دانلود پایان نامه سرمایهگذاری مستقیم خارجی و سرمایهگذاری


Widget not in any sidebars

مشکل اساسی که در تخمین این مدل با آن روبرو می‌شویم این است که وقفهی متغیر وابسته در سمت راست با جزء خطا ارتباط دارد. این مشکل سبب می‌گردد تخمین زننده OLS تورشدار و ناسازگار شود. همچنین تأثیرات تصادفی تخمین زننده GLS در یک مدل دادههای مقطعی،‌ تورشدار می‌باشد.
کارکوویچ و لوین (2005) نیز نتایج مطالعات صورت گرفته در زمینهی سرمایهگذاری مستقیم خارجی را به خاطر کنترل نکردن تورش همزمانی و اثرات خاص یک کشور، مورد نقد قرار میدهند. یکی از راه حلهای معمول برای حل این مشکلات، یک مرتبه تفاضل گیری از معادلهی اصلی برای حذف تأثیرات مقطعی و سپس استفاده از تخمین زننده‌های GMM ‌می‌باشد.
)yi,t – yi,t-1( = α(yi,t-1 – yi,t-2 ) + β1 (FDIi,t – FDIi,t-1 ) + β2 ( EDBi,t – EDBi,t-1 ) + β3 ( Xi,t– Xi,t-1 ) + (εi,t– εi,t-1 ) (4-3)
آرالانو و باند (1991) برای نشان دادن اریب همزمانی ممکن متغیرهای توضیحی و همبستگی بین (yi,t-1–yi,t-2) و( εi,t – εi,t-1)، استفاده از سطوح تأخیری متغیرهای توضیحی را پیشنهاد دادند که این پیشنهاد تحت فروض زیر معتبر است:
1- جز خطا بطور سریالی همبسته نباشد.
2- وقفهی متغیرهای توضیحی بهطور ضعیف برونزا باشد.
این استراتژی به عنوان تخمین GMM تفاضلی شناخته میشود. بر این اساس شرایط لحظهای زیر را می‌توان بیان نمود:
E [ yi,t−s . (εi,t – εi,t−1) ] = 0 برای s≥2; t = 3;…; T
E [ FDIi,t−s . (εi,t − εi,t−1) ] = 0برای s≥2; t = 3;…; T
E [ EDBi,t−s .(εi,t − εi,t−1) ] = 0 برای s≥2; t = 3;…; T
E [ Xi,t−s .(εi,t − εi,t−1) ]= 0 برای s≥2; t = 3;…; T
گرچه شرایط بالا قادر به کنترل اثرات خاص یک کشور و تورش همزمانی هستند، اما آلنسو، بورگو و آرلانو (1999) و بلوندل و باند (1998) نشان دادند که هرگاه متغیرهای توضیحی پایا باشند، سطوح تأخیری متغیرها ابزار ضعیفی میشوند که این ابزارها در نمونههای کوچک، ممکن است منجر به تخمین پارامترهای اریب و واریانسهای بزرگتر شود. آرلانو و باور (1995) یک تخمین زنندهی سیستمی جایگزین را پیشنهاد دادند که معادلهی تفاضلی (3) و معادلهی سطح (2) را ترکیب میکند. بلوندل و باند (1998) نشان دادند که این تخمینزننده قادر به کاهش اریب و عدم تصریح مربوط به معادلهی تفاضلی است. براساس آرلانو و باور (1995)، شرایط اضافی برای بخش دوم سیستم، به شرح زیر ایجاد میشود:
E [ (yi,t−s− yi,t−s−1)⋅ (ηi + εi,t) ] = 0 برای s=1
E [ (FDIi,t−s− FDIi,t−s−1)⋅(ηi + εi,t) ] = 0 برای s=1
E [ (EDBi,t−s – EDBi,t−s−1 )⋅(ηi + εi,t) ] = 0 برای s= 1
E [ (Xi,t−s – Xi,t−s−1 )⋅(ηi + εi,t) ] = 0 برای s=1
برای بررسی معتبر بودن ماتریس ابزارها در روش GMM، نیز از آزمون سارگان استفاده میکنیم. در این آزمون، فرضیهی صفر حاکی از عدم همبستگی ابزارها با اجزاء اخلال میباشد.
آزمون اعتبار محدودیتهای گشتاوری
آزمون استاندارد برای معتبر بودن محدودیتهای گشتاوری در فرآیند تخمین GMM، آزمون محدودیتهای بیش از حد مشخص سارگان است. آزمون J-statistic گزارش شده در تخمین GMM، تحت فرض صفر محدودیتهای گشتاوری معتبر میباشند. تحت این فرضیه، آماره سارگان دارای توزیع خی- دو با درجه آزادی k-p است که p تعداد متغیرهای توضیحی و k رتبه ابزاری است.
scalar pval [email protected](J-stat,instroment rank-تعداد متغیرهای توضیحی)
برآورد الگو