علمی : برآورد پتانسیل تجاری ایران با کشورهای منتخب- قسمت ۳۳

۳-۲) به دلیل بند ۲ یعنی افزایش تغییرات مشاهدات، و لذا کاهش Var برآوردگرها، t محاسباتی زیاد میشود.
۳-۳) لذا ۲ نیروی بالا باعث معنادار شدن بسیاری از نتایج میشود که با دادههای سری زمانی یا مقطعی صرف غیرمعنا دارند.
لذا Panel Data علاج بسیار مناسبی برای مشکل همخطی است. زیرا هم خطی زمانی است که نتایج را (براساس کمیتt) غیر معنا دارند که لذا این تکنیکها یکی از بهترین روشهای درمان هم خطی است.
تفکیک پدیدههای اقتصادی مختص زمان (پیشرفت تکنولوژی) از مختص مقاطع در هر زمان (حرفه اقتصادی مقیاس) را امکان پذیر میکند. هر دو باعث کاهش AC ,PAC میشوند. اما با دادههای حروف مقطعی یا سری زمانی امکان تفکیک ندارد اما در این مدلها میتوان متغیرهای مختص زمان را تعریف کرد و براساس آنها اثر بر متغیر وابسته (LAC) را تفکیک کرد.
بسیاری روشهای اقتصاد سنجی که نیازمند اطلاعات بیرونی نسبت به پارامترها هست و بر دادههای صرف مقطعی و سری زمانی باید از بیرون مدل داده شوند( مثلاً yt= β۱+β۲Xt+ut جهت رفع واریانس ناهمسانی باید اطلاعات بیرونی مثل تا بتوان با تقسیم کل مدل بر ، GLS یا WLS را اجرا کرد. اما در Panel Data امکان اعمال روش GLS یا WLS بدون وزن دهی از بیرون توسط خود نرم افزار اجرا میشود. (تیمورمحمدی، ۱۳۸۹)
۳-۲-۲- محدودیت های پانل دیتا
داده های پانل دیتا هزینه بر است یعنی هزینه های جمعآوری داده ها از جمله مسائل طراحی و گردآوری این نوع داده ها که البته ممکن است همه آنچه لازم است پوشش داده نشود.
تحریفات خطاهای اندازه گیری مثلاً اگر در پرسشنامه سؤالات شفاف نباشد.
مسائل گزینشی که شامل خود گزینشی(معمولا اطلاعاتی ارائه میشود که به صورت شاخص است نه واقعی).یا مسئله بدون پایه است یعنی مشاهدات بدون پاسخ بماند و یا مسئله اصطکاک است یعنی اگر اشکال در مشاهدات ایجادشود موجی را ایجاد میکند که دامنه آن به مشاهدات دیگر کشیده میشود.به طور کلی نرخ اصطکاک از یک موج به موج دیگر افزایش مییابد،اما این موج افزایشی طی زمان کاهش مییابد.
بعد سری زمانی ممکن است خیلی کوتاه باشد.
۳-۳- مراحل روش تخمین مدل بوسیله داده های تلفیقی
سؤالی که اغلب در مطالعات کاربردی مطرح میشود این است که آیا شواهدی دال بر قابلیت ادغام شدن داده ها وجود دارد یا اینکه مدل برای تمام واحدهای مقطعی متفاوت است. بعبارت دیگر آیا در مدل مورد نظر برای مقاطع مختلف هم شیبها و هم عرض از مبدأها متفاوت است. این سؤال را میتوان با فرضیه زیر مطرح نمود:
فرضیه مذکور را میتوان به عنوان یک مجموعه قیود خطی روی ضرایب در نظر گرفت و برای آزمون که به chow test معروف است ار آماره F به صورت ذیل استفاده نمود:
که در آن :
: مجذور پسماندهای حاصل از برازش رگرسیون مقید است.
:مجذور پسماندهای حاصل از برازش رگرسیون نا مقید هر یک از معادلات
با استفاده از روش حداقل مربعات معمولی میباشد.در صورتیکه فرض پذیرفته نشود، دلیل بر یکسان فرض نمودن شیبها و عرض از مبدأ واحدهای مختلف مقطعی وجود ندارد.
آزمون دیگری مطرح است که با فرض متفاوت بودن عرض از مبدأ مقاطع فرضیه زیر را مطرح نمود.
که این فرضیه به صورت یک مجموعه قیود خطی فقط روی ضرایب متغیرهای توضیحی در نظر گرفته میشود که برای آزمون فرضیه مذکور از آماره F به صورت ذیل استفاده میشود.
که در آن :
: مجذور پسماندهای حاصل از برازش رگرسیون مقید است.
: مجذور پسماندهای حاصل از برازش رگرسیون نا مقید هر یک از معادلات
با استفاده از روش حداقل مربعات معمولی میباشد.در صورتیکه فرض پذیرفته شود،سؤال اساسی دیگری مطرح خواهد شد و آن این است که آیا تفاوت در مقاطع مختلف میتوان بوسیله عرض از مبدأ خاص در واحد پاسخگو باشد.به عبارت دیگر آیا تفاوت در عرض از مبدأ واحدهای مقطعی به طور ثابت عمل میکند یا اینکه عملکردهای تصادفی میتوانند این اختلاف بین واحدها را بطور واضح تری بیان نماید که به ترتیب این دو روش در ادبیات داده های تلفیقی به روش های ثابت و اثرات تصادفی مشهور هستند که ذیلاً روشهای فوق الذکر به اختصار مورد بحث قرار میگیرد.(Rodring,1999)
۳-۳-۱- اثرات ثابت
یک روش متداول در فرمولبندی کردن مدل دادههای تلفیقی، براین فرض استوار است که اختلافات بین واحدها را میتوان به صورت تفاوت عرض از مبدأ نشان داد و بنابراین در رابطه فوق هر xi یک پارامتر ناشناخته ای است که باید برآورد گردد.
به فرض که yi و xi شامل T مشاهده برای واحد iام باشند و بردار جزء اخلال بوده و دارای ابعاد T.1 بوده باشد در نتیجه رابطه را به صورت زیر میتوان نوشت:
که در این فرمولها Iبردار یکه با ابعاد T.1 میباشد مدل فوق را میتوان به شکل خلاصه زیر نوشت.
Y=
که متغیر مجازی برای نشان دادن iامین مقطع میباشد حال اگر ماتریس D را به صورت با ابعاد تعریف کنیم خواهیم داشت.
Y=Dα+Xβ+ε
که این رابطه به عنوان مدل حداقل مربعات متغییر مجازی(LSDV)نامیده میشود.مدل اخیر یک مدل رگرسیونی کلاسیک بوده و هیچ شرط جدیدی برای تجزیه و تحلیل آن لازم نیست و میتوان مدل را با استفاده از روش OLS با K رگرسور در X و n ستون در D به عنوان یک مدل چند متغیره با n+k پارامتر برآورد کرد.لازم به ذکر است که میتوان در روش اثرات ثابت،عرض از مبدأ را طوری برآورد کرد که نه تنها در مقاطع مختلف بلکه در زمانهای مختلف نیز متفاوت از هم باشند.
۳-۳-۲- اثرات تصادفی
مدلهای اثرات ثابت تنها در صورتی منطقی خواهد بود که ما اطمینان داشته باشیم که اختلاف بین مقاطع را میتوان به صورت انتقال تابع رگرسیون نشان داد، در حالیکه ما همیشه از وجود این موضوع مطمئن نیستیم. لذا روشهای دیگر مورد استفاده قرار میگیرند. روش دیگر برآورد، روش اثرات تصادفی است که فرض میکند جزء ثابت مشخص کننده مقاطع مختلف به صورت تصادفی بین واحدها و مناطق توزیع شده است. با توجه به این مورد، مدل با اثرات تصادفی به شکل زیر خواهد بود:
که دارای K رگرسور به اضافه یک عرض از مبدأ میباشد. مؤلف مشخص کننده جزء تصادفی مربوط به iامین واحد بوده ودر طول زمان ثابت است. در مطالعات کاربردی، میتوان را آن دسته از ویژگیهای خاص مربوط به هر مقطع در نظر گرفت که در مدل وارد نشده اند. باید توجه داشت که در این حالت واریانسهای مربوط به مقاطع مختلف با هم یکسان نبوده و مدل ما دچار واریانس ناهمسانی میباشد که باید از روش GLS استفاده نمود. با معرفی این دو روش سؤالی که پیش میآید این است که در عمل میبایستی کدامیک از روشهای مذکور را استفاده کنیم که برای تصمیمگیری از آزمون هاسمن کمک میگیریم.
۳-۳-۳- آماره هاسمن
آماره این آزمون که برای تشخیص ثابت یا تصادفی بودن تفاوت های واحدهای مقطعی به صورت زیر محاسبه میشود که دارای توزیع کای-دو با درجه آزادی برابر با تعداد متغیرهای مستقل (K) است.
فرضیه صفر بودن آزمون هاسمن، برابری برآورد کننده هر دو روش حداقل مربعات تعمیم یافته و متغیر مجازی است یعنی داریم:
چنانچه آماره آزمون محاسبه شده بزرگتر از جدول باشد فرضیه H0 رد میشود پس برابری برآوردهای این روش رد و توصیه میشود از روش تصادفی برای دریافت در واحدهای مقطعی استفاده شود،در شکا زیر مراحل مختلف آزمونها مشخص گردیده است.
در حالت کلی ،همانطور که قبلاً ذکر شد مدل زیر بصورت ماتریسی نشان دهنده یک مدل با داده های ادغام شده است.
دانلود متن کامل این پایان نامه در سایت abisho.ir |