0.0000
– LM SAC (LMLag+LMErr_R) = 21.1127 P-Value Chi2(2) 0.0000
——————————————————————————

در بخش اول از این آزمون فرضیه صفر مبنی برعدم وجود همبستگی فضایی بین پسماندها با استفاده از آماره های LM Error (Burridge) و LM Error (Robust) رد شده است.در بخش دوم این آزمون فرضیه صفر مبنی بر عدم همبستگی فضایی بین مقادیر با وقفه متغیر وابسته با استفاده از آماره های LM Error (Burridge) و LM Error (Robust) با احتمال بالایی رد شده است.و دربخش سوم این آزمون وجود وابستگی کلی در مدل تایید شده است.وجود وابستگی کلی (General Spatial) به معنی وجود هر دونوع وابستگی ذکر شده است بنابراین مدل sar که تنها وابستگی فضایی مقادیر متغیر وابسته را در مدل لحاظ می کند نمی تواند مناسب باشد.دستور العملی کلی برای استفاده از آماره های lm توسط انسلین و فلوراکس
(Anselin-Florax ،1995) ارائه شده است که می تواند مفید باشد.اگر آماره lm برای آزمون وجود همبستگی فضایی بین مقادیر با وقفه متغیر وابسته معنی دار تر از آماره lm برای آزمون وجود همبستگی فضایی در پسماندها باشد و آماره LM Error (Robust) برای آزمون وجود وابستگی فضایی بین مقادیر با وقفه متغیر وابسته معنی دار باشد اما آماره LM Error (Robust) برای آزمون وجود خود همبستگی فضایی در پسماندها معنی دار نباشد مدل مناسب مدل sar است.و اگر آماره LM Error (Burridge)

پایان نامه
Previous Entries پایان نامه رایگان با موضوع ریشه واحد، اثرات ثابت، رگرسیون، نرخ بیکاری Next Entries پایان نامه رایگان با موضوع قیمت مسکن، تولید ناخالص داخلی، نرخ بیکاری، اقتصاد سنجی فضایی