۳-۵) روش تجزیه و تحلیل آماری و آزمون فرضیهها
برای تعیین معادله هدف از روش اقتصاد سنجی پانل دیتا و نرم افزارEviews استفاده میشودکه در ذیل به تفضیل توضیح داده خواهند شد:
۳-۵-۱) انواع داده ها و مدل ها :
در یک طبقه بندی کلی میتوان از سه نوع داده به منظور تجزیه و تحلیل مسائل مالی استفاده نمود:
۳-۵-۱-۱) داده های سری زمانی(Time Series Data)
از مباحث مهم در اقتصادسنجی، بحث مرتبط با سریهای زمانی و کاربرد آنها در اقتصاد میباشد. لازم به ذکر است که الگوهای سریهای زمانی به صورت الگوهای تک متغیره و چند متغیره تقسیم بندی میشوند. در حالت کلی میتوان مشخصات عمده و کلیدی سریهای زمانی را به صورت زیر مطرح نمود:
اکثر سریهای زمانی اقتصادی دارای یک روند زمانی آشکار هستند.
در برخی موارد شوکهای وارده به هر سری تا حد زیادی پایدار است.
شدت تغییرپذیری بسیاری از سریها در طول زمان ثابت نیست.
مسیر تغییرات برخی سریهای زمانی مبهم است.
تغییرات برخی سریها هماهنگ با تغییرات سریهای دیگر میباشد.
داده های سری زمانی همانگونه که از نامش پیداست، داده هایی است که در یک دوره زمانی معین برای یک یا چـــــند متغیر جمع آوری میشود. داده های سری زمانی به فراوانی خاصی از مشاهدات و یا مجموعه ای از دادههای نقطه ای مربوط است.
۳-۵-۱-۱-۱) مفروضات اساسی مدل رگرسیون خطی کلاسیک
مدل رگرسیون خطی در شکل ساده خود به بشرح زیر است :
رابطه ۳-۲
در این مدل متغیر وابسته، جزء ثابت، متغیر مستقل، ضریب متغیر مستقل یا شیب رگرسیون و جزء خطاست . داده های مربوط به قابل مشاهده بوده اما از آنجاییکه مقادیر به مقادیر خطا () بستگی دارد، ضروری است چگونگی ایجاد مشخص شود. مفروضات مربوط به جزء خطا (پسماندها) به شرح ذیل است :
جدول ۳-۱ –جملات پسماند
۰ = () E | میانگین خطاها صفر است . |
= ( (VAR | واریانس خطاها برای کل مقادیر ثابت است. |
۰ = ( و ) COV | خطاها از نظر خطی مستقل از یکدیگر میباشند. |
۰ = ( و ) COV | هیچگونه رابطه ای بین خطاها و مقادیر متناظر وجود ندارد. |
( و ۰) N ~ | دارای توزیع نرمال با میانگین صفر و واریانس است . |
۳-۵-۱-۱-۲) برخی از آزمونهای تشخیصی سری های زمانی
مهمترین آزمونهای تشخیصی در سریهای زمانی عمدتاً شامل کشف ناهمسانی واریانس، آزمون خودهمبستگی و آزمون عدم نرمالیتی است.
در زمینه ناهمسانی واریانس، آزمونهای آماری متعددی وجود دارد که یکی از ساده ترین این روشها، آزمون گلدفلد- کوانت[۳۶] یا GQ است. ایجاد آماره GQ ساده است و از تقسیم ساده دو واریانس پسماند حاصل میشود اما نتایج آن ممکن است به نحوه انتخاب و تقسیم نمونه به نمونه های کوچکتر مربوط باشد. آزمون معروف دیگر در زمینه ناهمسانی واریانس، آزمون عمومی وایت[۳۷]است. این آزمون به لحاظ اندک بودن مفروضاتش در زمینه ناهمسانی واریانس، مفید است.
در خصوص کشف خود همبستگی، سادهترین روش، ملاحظه رابطه ممکن بین پسماندهای جاری و قبلی به کمک بررسی نموداری میباشد. در این نمودارها ممکن است برخی از الگوهای کلیشهای مربوط به پسماندها مشاهده شود. پس از روش نموداری یا گرافیکی (که البته تفسیر آن ممکن است مشکل باشد)، ساده ترین آزمون خودهمبستگی پسماندها، آزمون دوربین – واتـــسون[۳۸] است. دوربین – واتسون آزمونی برای خودهمبستگی مرتبه اول است. یعنی این آزمون تنها برای رابطه بین خطا و مقدار قبلی خودش میباشد. آماره آزمون دوربین – واتسون بین صفر و ۴ قرار دارد. در صورتی که ۲= DW، آنگاه هیچگونه خودهمبستگی بین پسماندها وجود ندارد. یعنی اگر آماره دوربین – واتسون نــزدیک عدد ۲ باشد،فرضیه عدم وجود خودهمبستگی رد نخواهد شد. اگر ۰=DW، آنگاه خودهمبستگی کامل مثبتی بین پسماندها وجود دارد و در نهایت اگر ۴= DW، آنگاه خودهمبستگی کامل منفی بین پسماندها وجود دارد.
۳-۵-۱-۱-۳) مانایی، ریشه واحد و همجمعی
اقتصاد سنجی نیز مانند دانش اقتصاد طی سالیان سپری شده تحولات شگرفی را تجربه نموده است و همه این پیشرفتها درجهت مدلسازی نوسانات پدیده های اقتصادی بوده است. روشهای سنتی اقتصاد سنجی برفرض مانایی[۳۹] داده های سریهای زمانی استواربود و مفهوم مانایی بدین معنی است که میانگین، واریانس، کوواریانس و درنتیجه ضرایب خودهمبستگی سری زمانی درطول زمان ثابت باقی بماند. اما بعدها مشخص شد که اکثرسریهای زمانی اقتصادی نامانا[۴۰]هستند. لزوم تفسیرسریهای زمانی نامانا و نیازبه توسعه مدلهایی باتوان پیش بینی و تفسیرمتغیرهای اقتصادی موجب شد که اقتصادسنجی سریهای زمانی وارد مرحله جدیدی شود.
اگرمتغیرسریهای زمانی مورد استفاده دربرآورد ضرایب الگو ناپایا باشند، درعین حالی که ممکن است هیچ رابطه مفهومی بین متغیرهای الگو وجود نداشته باشد، می تواند ضریب تعیین[۴۱] به دست آمده آن بسیار بالا باشد و موجب شود تا محقق به استنباطهای غلطی در مورد میزان ارتباط بین متغیرها کشانیده شود. وجود متغیرهای ناپایا در الگو در عین حال سبب میشوند تا آزمونهای t وF معمول نیز از اعتبار لازم برخوردارنباشند و به غلط نتیجه گیری شود که رابطه مستحکم و معنیداری بین متغیرهای الگو وجود دارد، در حالیکه واقعیت جز این است و رگرسیون نتیجه شده رگرسیون کاذبی[۴۲] بیش نمی باشد. یک روش سرانگشتی برای شناسایی رگرسیون کاذب آن است که ضریب تعیین بزرگتر از آماره آزمون دوربین-واتسون باشد. یک ویژگی مهم سریهای مانا این است که تاثیر شوکها بر سریهای زمانی مانا همواره موقتی است و در طول زمان این تاثیرات ناپدید شده و سری به میانگین بلند مدت خود، همگرا می شود درحالیکه درصورت نامانا بودن سری، تاثیر شوکها دائمی است.
پس قبل از استفاده از متغیرهای سری زمانی لازم است نسبت به پایایی یا عدم پایایی آنها اطمینان حاصل کرد. برایآزمون نمودن ایستایی متغیرها روشهای متعددی وجود دارد که آزمون ریشه واحد[۴۳] یکی از معمولترین آنهاست. اساس ریشه واحد بر این منطق استوار است که وقتی ۱ β = است، فرایند خود توضیح مرتبه اول y t= β yt-1+ut یک الگوی گام تصادفی[۴۴] و ناپایا میباشد. بنابراین اگر به روش حداقل مربعات معمولی[۴۵] ضریب β معادله بالا برآورد شود و برابر با یک بودن آن مورد آزمون قرارگیرد میتواند پایایی یا ناپایایی یک فرایند سری زمانی را به اثبات برساند. مشکلی که در انجام این آزمون وجود دارد این است که آماره t ارائه شده به روش حداقل مربعات معمولی تحت صحت فرض ۱ β = حتی در نمونههای بزرگ دارای توزیع t معمول نیست و در نتیجه نمی توان از کمیتهای بحرانی t برای انجام آزمون استفاده کرد. برای حل این مشکل آزمونهایی ابداع شده است که از جمله آنها میتوان به آزمون دیکی - فولر، آزمون دیکی – فولر تعمیم یافته و آزمون فیلیپس و پرون اشاره نمود.
در صورت اثبات عدم ایستایی یک متغیر میتوان با تفاضل گیری آن متغیر را ایستا نمود. درپیشبینیهای بسیارکوتاه مدت؛ نوع روند موجود درمدل، چندان تعیین کننده نیست و تفاضل گیری نیز الگوی تغییرات ضرایب مدلهای خود توضیحی و میانگین متحرک را تغییرنخواهد داد. اما اگر دوره پیش بینی طولانی باشد؛ شناخت الگوی واقعی روند موجود در مدل، مسئلهای اجتناب ناپذیرخواهدبود. مانا بودن یک متغیر به معنای عدم وجود روند درآن متغیر و تغیرات بلند مدت سری حول میانگین خواهدبود. وجود روند قطعی در مدل بیانگر افزایش و یا کاهش ملایم سری به سمت یک مقدار بینهایت است.
حال این سوال مطرح است که برای رعایت پیش شرط پایایی متغیرها در روشهای متداول اقتصادسنجی وقتی تفاضل مرتبه اول و یا بیشتر متغیرهای سری زمانی را مورد استفاده قرارمیدهیم مشکل خاص دیگری وجود نخواهدداشت؟ درپاسخ باید گفت هنگامی که از تفاضلها در برآورد ضرایب الگو استفاده میکنیم اطلاعات ارزشمندی دررابطه با سطح متغیرها را ازدست میدهیم. تئوریهای اقتصادی براساس رابطه بلندمدت بین سطح متغیرها عنوان شده است و نه برمبنای تفاضل آنها. اینجاست که روش همجمعی[۴۶] (همگرایی متقابل) به کمک می آید تا بتوان رگرسیون را بدون هراس از کاذب بودن براساس سطح متغیرهای سری زمانی برآورد کرد. این تمایل در اغلب سریهای زمانی اقتصاد کلان وجود دارد که هم جهت با یکدیگر حرکت کنند. علت این امر وجود روندی است که در تمامی آنها مشترک است.
[یکشنبه 1400-08-02] [ 07:56:00 ق.ظ ]
|