در این آزمون فرض صفر مبتنی بر نر مال بودن است که در صورت به دست امدن احتمال تایید کمتر از ۵% فرض صفربا احتمال ۹۵% اطمینان رد می شود این آزمون در جریان بررسی امار توصیفی دادههای تحقیق انجام شده است (افلاطونی و نیک بخت ۱۳۸۹) در صورت رد شدن فرض نرمال بودن به قضیه حد مرکزی[۹] استناد می کنیم این قضیه می گوید توزیع میانگین تعداد زیادی متغیر تصادفی نرمال (یا به طور کلی متقارن) است حتی اگر توزیع خود متغیر ها نرمال نباشد برای استفاده از قضیه حد مرکزی باید به شرایط ان نیز توجه کرد قضیه حد مرکزی زمانی کاربرد دارد که :
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
مقادیر تصادفی از یک توزیع باشد
مقادیر مستقل از هم باشند
وتوزیع مقادیر دارای میانگین وانحراف معیار متناهی باشد.
در قضیه حد مرکزی هرگاه مجموع و یا متوسط مورد استفاده و اندازه نمونه به قدر کافی بزرگ باشد انتظار می رود که تخمین زننده دارای یک توزیع نرمال (البته به طور تقریبی) در نمونهگیریهای مکرر باشد.
بدیهی است که داده های مالی همه این شرایط را ندارند و در واقع هیچ کدام را ندارند به خصوص وقتی در مورد داده های غیر نرمال صحبت می کنیم بهترین توزیع توزیع هایی با واریانس نا محدود (نامتناهی) هستند این باعث می شود که نتوانیم از خواص توزیع نرمال و قضیه حد مرکزی استفاده کنیم این موضوع اگر چه برای محققینی که قصد مدل سازی واقعی تریاز داده های مالی را دارند جذاب است اما تحقیقات مالی را که طی دهه های گذشته صورت گرفته بود .بااین حال هنوز میتوان برخی از این سه شرایط را تا حدی آزاد کرد و همچنان از خواص قضیه حد مرکزی استفاده کرد. برای مثال اینکه توزیع متغییرهای تصادفی کاملا یکسان باشد ضروری نیست (برای n های بزرگ). به ان دلیل است که هر کدام از متغیرها تاثیر کوچکی بر مجموع دارد .همچنین در صورت وجود همبستگی ضعیف بین متغیرها، همچنان می توان از این قضیه استفاده کرد .(بی غم ازاد، معصومه، ۱۳۹۱)
۳-۱-۵-۳ ناهمسانی واریانس
یکی از موضوعات مهمی که در اقتصاد سنجی به آن برخورد میکنیم موضوع ناهمسانی واریانس است. ناهمسانی واریانس به این معناست که در تخمین مدل رگرسیون مقادیر جملات خطا دارای واریانس های نابرابر هستند. یکی از فروض کلاسیک در تحلیل رگرسیون همگن یا همسان بودن توزیع واریانس خطااست که در صورت نقض شدن این فرض، اجزای اخلال دارای ناهمسانی واریانس[۱۰] خواهند بود .ناهمسانی واریانس در واقع، به دلیل برابر نشدن واریانس متغیر وابسته در دوره های مختلف به وجود می اید.در صورت نابرابری واریانس متغیر وابسته، واریانس اجزای اخلال نیز در ادوار مختلف یکسان نخواهد بود . که در نتیجه، تخمین مدل دچار تورش و عدم کارایی میگردد. برای تشخیص ناهمسانی واریانس در مدل از روش های مختلف مانند : به روش ترسیمی و اسپیر من می توان استفاده کرد .
در نرم افزارEviews قابلیت استفاده از آزمونهای وایت و نوی وست وجود دارد .آزمون وایت در دو شکل مقطعی و غیر مقطعی عمل می کند .در حالت مقطعی حاصلضرب متغیر مستقل خود به عنوان یک متغیر جدیدو مستقل شناسایی می شود در آزمون وایت فرض صفر (HO) معادل همسانی واریانس ها و فرض جانشین (H1) معادل ناهمسانی واریانس ها تعریف شده است .و براساس نتیجه آزمون می توان در مورد ناهمسانی واریانس ها قضاوت کرد .برای رفع ناهمسانی واریانس در نرم افزارEviews از ماتریس واریانس-–کو اریانس استاندارد استفاده می شود (گجراتی، ۱۳۹۰).
۳-۱-۵-۴ خود همبستگی
یکی دیگر از موارد نقض فروض کلاسیک، همبستگی پیاپی[۱۱] یا خود همبستگی[۱۲] است که به وضعیتی اشاره می کند که در ان میان اجزای اخلال نوعی رابطه همبستگی بر قرار است . چنین حالتی به دلیل ارتباط جزء اخلال هر مشاهده (تفاوت متغیر وابسته با مقدار تخمینی اش) با جزء اخلال مشاهده دیگر به وجود میاید. همبستگی پیاپی یا خود همبستگی در چندین نوع یا مرتبه قابل مشاهده است برای مثال در همبستگی پیاپی مرتبه اول[۱۳] اجزای اخلال یک دوره زمانی به طور مستقیم با اجزای اخلال یک دوره بعد همبستگی دارند اهمیت توجه به این موضوع از ان جهت است که وجود همبستگی پیاپی کارایی براورد کننده (تخمین زن) حداقل مربعات معمولی[۱۴] (OLS) را تحت تاثیر قرار می دهد راه حل متداول برای برسی احتمال وجود همبستگی پیاپی استفاده از اماره دوربین واتسون[۱۵] می باشد این اماره به طور معمول بین صفر تا چهار تغییر می کند مرز تقریبی بین همبستگی پیاپی مثبت و منفی عدد ۲ است اگر اماره بالاتر از ۲ باشد بیانگر وجود خود همبستگی منفی و اگر کمتر از ۲ باشد نشان دهنده وجود خود همبستگی مثبت است چنانچه آماره در حدود ۲ باشد به این معنی است که در رگرسیون خود همبستگی مرتبه اول وجود ندارد از طریق مراجعه به جداول آماری مربوط به دوربین واتسون می توان نسبت به رد یا قبول وجود خود همبستگی قضاوت و نتیجه گیری کرد با تشخیص ساختار همبستگی ها به ویژه با آزمون نمودار AFC یا آزمون تشخیص ساختار ARMA در Eviews 8 می توان روش مناسب برای رفع خود همبستگی را در مدل یا
فت به این ترتیب در صورت برخورداری از ساختار ARMA مدل با اضافه کردن ترکیبات AR یا MA در بین مولفه های مدل اجرا می گردد (جعفری سرشت، ۱۳۸۹)
۳-۱-۵-۵ هم خطی
یکی از اهداف رگرسیون چندگانه تعیین اثر هر یک از متغیرهای مستقل با ثابت نگه داشتن سایر متغیرهای مستقل می باشد. این هدف در مرحله اول با برآورد ضرایب رگرسیونی در مدل محقق میگرد. اما اگر بین متغیرهای مستقل رابطه خطی برقرار باسد جواب یکتایی برای متغیرها قابل دستیابی نیست. در این صورت مشکل هم خطی برای مدل رگرسیونی بوجود آمده و محقق در برآورد صحیح پارامترها دچار مشکل میشود. مشکلات ناشی از هم خطی در یک مدل رگرسیونی روی اریبی ناشی از حذف متغیر و نیز واریانس پارامترها می باشد.
همخطی در اثر خطی یا فنی متغیر های مستقل مدل به وجود می اید معیار تشخیص هم خطی (که به تورم واریانس معروف است) مبتنی بر تغییر ضریب تعیین و واریانس رگریسیون در نتیجه ورود متغیرهای هم خط به مدل است. از جنبه کاربردی تا زمانی که میزان توزیع دهندگی مدل به واسطه ورود متغیرهای هم خط کاسته نشود و ضرایب رگرسیونی ان ها نیز معنا دار باشد در جهت رفع هم خطی اقدامی صورت نمیگیرد.
راه کار رفع هم خطی پیش از حذف متغیر های شدیدا هم خط استفاده از تحلیل عاملی یا همان ادغام کردن تاثیر متغیر های هم خط در قالب یک متغیر روی مدل است (جعفری سرشت۱۳۸۹).
۳-۱-۵-۶ مانایی متغیرها
از آنجا که ممکن است متغیر های اقتصادی دارای سری زمانی نامانا باشند بنابر این باید قبل از به کارگیری در مدل بررسی لازم در خصوص مانایی ان ها صورت گیرد و نسبت به مانا یا نامانا بودن متغیرهای سری زمان اطمینان حاصل شود در واقع به طور معمول عملیاتی مانند استفاده از روش حد اقل مربعات معمولی در تحقیقات تجربی با فرض مانا بودن متغیرهای سری زمانی صورت می گیرد. مانایی در مجموع به دو شکل مانای اکید و مانای ضعیف قابل بررسی است. مانای اکید به این معنی است که عامل تغییر زمان هیچگونه تاثیری بر تابع توزیع مشترک ندارد . در عمل با توجه به دشوار بودن آزمون های مانایی اکید محققان معمولا از آزمون های مانایی ضعیف استفاده می کند بر همین اساس متغیرها در صورت برخورداری از خصوصیات مانایی ضعیف مانا شناخته می شوند ثبات میانگین ثبات واریانس وثبات کوواریانس فر ایند تصادفیx به ازای مختلف مقادیرt از خصوصیات مانایی ضعیف است.
موضوع مانایی می تواند برای مدل تلفیقی نیز همانند مدل های سری زمانی مطرح گردد. آزمون معمول به منظور برسی مانایی در مدل تلفیقی آزمون ریشه واحد می باشد. نرم افزارEviews 8 از آزمونهای مختلفی نظیر آزمون لوین لین و چو[۱۶](۲۰۰۲) آزمون بریتونگ (۲۰۰۰) آزمون ایم پسران و شین[۱۷] (۲۰۰۳) آزمون ریشه واحدفیشر-دیکی فولر تعمیم یافته[۱۸] و آزمون ریشه واحد فیشر-فیلیپس پرون[۱۹] (مادلاو وو۱۹۹۹) و چویی[۲۰] (۲۰۰۱) به منظور محاسبه ریشه واحد می تواند استفاده کند. (مشکی، ۱۳۹۰).
بخش دوم
مدل داده های تلفیقی و
روش های تخمینی
۳-۲-۱ مقدمه
تاکنون مطالعات زیادی در رابطه با بهره گرفتن از زوش های اقتصاد سنجی مشخصی نظیر روش های مقطعی و یا سری های زمانی بوده است .این در حالی است که گرایش عمومی همه تحقیقات مشابه که امروزه در اقتصادهای پیشرفته و نو ظهور انجام می گیرد استفاده از روش های نظیر روش دادههای تلفیقی و مدل های پویا است.
امروزه روش داده های تلفیقی به لحاظ مزایا و برتری هایی که نسبت به روش های مقطعی و سریهای زمانی دارد به طور فزاینده ای در تحقیقات اقتصادی استفاده می شود داده های تلفیقی به مجموعه داده ای اطلاق می شود که بر اساس ان، مشاهدات بواسطه تعداد زیادی از متغیرهای مقطعی (N) که اغلب به صورت تصادفی انتخاب می شود، در طول یک دوره زمانی مشخص (T) مورد ررسی قرار می گیرد. در این صورت TxN دادهای آماری را داده های تلفیقی یا داده های مقطعی- سری زمانی می نامند.
یکی از مزایای به کار گیری روش فوق در مقایسه با روش های دیگر افزایش قدرت آماری ضرایب میباشد. در روش داده های تلفیقی به وسطه ترکیب مشاهدات سری زمانی و مقطعی مشکل ناهمسانی واریانس[۲۱] محدود شده هم خطی[۲۲] بین متغیر ها کاهش یافته و به واسطه افزایش درجه ازادی، براوردی کاراتر انجام می شود. در نهایت استفاده از روش داده های تلفیقی می تواند به حل مشکل تورش بر آوردهای معادلات مقطعی کمک نماید (افلاطونی و نیک بخت، ۱۳۸۹ ).
۳-۲-۲ انواع مدل داده های تلفیقی
اغلب تحلیل گران برای انتخاب بهترین مدل پیش بینی تلاش می کنندکه مدلهای متعدد را به طور مجزا بررسی و آزمون کنند. مدلی که پیش بینیهای آن انحراف کمتری با واقعیت داشته باشد به عنوان بهترین مدل انتخاب می شود . رویکرد اتتخاب یک مدل خاص از بین مدلهای مختلف پیش بینی بر این تفکر بما شده است که بالاخره بهترین مدل برای تبیین رفتار یک سری زمانی وجود دارد و هیچ مدلی غیر از مدل انتخاب شده دارای صحت در پیش بینی نیست.رویکرد تلفیقی بر این فرض بنا شده است که برخی مدلهای حذف شده، صرف نظر از مدل انتخاب شده اطلاعات مفیدی دارند که با قرار
گرفتن در کنار مدل انتخابی و ترکیب آنها با یکدیگر، واریانس خطای پیش بینی بسیار کوچک خواهد شد. (آذر، عادل، ۱۳۹۰)
مدلهای مربوط به داده های تلفیقی از انواع مختلف مدل ها تشکیل شده است . در یک طبقه بندی کلی میتوان مدل های مزبور را بشرح زیر طبقه بندی نمود:
الف مدل داده ای تلفیقی ایستا[۲۳]
ب-مدل داده های تلفیقی پویا[۲۴]
۳-۲-۳ مدل داده های تلفیقی ایستا
مدل داده ای تلفیقی ایستا خود شامل سه مدل بشرح زیر می باشد:
۳-۲-۳-۱ مدل ضرایب ثابت (CCM)[25]
در صورتی که هیچکدام از اثرات مقطعی و یا اثرات زمانی تفاوت معنا داری از یکدیگر نداشته باشند دران صورت می توان تمامی داده ها را با هم ترکیب نموده و بوسیله رگرسیون حد اقل مربعات معمولی (OLS) تخمین زد. مدل رگرسیون ترکیبی نیز نامیده می شود.
اگر هر واحد مقطعی دارای تعداد یکسانی از مشاهدات سری زمانی باشد، در آن صورت داده های ترکیبی، متوازن نامیده شده ودر غیر اینصورت نا متوازن تلقی خواهد شد.
۳-۲-۳-۲ مدل اثرات ثابت (FEM)[26]
در این مدل ضرایب شیب بین واحد های مقطعی (مناطق ادارات) ثابت بوده و لیکن از مبدا برای هر یک متفاوت می باشد. در این مدل با وجود انکه عرض از مبدا برای هریک از ادارات متفاوت می باشد و لیکن در طول زمان ثابت بوده و تغییر نمی کند و به همین دلیل نیز به مدل اثرات ثابت معروف شده است.
۳-۲-۳-۳ مدل اثرات تصادفی(REM)[27]
یک روش جایگزین برای تخمین مدل اثرات ثابت، تخمین مدل اثرات تصادفی است. تفاوت چنین مدلی با اثرات ثابت این است که در آن عرض از مبدأ مختص هر یک از متغیرها مقادیر ثابتی نیستند، بلکه به صورت تصادفی انتخاب می شوند. درصورتی که متغیرها به صورت تصادفی انتخاب شده باشند و بین متغیرها توضیحی و خطاها همبستگی وجود نداشته باشد، می توان برای رسیدن به تخمین کارا و سازگار از روش اثر تصادفی استفاده نمود. طرفداران روش اثرات تصادفی چنین استدلال میکنند که اوردن متغیرهای مجازی در مدل رگرسیون، پوششی برای بی توجهی و ناگاهی ما از وجود متغیرهای توضیحی مناسب و بکار گرفتن آن در مدل تخمین می باشد. لذا در این مدل اثرات غفلت از کاربرد متغیرهای مزبور به واسطه جمله خطا بیان می شود. ایده اولیه مدل اثرات تصادفی مبتنی بر رابطه می باشد.
بنابراین در مدل اثر تصادفی (برخلاف مدل اثر ثابت که در آن هر واحد مقطعی مقدار عرض از مبدا ثابت خود را دارد)، عرض از مبدا α۱، میانگین تمام عرض از مبداهای مقطعی را نشان می دهد و جزء خطای ui، انحراف (تصادفی) عرض از مبدا انفرادی را از این میانگین مشخص می نماید.
۳-۲-۴ مدل داده های تلفیقی پویا
در صورتی مدل رگرسیون مورد تحلیل در برگیرنده یک یا چندعنصر با وقفه از متغیر وابسته به عنوان متغیر توضیحی باشد در آن صورت مدل را مدل خود رگرسیونی یا مدل دینامیک (پویا) مینامند. این مدلها در واقع بیانگر رگرسیون متغیر وابسته بر حسب خودش با وقفه زمانی معین میباشد.
مدل های خود رگرسیونی از شکل مشترک زیر برخوردارند:
Yit=α۱+β۱Xit+β۲Yit+Vit
روش کلاسیک حداقل مربعات به طور مستقیم در مدل فوق قابل کاربرد نمی باشد. این موضوع ناشی از دو علت است: اول به لحاظ و جود متغیر توضیحی است و کاستیک و دوم به لحاظ امکان وجود همبستگی سریالی در اجزای اخلال .به عبارت دیگر در صورتی که متغیر توضیحی در مدل رگرسیون با جزء اخلال استوکاستیک همبسته باشد، در این صورت تخمین زنهای OLS تورش دار خواهند بود.
۳-۲-۵ تکنیک های تخمین سیستم معاملات
سیستم معادلات مشتمل بر مجموعه ای از معادلات با ضرایب نامعلوم می باشد که با بهره گرفتن از روش های متعدد ی می توان اقدام به براورد ضرایب ان نمود .برخی از روش های تخمین برای براورد ضرایب متغیرهای مستقل که در این پژوهش از ان استفاده شده را می توان بشرح زیر خلاصه نمود:
۳-۲-۵-۱ روش حداقل مربعات معمولی(ols)
روش حداقل مربعات معمولی[۲۸] به کارل فردریک گوس[۲۹] ریاضیدان نامی المان نسبت داده می شود. روش مزبور مجموع مربعات جملات پسماند را کمینه می نماید. روش ols تخمین زننده هایی را ارائه میکند. که خطی بدون تورش و در بین تمام تخمین زننده ای خطی و بدون تورش دارای حداقل واریانس باشد.
۳-۲-۵-۲ روش حداقل مربعات تعمیم یافته[۳۰] (GLS)