دانلود کامل پایان نامه در سایت pifo.ir موجود است.

 

۳-۵-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(۱۹۸۰) ،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.
۳-۵-۱-آزمون معناداربودن اثرات ثابت
برای آزمون معناداربودن ضریب iα(آزمون فرضیه۰= 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 ۲ =…=α ۱=α H0: است تحت فرضیه H0 معادله (۳-۲۷) در مقابل فرضیه H1 تحت معادله (۳-۲۸) آزمون می شود:
رگرسیون غیر مقید :Yt= (27-3)
)POOLED :رگرسیون مقید (Yt=→ (۲۸-۳)
معادله (۳-۲۷) 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 وها را تشکیل می دهیم:
F= (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 ،۱۳۹۲،ص ۷۸۶)
۳-۵-۲-آزمون اثرات تصادفی
بروش وپاگان(۱۹۸۰) 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:=0
H1:
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= (30-3)
تحت فرضیه H0 ،LM توزیع کای دو با درجه آزادی ۱ دارد.
برای آزمون LM مراحل زیررا انجام می دهیم:
۱-ابتدا معادله مورد نظر(مدل تجمیعی) را با روش OLS برآورد می کنیم.
۲-باقیمانده ها را حساب می کنیم.
۳-مجموع مجذور باقیمانده ها را حساب می کنیم.
۴-برای هر گروه میانگین باقیمانده ها را حساب می کنیم.
۵- میانگین باقیمانده های هر گروه را را به توان ۲ رسانده و جمع می زنیم.
۶-براساس نتایج مرحله ۳و۵ مقدار LM را حساب کرده و با عدد بحرانی=۳٫۸۴ 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، ۱۳۹۲،ص۸۰۰)
۳-۵-۳-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 ،۱۳۸۷ ،ص۱۳۴)
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:

 

۱-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.
۲-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.
۳-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 ،۱۳۹۲ ، ص ۴۵۹)

 

۳-۶-آزمونهای تشخیصی