پایان نامه رایگان با موضوع Yit=Φ_i، گیریم:، Yit-1+αi+βiXit+γit+uit، i=1,…,n

دانلود پایان نامه ارشد

است.بدین منظور برای سری Yit فرآیند AR(1) را در نظر می گیریم:

Yit=Φ_i Yit-1+αi+βiXit+γit+uit i=1,…,n t=1,…,T (6-3)

اگر<1 |Φ_i | باشد Yit ایستا است و اگر1= |Φ_i | باشد Yit دارای ریشه واحد است.
برای Φ_i دو فرض مطرح می شود:
الف-ریشه واحد مشترک:می توان فر ض کرد که Φ_i برای همه مقاطع یکسان است (Φ_i=Φ) آزمونهای LLC،برایتونگ و هادری از این فرض استفاده می کنند.
ب-ریشه واحد مقطعی:فرض دیگر آن است که Φ_i می تواند برای مقاطع متفاوت باشد.این فرض توسط IPS ،ADF-Fisher و PP-Fisher استفاده می شود.(سوری ،1392،ص881 و882)
3-3-1-آزمون لوین ،لین و چو(LLC )
در این آزمون پایایی متغیرهای سری زمانی بااستفاده از از یک معادله مورد بررسی قرار می گیرد.لوین ولین نشان دادند که در داده های ترکیبی استفاده از آزمون ریشه واحد مربوط به این داده ها، دارای قدرت آزمون بیشتری نسبت به استفاده از آزمون ریشه واحد برای هر مقطع بصورت جداگانه است.وو(Wu, 200 ) در تحقیق خود نشان دادکه به کار گیری آزمونهای ریشه واحد متداول در داده های ترکیبی ،مانند آزمون دیکی-فولر وآزمون دیکی-فولر تعمیم یافته وآزمون فیلیپس-پرون ، دارای قدرت آماری پایینی نسبت به آزمونهای ریشه واحد در داده های تر کیبی هستند.لوین و لین آزمون ریشه واحد را بصورت زیر ارائه کرده اند:

ΔXit=ρiXi t-1+δt+αi+εit (7-3)

i=1,2,…,N
t=1,2,…,T

که در آن N تعداد مقطعها و T دوره زمانی ،ρi پارامتر خودهمبستگی برای هر مقطع ،δ اثر زمان ، αi ضریب ثابت برای هر مقطع و εitجملات اخلال با توزیع نرمال است.این آزمون براساس آزمون ADF بصورت زیر در نظر گرفته شده است:

ΔXit=ρiXi t-1+δt+αi+∑_(j=1)^(l_i)▒〖θ_ij ∆X_(i-j)+〗εit (8-3)

که در رابطه فوق li طول وقفه است.آزمون LLC آزمون ترکیبی آزمون ADF در حالت وجود روند زمانی است.این آزمون در حالت ناهمگنی مقطعها وناهمسانی واریانسهای جملات اخلال دارای قدرت بالایی است.
فرضیات این آزمون بصورت زیر است:
{█(H_0:ρ_i=0@H_1:ρ_i<1)┤ در این فرض هر چه N وT بزرگتر باشند ،آماره آزمون به سمت توزیع نرمال با میانگین صفر و واریانس 1 میل خواهد کرد.
با استفاده از آماره ها و ضرایب کوتاه مدت و بلند مدت متغیرها ،آماره آزمون بصورت زیر محاسبه می شود:

t_δ^*=(t_δ-NT ̃S ̂_N δ ̂_ε^(-2) SE(δ ̂)μ_mT)/(δ_mT^* ) (9-3)

در این رابطه SE(δ ̂) انحراف استاندارد δ ̂ و δ ̂_ε انحراف استاندارد معادله نرمال شده بلند مدت است. همچنین μ_mT و δ_mT^* بترتیب میانگین و انحراف معیار محاسبه شده بوسیله لوین ولین با استفاده از طول وقفه و تعداد متغیر ها وT ̃ متوسط تعداد وقفه ها در هر مقطع را نشان می دهد.آماره محاسبه شده توسط فرمول فوق با مقادیر بحرانی جدول لوین ولین مقایسه می شود.(رزانژادوانواری،1385 ،ص 149)
3-3-2-آزمون بریتونگ و می یر
آزمون بریتونگ و می یر یکی دیگر از آزمونهای پایایی داده های تر کیبی است.که فرضیات آن مانند آزمون لوین و لین است.یعنی فرضیه H0 بر مبنای وجود ریشه واحد و فرضیه H1 براساس ایستا بودن متغیر استوار است.مراحل انجام و برآورد آماره آزمون BM با آزمون LLC متفاوت است:
الف-پس از تشکیل و برآورد آماره آزمون دیکی-فولر(3- 10) ابتدا شاخصهای استاندارد با استفاده از تفاضل اول متغیرها ووقفه های تفاضل اول آنها بصورت زیر ساخته می شود:

ΔX ̃_it=((∆X_it-∑_(j=1)^(p_i)▒〖β ̂_ij ∆X_(it-j) 〗)/S_i (10-3)
ΔX ̃_(it-1)=((∆X_(it-1)-∑_(j=1)^(p_i)▒〖β ̂_ij ∆X_(it-j) 〗)/S_i (11-3)

در این رابطه β ̂_ij ضرایب حاصل از تخمین رابطه (3-8) ،p_i طول وقفه آزمون و S_i انحراف معیار حاصل از رابطه (3-8)است.
ب- در مرحله بعد از شاخصها بصورت زیر روند زدایی می شود:

∆X_it^*=√((T-t)/(T-t+1)(∆X ̃_it-(∆X_(it+1)+…+∆X_(it+T))/(T-t)) (12-3)
X_(it-1)^*=X ̃_(it-1)-C_it (13-3)

که مقدار C_it براساس رابط زیر تعیین می شود:

اگر جمله ثابت و روند در رگرسیون وجود نداشته باشد.
اگر جمله ثابت در رگرسیون باشد ولی روند در رگرسیون وجود نداشته باشد. C_it={█(0 @X ̃_it @X ̃_it-(t-1)/T X ̃_iT )┤
اگر ثابت و روند در رگرسیون وجود داشته باشد.

ج- در مرحله آخر با استفاده از مقادیر محاسبه شده روابط(3-12) و(3-13) پارامتر α بصورت زیر برآورد می شود:

∆Y_it^*= αY_(it-1)^*+ε_it (14-3)

بریتونگ ومی یر نشان دادند که تحت فرضیه صفر مبنی بر وجود ریشه واحد،آماره α دارای توزیع نرمال استاندارد است.
بنابراین پس از انجام راحل فوق آماره α با مقادیر جدول توزیع نرمال استاندارد مقایسه می شود. .(رزانژادوانواری،1385 ،ص 150)
3-3-3-آزمون ایم ،پسران وشین(IPS)
اختلاف آزمون IPS با LLC بیشتر در فرضیات در نظر گرفته شده برای این آزمون است.در فرضیه H0 آزمون IPS ضرایب ρi دارای ارزشهای متفاوت بصورت زیر است:

H0: ρi=0 i=1,2,…, N
H_1:{█(ρ_i<0 i=1,2,…,N_1@ρ_i=0 i=N_1+i,…,N 0روش دیگری که برای آزمون ریشه واحد داده های ترکیبی مورد استفاده قرار می گیرد،روشی است که از سطح معنی داری آزمون ریشه واحد دیکی-فولر تعمیم یافته استفاده می کند.
اساس این روش برگرفته از روش فیشر(1932) بوده که بعدا به وسیله چوی(2001) و مادالا و وو (Maddala and Wu,1999 ) به تفصیل گسترش داده شده است.براین اساس این آزمون به که به آزمون MW معروف است.آزمون دیکی-فولر تعمیم یافته بصورت زیر انجام می شود:

ΔY_it=α_i+ρ_i Y_(it-1)+∑_(z=1)^πi▒〖β_iz ∆Y_(i,i-z)+ε_(i,t) 〗 (20-3)

که در آن Y_it متغییر مورد بررسی ،α_i ضریب ثابت در آزمون دیکی –فولر تعمیم یافته ، πiوقفه آزمون و ε_(i,t) خطای آزمون است.فرضیات آزمون MW همانند فرضیات آزمون IPS است.در این روش ،آزمون ریشه واحد در داده های ترکیبی از طریق مقادیر (pvalue) آزمونهای دیکی-فولر تعمیم یافته استفاده می شود.آماره استفاده شده برای آزمون فیشر ،توسط مادالا و وو(1999) بصورت زیر ارائه شده است:

PMW=-2∑_(i=1)^N▒〖log⁡(pvalue)〗 (21-3)

این آماره دارای توزیع χ^2 با درجه آزادی N 2 است. .(رزانژادوانواری،1385 ،ص 153)

3-4-آزمونهای هم جمعی درداده های پنل
بررسی وجود هم جمعی متغیرهای در داده های ترکیبی نیز بسیار مهم است.برای انجام آزمون همجمعی داده های ترکیبی ،کائو 261999) ) وپدرونی27 (1999 ) پس از برآورد رابطه بلند مدت بین متغیر ها در بلند مدت ،مانند آنچه که در مورد سریهای زمانی و داده های مقطعی انجام می شود ،از آماره های زیر برای آزمون همجمعی استفاده کرده اند:

DFγ=(√N T(γ ̂-1)+3√N)/√10.2 (22-3)

DFt=√(1.25t_γ )+√(1.875 N) (23-3)

که در آن γ ضریب رگرسیون خطای بلند مدت ،روی وقفه خطاهای حاصل از تخمین مدل به روش پانل (e_it) بصورت زیر است :

e ̂_it=γe ̂_(it-1)+u_t (24-3)

N در آماره های DFγ و DFtنشان دهنده تعداد مقطعها و tγ مقدار t استاندارد ضریب رابطه (3-24) است.آماره های استخراج شده هر دو ،توزیع نرمال با میانگین صفر وواریانس یک دارند.فرضیه های انجام آزمون همجمعی داده های ترکیبی را می توان بصورت زیر نشان داد:

H0:γ=1 برای همه مقطعها
H1:γ<1برای همه مقطعها که فرضیه H0 نشان دهنده وجود همجمعی بین متغیرها در تمامی مقطعها و فرضیه H1 نشانگر نبود همجمعی بین متغیرها است.
کائو(1999) آزمون همجمعی تعمیم یافته دیکی –فولر را با فرض این که بردارهای همجمعی در هر مقطع همگن باشند ، بصورت رابطه زیر ارائه کرده است:

e ̂_it=γe ̂_(it-1)+∑_(j=)^p▒〖J_j ∆e ̂_(i,t-j)+ν_(i,tp) 〗 (25-3)

در رابطه فوق e ̂_it خطای تخمین رابطه بلند مدت با روش داده هی ترکیبی و p تعداد وقفه ها در آزمون ADF است که اندازه آن بستگی به رفع خود همبستگی بین اجزای خطا دارد.همچنین J_j ضریب متغیر تفاضل وقفه های آزمون وν_(i,tp) خطای معادله تخمین زده شده فوق است.به عبارتی دیگر در آزمون همجمعی کائو ،مانند آزمونهای DFγ و DFt ،پس از تخمین رابطه بلند مدت ،خطای تخمین محاسبه می شود و با استفاده از آن آزمون ADF انجام می شود.فرضیات این آزمون مانند فرضیات آزمونهای DFγ و DFt است. وآماره آزمون دارای توزیع t استاندارد است(پدرونی 1999).بنابراین ،در آزمون ADF معنی داری ضریب γ در رابطه
(3-25) با استفاده از جدول توزیع استاندارد t آزمون می شود.
در ارتباط با تخمین رابطه هم جمعی رابطه همجمعی بلند مدت بردار ضرایب ،کائو و چیانگ28
(1999) نشان دادند که برآورد داده های ترکیبی سری زمانی –مقطعی بر اساس تخمین کل ضرایب و به وسیله روش OLS دارای تورش است.به این دلیل آنها پیشنهاد کردند از روش تخمین حداقل مربعات پویا(DOLS )29 استفاده شود.در این روش برای برآورد ضرایب بلند مدت بصورت زیر عمل می شود:

Y_it=α_i+βX_it+∑_(j=1)^p▒〖η_j ∆X_(i,i-j)+∑_(j=1)^p▒〖δ_j ∆X_(i,t+j)+e_it 〗〗 (26-3)

در رابطه فوق p نشان دهنده روند های گدشته و آینده ∆X_(i,i-j) وقفه تفاضل متغیر توضیحی ،∆X_(i,t+j) تفاضل متغیر توضیحی با روند های آینده ،η_j ضرایب وقفه ها یا روند های گذشته ،δ_j ضرایب روند های آینده برای هر متغیر بر اساس معنی داری ضرایب تعیین می شود. همچنین در اغلب تحقیقات کاربردی از یک وقفه و یک روند برای آینده کلیه متغیرها استفاده شده است. .(رزانژادوانواری،1385 ،ص 154)

3-5-نحوه انتخاب بین مدلها
برای استفاده از داده های ترکیبی باید آزمونهای گوناگونی را انجام داد .مانند آزمون F یا آزمون معنادار بودن اثرات ثابت ،برای انتخاب بین رگرسیون تجمیعی و رگرسیون اثرات ثابت ،آزمون بروش وپاگان(1980) ،آزمون ضریب لاگرانژ(LM برای انتخاب بین مدل رگرسیون تجمیعی ورگرسیون اثرات تصادفی و آزمون هاسمن برای انتخاب بین رگرسیون اثرات ثابت وتصادفی است.
اگر داده ها بصورت تصادفی از بین داده های زیادی انتخاب نشده باشد ، از مدل اثرات ثابت استفاده می شود.اما اگر داده ها بصورت تصادفی انتخاب شده باشند هر دو مدل اثرات ثابت وتصادفی تخمین زده می شودو سپس آزمون هاسمن انجام می گیرد.

3-5-1-آزمون معناداربودن اثرات ثابت
برای آزمون معناداربودن ضریب iα(آزمون فرضیه0= iα ) می توان از نسبت t استفاده کرد.این فرضیه صرفا در خصوص یک گروه خاص می باشد. اگر بخواهیم اثرات گروهی را به صورت یکجا آزمون کنیم، در این صورت می توان از آزمون F استفاده کرد.در این حالت ،آزمون می کنیم که آیا اثرات گروهی ،متفاوت است(یعنی iα متفاوتند) ویا یکسان هستند(یعنی iα برابرند).بدین ترتیب فرضیه ها بصورت α n =α 2 =…=α 1=α H0: است تحت فرضیه H0 معادله (3-27) در مقابل فرضیه H1 تحت معادله (3-28) آزمون می شود:

رگرسیون غیر مقید :Yt=∑_(k=1)^k▒〖β_k x_kit+∑_(i=1)^n▒〖α_i D_I+ε_it→〖RSS〗_UR,R_UR^2 〗〗 (27-3)
)POOLED :رگرسیون مقید (Yt=∑_(k=1)^k▒〖β_k x_kit+α+ε_it 〗→〖RSS〗_R,R_R^2 (28-3)

معادله (3-27) رگرسیون LSDV یا رگرسیون اثرات ثابت با استفاده از متغییرهای مجازی معروف است چون در این مدل از متغییرهای مجازی استفاده می شود وسپس روش OLS برای برآورد ضرایب آن بکار می رود.این رگرسیون تفاوتهای گروهی را لحاظ می کند .لذا آن را رگرسیو غیر مقید می گوییم.دومی رگرسیون تجمیعی است که تفاوتهای گروهی را در نظر نمی گیردو به آن رگرسیون مقید می گوییم.برای هر یک از رگرسیونها RSS و R^2ها را تشکیل می دهیم:

F=((〖RSS〗_R-〖RSS〗_UR)/(n-1))/(〖RSS〗_UR/nT-K-n)=(nT-K-n)/(n-1) (R_R^2-R_UR^2)/(1-R_UR^2 ) (29-3)

بزرگ بودن F بدان معنااست که فرضیهH0 رد می شود و لذا اثرات ثابت معنادار است و iα ها یکسان نیستند. به عبارت دیگر تفاوت های فردی یا گروهی معناداراست.(سوری ،1392،ص 786)
3-5-2-آزمون اثرات تصادفی
بروش وپاگان(1980) آزمون ضریب لاگرانژ (LM )را برای مدل اثرات تصادفی براساس باقیمانده های OLS توصیه می کنند.فرضیه اثرات تصادفی را بصورت زیر می توان نوشت:

H0:σ_u^2=0
H1:σ_u^2≠0

فرضیه H0 بیانگر عدم وجود اثرات تصادفی است ،لذا H0 به معنی نامناسب بودن مدل تجمیعی ومناسب بودن مدل اثرات تصادفی است.بنابراین رد H0 به معنی وجود اثرات تصادفی است.برای آزمون فرضیه فوق ، آزمون LM بصورت زیر تعریف می شود که برای محاسبه آن از باقیمانده های مدل تجمیعی استفاده می شود:

LM=nT/(2(T-1)) [(∑_(i=1)^n▒〖(∑_(i=1)^T▒〖e_it)〗^2 〗)/(∑_(i=1)^n▒∑_(t=1)^T▒e_it^2 )-1]^2 (30-3)

تحت فرضیه H0 ،LM توزیع کای دو با درجه آزادی 1 دارد.
برای آزمون LM مراحل زیررا انجام می دهیم:
1-ابتدا معادله مورد نظر(مدل تجمیعی) را با روش OLS برآورد می کنیم.
2-باقیمانده ها را حساب می کنیم.
3-مجموع مجذور باقیمانده ها را حساب می کنیم.
4-برای هر گروه میانگین باقیمانده ها را حساب می کنیم.
5- میانگین باقیمانده های هر گروه را را به توان 2 رسانده و جمع می زنیم.
6-براساس نتایج مرحله 3و5 مقدار LM را حساب کرده و با عدد بحرانی=3.84 χ_0.05,1^2 مقایسه می کنیم اگر LM>3.84 باشد،در این صورت فرضیه H0 رد می شود ونتیجه می گیریم که مدل رگرسیون ساده که شامل یک جمله ثابت است(مدل تجمیعی) نامناسب بوده و بایستی از مدل اثرات تصادفی استفاده نمود.اما باید در نظر داشت که این آزمون نمی تواند مدل اثرات تصادفی را از مدل اثرات ثابت متمایز کند.(سوری، 1392،ص800)
3-5-3-آزمون هاسمن
در رگرسیون پنل دیتا با اثرات تصادفی یک فرض بسیارمهم این است که جمله خطا از متغیرهای توضیحی مستقل است.در مدل اثرات تصادفی چون iμ ها در جمله خطا قرار دارند بنابراین می توان در مدل اثرات تصادفی فرض کرد که E(Uit|xit)=0 است.اما در مدل اثرات ثابت این فرض برقرار نیست زیرا می دانیم iμ ها با xit همبسته است .برای مثال در مدل تخمین درآمد براساس متغیرهای سن ، تحصیلات ،تجربه کاری و… این iμ ها ممکن است نشان دهنده توانایی های فردی باشند که قابل مشاهده نیست و iμ ها آنها را اندازه گیری می کنند.حال ممکن است این توانایی ها با تحصیلات فرد مرتبط باشند.در این صورت iμ ها با تحصیلات که یک متغیر توضیحی است همبسته می شوند.اما در یک تابع تولید که برای برآورد آن از د اده های بنگاه یا صنایع استفاده می شود ، iμ ها ممکن است نشان دهنده توانایی مدیریت باشند اما می دانیم توانایی مدیریت مستقل از کار و سرمایه است .در تابع درآمد ،باید مدل را براساس اثر ثابت تخمین زد و در تابع تولید مدل باید بصورت اثر تصادفی برآورد شود.
پس مشخص است که از پیش نمی توان بطور قطع در مورد انتخاب مدل اثر تصادفی یا ثابت قضاوت کرد.برای تشخیص و شناسایی درست مدل که اثر ثابت باشد یا اثر تصادفی ،هاسمن آزمونی را پیشنهاد داده است که فرض صفر آزمون بصورت زیر است:

H0= E(Uit|xit)=0

که می گوید Uitمستقل از xit است.اگر مدل اثر تصادفی نباشد در این صورت:

H1= E(Uit|xit)≠0

و باید مدل بصورت اثر ثابت برآورد شود(اشرف زاده ، مهرگان ،1387 ،ص134)

برخی دستورالعمل های کلی نیز درباره اینکه کدام مدل در کاربردهای عملی مناسب تر است وجود دارد که به تعدادی از آنها اشاره می شود:
1-اگرT (تعداد مشاهدات سری زمانی ) بزرگ وN (تعداد واحدهای مقاطع) کوچک باشد احتمالا اختلاف کمی در مقادیر پارامترهای تخمین زده شده با الگوهای اثرات ثابت وتصادفی وجود خواهد داشت.لذا انتخاب بین آنها بستگی به سهولت محاسباتی دارد که به نفع الگوی اثرات ثابت تمام می شود.
2-در پنل کوتاه(N بزرگ و T کوچک)،تخمین های حاصل از دو الگو بطور قابل توجهی متفاوت هستند.در صورتی که نمونه آماری از جامعه آماری بزرگی انتخاب نشده باشد الگوی اثرات ثابت مناسب تر است.
3-برخلاف الگوی اثرات ثابت ،الگوی اثرات تصادفی می تواند ضرایب متغییرهای نامربوط به زمان مانند جنسیت را تخمین بزند.الگوی اثرات ثابت این نوع متغییرهای نامتغییر بازمان را کنترل می کند ،اما نمی تواند آنها را مستقیما تخمین بزند در حال که الگوی اثرات تصادفی تنها می تواند آن متغییرهای نامتغییر با زمان را تخمبن یزند که بطور صریح در الگو گنجانده شده اند.(گجراتی ،1392 ، ص 459)
3-6-آزمونهای تشخیصی
پس از برآورد مدل برای اطمینان از صحت برآورد و بدون تورش بودن ضرایب باید آزمونهای گوناگونی صورت گیرد که مهمترین آنها آزمون خودهمبستگی و واریانس ناهمسانی است.
3-6-1-آزمون واریانس ناهمسانی
برای انجام آزمون واریانس ناهمسانی در بین مقاطع از نرم افزار stata12 استفاده می کنیم.در نرم افزار stata دو دستور برای بررسی وجود واریانس ناهمسانی در داده های پنل وجود دارد که هر دو دستور نا همسانی واریانس بین مقاطع را بررسی می کنند.فرمان اول xttest3 است که این دستور با استفاده از فرمان ssc install xttest3 نصب شده است.برای استفاده از این دستور ابتدا مدل مورد نظر را برآورد کرده و سپس دستور فوق را در نرم افزار اجرا می کنیم.
آزمون دیگر استفاده از نسبت درستنمایی بصورت زیر است .در این آزمون نیز فرضیه صفر عدم وجود واریانس ناهمسانی بین مقاطع است :
xtgls varlist, panels(heterosk) igls
estimates store hetero
xtgls varlist, igls
estimates store homosk
local df = e(N_g) – 1
lrtest hetero homosk , df(‘df’)

در دستور فوق varlist متغیرهای وابسته و مستقل مورد استفاده و df درجه آزادی مدل است که توسط عبارت local df = e(N_g) – 1محاسبه می شود.

3-6-2-آزمون خود همبستگی
مدل پنل دیتا با خود همبستگی مرتبه اول بصورت زیر را در نظر می گیریم:

Yit=μi+βxit+uit (31-3)
uit=ρui,t-1+εit (32-3)

که در مدل فوق i=1,2,…,N تعداد مقاطع یا واحدها وt=1,2,…,T زمان است. μi تاثیرات انفرادی برای هر مقطع است. xitیک بردار k*1 از متغیرهای توضیحی است .مفروضات مدل فوق بصورت زیر است:

E(xit, uit)=0 عدم وجود همبستگی بین متغیرهای توضیحی و اجزاء خطا
E(εit)=0
E(ε2it)=σ2

برای آزمون فرضیه صفر0= ρ بارگاوا (Bargava,1982 ) با استفاده مدل تجمیعی(pooled ) آماره دوربین واتسون را بصورت زیر برای داده های ترکیبی پیشنهاد کرده است:

ρdw=(∑_(i=1)^N▒∑_(t=2)^T▒〖(u ̂_it-u ̂_(i,t-1))〗^2 )/(∑_(i=1)^N▒∑_(t=2)^T▒〖(u ̂_it-u ̅_i)〗^2 ) (33-3)

که در رابطه فوق u ̅_i=T^(-1) ∑_(t=1)^T▒u_it .یک مشکل جدی برای آزمون فرضیه صفر این است که توزیع اجزاء خطا به مقادیر N وT وابسته است.مقادیر بحرای برای آزمون توسط بارگاوا محاسبه شده است.
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 استفاده می کنیم.محدودیت این آزمون این است که تنها خود همبستگی مرتبه اول را آزمون می کند.

3-7-معرفی روشهای GLSو GMM
در صورتی که مدل تخمینی دارای واریانس ناهمسانی باشد برای رفع واریانس ناهمسانی باید از روشهای دیگر غیر از روش OLS مانند روش حداکثر درستنمایی یا روش GLS استفاده شود. با توجه به اینکه در مدل پویا متغیر وابسته به عنوان یک متغیر توضیحی وارد مدل می شود مدل پویا به روش OLS قابل برآورد نبوده و باید از روشهای دیگر مانند 2sls ویا GMM برآورد گردد.

3-7-1-معرفی روش GLS
مدل پنل دیتای زیر را در نظر می گیریم:

Yit=α+βxit+uit (34-3)

که جملات خطای معادله فوق دارای ساختارزیر است:

uit=μit+ vit (35-3)

درصورتی که جملات μ با xit همبستگی داشته باشد تخمین زنهای حداقل مربعات معمولی دارای تورش است وباید از روش GLS استفاده کرد.در روش GLSابتدا برآوردی از ماتریس کواریانس جمله خطا بدست می آید و سپس از این ماتریس در برآورد ضرایب استفاده می شود.اگر این ماتریس باΩ نشان داد شود معادلات نرمال روش GLS بصورت زیر بدست می آید:

[∑▒〖(x^’ Ω^(-1) x)]β=[〗 ∑▒〖(x^’ Ω^(-1) y)]〗 (36-3)

که
β ̂=[∑▒〖(x^’ Ω^(-1) x) ]^(-1) [〗 ∑▒〖(x^’ Ω^(-1) y)]〗 (37-3)

در معادله فوق x^’ تانهاده ماتریس متغیرهای توضیحی ،Ω^(-1) معکوس ماتریس کواریانس پسماندها و y ماتریس k*1 از متغیر وابسته است.روش GLS یا حداقل مربعات وزنی تعمیم یافته تخمینهای بدون تورش و کارایی از ضرایب را ارائه می دهد(اشرف زاده ،مهرگان ، 1387 ،ص 115)

3-7-2-معرفی روش GMM
کاسلی و همکارانش30(1996) برای اولین بار از شیوه برآورد GMM داده های تابلویی پویا در برآورد مدل های رشد اقتصادی استفاده کردند.به کار بردن روش GMM پنل دیتای پویا مزیت هایی همانند لحاظ نمودن ناهمسانی فردی و اطلاعات بیشتر ،حذف تورش های موجود در رگرسیون های مقطعی است که نتیجه آن تخمین های دقیق تر ،با کارایی بالاتر و هم خطی کمتر در این روش خواهد بود.روش GMM هنگامی بکار می رود که تعداد مقاطع(N )بیشتر از تعداد سالها(T ) باشد.به طور کلی روش GMM نسبت به روشهای دیگر دارای مزایایی بصورت زیر است:
1-حل مشکل دورن زا بودن متغیرها:مزیت اصلی تخمین به روش GMM پویا آن است که تمام متغیرهای رگرسیون که با جزء اخلال همبستگی ندارند از جمله متغیرهای با وقفه و تفاضلی می توانند به طور بالقوه به عنوان متغیر ابزاری استفاده شوند.31
2- کاهش و یا رفع همخطی در مدل:استفاده از متغیرهای وابسته وقفه دار باعث از بین رفتن هم خطی در مدل می شود.
3- افزایش بعد زمانی متغیرها:هرچند ممکن است تخمین های مقطعی بتواند رابطه بلندمدت بین متغیرها را بدست آورد اما این نوع تخمین ها مزیت های سری زمانی آمارها را ندارند که کارآمدی برآوردها را افزایش دهد.استفاده از بعد زمانی سری آمار ،این امکان را می دهد که تاثیر تمام عوامل مشاهده نشده ثابت زمانی که تفاوت های بین مقاطع را نشان می دهد در برآورد ملاحظه شود(هسایو،2003) دو روش برای برآورد مدل به شیوه GMM وجود دارد.مبنای اولیه مدلهای GMM پویا توسط آرلانو-بوند32 (1991) مطرح شد که روش GMM تفاضلی مرتبه اول نامیده می شود.در سال 1995 آرلانو-باور33و در سال 1998 بلوندل-بوند34 با ارائه تغییراتی در روش GMMتفاضلی مرتبه اول روشGMM ارتگنال را ارائه دادند.تفاوت این دوروش براساس شیوه ای است که تاثیرات فردی در مدل گنجانده می شود.در روش آرلانو-بوند از تمام مجموع وقفه های موجود به عنوان متغیر ابزاری استفاده می شود اما روش GMM ارتگنال از سطوح وقفه دار به عنوان متغیر ابزاری استفاده می کند.( ندیری ،محمدی ،یررسی تاثیر ساختارهای نهادی بررشد اقتصادی با روش GMM با داده های تابلویی ،ص9)
3-8- معرفی مدل پنل دیتای فضایی
در ﺳﺎل 1988 ﭘﺮوﻓﺴﻮر اﻧﺴﻠﻴﻦ35، ﺑﺮاﯼ ﻧﺨﺴﺘﻴﻦ ﺑﺎر ﺗﺼﻮﯾﺮ ﺟﺎﻣﻌﯽ از واﻗﻌﻴﺘﻬﺎﯼ اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻓﻀﺎﯾﯽ ر ادر ﮐﺘﺎب ﺧﻮد ﺗﺤﺖ ﻋﻨﻮان «اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻓﻀﺎﯾﯽ، روﺷﻬﺎ و ﻣﺪﻟﻬﺎ» اراﺋﻪ ﻧﻤﻮد. ﺗﮑﻨﻴﮏ ﻣﻄﺮح ﺷﺪﻩ در اﯾﻦ ﮐﺘﺎب در اداﻣﻪ اراﺋﻪ روﺷﻬﺎﯼ ﮐﻤّﯽ و ﻣﻘﺪارﯼ ﺑﺮاﯼ ﻣﻄﺎﻟﻌﺎت ﻣﺨﺘﻠﻒ اﻗﺘﺼﺎدﯼ ﺑﻮد. ﻣﻨﺘﻬﺎ اﯾﻦ ﺗﮑﻨﻴﮏ ﻣﺪﻋﯽ ﺑﻮد ﮐﻪ داراﯼ ﻗﺎﺑﻠﻴﺖ و ﮐﺎرﺑﺮد ﺑﻬﺘﺮﯼ ﻧﺴﺒﺖ ﺑﻪ اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻣﺮﺳﻮم در ﻣﻄﺎﻟﻌﺎت ﻣﻨﻄﻘﻪاﯼ و ﻣﮑﺎﻧﯽ اﺳﺖ و ﻗﺎدر اﺳﺖ زﻣﺎﻧﯽ ﮐﻪ ﻣﺤﻘﻖ ﺑﺎ دادﻩ ، و مشاهدات مکانی و منطقه ای مانندﺟﻤﻌﻴﺖﺷﻨﺎﺳﯽ ، ﻣﻄﺎﻟﻌﺎت ﺑﺎزرﮔﺎﻧﯽ، ﺗﺠﺎرﯼ و … روﺑﺮوﺳﺖ ﺟﺎﯾﮕﺰﯾﻦ ﻣﺪﻟﻬﺎ و روﺷﻬﺎﯼ اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻣﺮﺳﻮم ﺷﻮد. ﺑﻪ ﻃﻮرﯾﮑﻪ در ﻣﻄﺎﻟﻌﺎت و ﺗﺤﻘﻴﻘﺎت ﺻﻮرت ﮔﺮﻓﺘﻪ در ﭼﻨﺪ ﺳﺎل اﺧﻴﺮ از ﻃﺮف اﻧﺪﯾﺸﻤﻨﺪان ﻋﻠﻮم ﻣﻨﻄﻘﻪ اﯼ اﯾﻦ ﻋﻮاﻣﻞ ﻣﻮرد ﺗﻮﺟﻪ ﺟﺪﯼ ﻗﺮار دارد و ﻋﻤﻮﻣﺎً ﺑﻄﻮر ﻣﺴﺘﻘﻴﻢ ﯾﺎ ﻏﻴﺮﻣﺴﺘﻘﻴﻢ از روﺷﻬﺎﯼ اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻓﻀﺎﯾﯽ ﺑﻬﺮﻩ ﺑﺮدﻩ اﻧﺪ.
اﻧﺠﺎم ﮐﺎرهاﯼ ﺗﺤﻘﻴﻘﺎﺗﯽ در ﻋﻠﻮم ﻣﻨﻄﻘﻪاﯼ ﺑﻄﻮر وﺳﻴﻊ ﻣﺒﺘﻨﯽ ﺑﺮ دادﻩهاﯼ ﻧﻤﻮﻧﻪاﯼ ﻣﻨﻄﻘﻪ اﯼ اﺳﺖ،ﮐﻪ ﻣﺤﻘﻖ ﺑﺎ ﻣﺮاﺟﻌﻪ ﺑﻪ ﻣﮑﺎﻧﻬﺎ و ﻣﺤﻠﻬﺎﯼ ﻣﺸﺨﺺ ﺷﺪﻩ ﮐﻪ ﺑﺼﻮرت ﻧﻘﺎﻃﯽ در ﻓﻀﺎ ﺗﻌﻴﻴﻦ ﻣﮑﺎن ﺷﺪﻩ اﻧﺪ و ﺑﻪﺁﻧﻬﺎ دﺳﺖ ﻣﯽ ﯾﺎﺑﺪ. ﺣﺎل وﻗﺘﯽ درﺗﺤﻘﻴﻖ ﺑﺎ دادﻩ هاﯾﯽ روﺑﺮو هستیم ﮐﻪ داراﯼ ﺟﺰء ﻣﮑﺎﻧﯽ هستند، دﯾﮕﺮ ﺑﻪ ﮐﺎرﮔﻴﺮﯼ ﺷﻴﻮﻩ هاﯼ اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻣﺮﺳﻮم ﭼﻨﺪان ﻣﻨﺎﺳﺐ ﻧﻤﯽﺑﺎﺷﺪ. ﺗﻔﺎوت اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻓﻀﺎﯾﯽ از اﻗﺘﺼﺎدﺳﻨﺠﯽ ﻣﺮﺳﻮم در ﺗﻮاﻧﺎﯾﯽ و ﮐﺎرﺑﺮد ﺗﮑﻨﻴﮏ اﻗﺘﺼﺎدﺳﻨﺠﯽ در اﺳﺘﻔﺎدﻩ از دادﻩهاﯼ ﻧﻤﻮﻧﻪ اﯼ اﺳﺖ ﮐﻪ داراﯼ ﺟﺰء ﻣﮑﺎﻧﯽهستند. زﻣﺎﻧﻴﮑﻪ دادﻩهاﯼ ﻧﻤﻮﻧﻪ اﯼ داراﯼ ﺟﺰء ﻣﮑﺎﻧﯽاﻧﺪ دو ﻣﺴﺌﻠﻪ رخ ﺧﻮاهد داد1-

پایان نامه
Previous Entries پایان نامه رایگان با موضوع قیمت مسکن، عوامل منطقه ای، مبانی نظری، استان تهران Next Entries پایان نامه رایگان با موضوع رگرسیون، رگرسیون فضایی، اقتصاد سنجی فضایی، روش حداقل مربعات