-۰٫۵۱

 

 

-۰٫۰۲

 

 

pop

 

 

 

۰٫۰۰۷

 

 

۲٫۷۱

 

 

۰٫۱۳

 

 

gdp

 

 

 

۰٫۷۱۳

 

 

۰٫۳۷

 

 

۰٫۰۱

 

 

un

 

 

 

۰٫۰۰۰

 

 

۶٫۸۸

 

 

۴٫۶۵

 

 

c

 

 

ماخذ:یافته های تحقیق
در نتیجه مدل نهایی حاصل شده به روش GLS بصورت زیر است:
Hpit=4.65+0.20pland+0.39cost+0.13gdp
در مدل نهایی بدست آمده کشش قیمت مسکن نسبت به هزینه ساخت در طی سالهای مورد بررسی برابر۰٫۳۹ درصد بوده است که بیشترین تاثیررا بر قیمت مسکن داشته است پس از آن کشش قیمت مسکن نسبت به زمین برابر ۰٫۲۰ درصد می باشد.کشش قینت مسکن نسبت به تولید ناخالص داخلی برابر ۰٫۱۳ درصد است.
-۲-۷-۴بررسی نرمال بودن پسماندهای مدل GLS
اگر توزیع پسماندهای رگرسیون نرمال نباشد در باره استفاده از توزیع هایt و z استاندارد برای انجام آزمون فروض اطمینان وجود نخواهد داشت.( اندرس،اقتصادسنجی سریهای زمانی بارویکرد کاربردی)بنابراین با استفاده از آزمون jb (jarque-bera ) به بررسی پسماندهای مدل بدست آمده می پردازیم.فرضیه صفر در این آزمون نرمال بودن توزیع پسماندها است.این آزمون را با استفاده از نرم افزار stata انجام می دهیم.
jb rt
Jarque-Bera normality test: 5.17 Chi(2) .0754
Jarque-Bera test for Ho: normality
با توجه به احتمال بدست آمده فرضیه صفر مبنی بر نرمال بودن توزیع پسماندها در سطح ۵ درصد و ۱۰ درصد تایید می شود اما در سطح ۱ درصد رد می شود.برای اطمینان از صحیح بودن مقادیر آماره z و احتمالهای حاصله و فواصل اطمینان می توان این مقادیر را از روش خود پردازی (Bootstrapped )بدست آورد.فرآیند خود پردازی شبیه تجربه مونت کارلو است اما با یک تفاوت اساسی.در روش مونت کارلومتغیر تصادفی را از یک توزیع مفروض مانند توزیع نرمال استاندارد استخراج می نماییم .در فرآیند خود پردازی رویکرد دیگری وجود دارد و آن اینکه متغبرهای تصادفی را از توزیع مشاهده شده آنها بدست می آوریم.اصولا روش خود پردازی مبتنی بر قاعده ضربه می باشد. براساس این قاعده توزیع مشاهده شده یک متغیر تصادفی ،بهترین برآورد از توزیع واقعی آن می باشد.
ایده استفاده از روش خود پردازی را افرون [۴۱](۱۹۷۹ ) مطرح نمود. افرون این نکته اساسی را مطرح کرد که مجموعه داده های مشاهده شده عبارت است از یک نمونه تصادفی با حجم T که از توزیع احتمال واقعی داده ها حاصل شده است.به عبارت دیگر توزیع تجربی داده ها بهترین برآورد از توزیع واقعی داده ها محسوب می گردد.بدین ترتیب تابع توزیع تجربی بصورت یک توزیع گسسته تعریف می شود که در آن ،احتمال وقوع هر یک از مقادیر مشاهده شده برابر با می باشد.لذا آنچه متغیر تصادفی را می سازد تابع توزیع تجربی است و نه یک توزیع از پیش تعیین شده مانند توزیع نرمال.
برای انجام روش خودپردازی انجام مراحل زیر لازم است :
۱-مدل را تخمین زده و پسماندهای آن را بدست می آوریم.
۲-یک نمونه خودپردازش شده حاوی پسماندهای حاصله از مرحله یک را تشکیل می دهیم.برای نمونه فرض می کنیم ۱۰ مقدار از دنباله پسماندها {ε } را در اختیار داریم .با استفاده از این مقادیر می توان تعداد زیادی از دنباله مقادیر خود پردازش شده را بدین صورت بدست آورد که حاوی ۱۰ مقدار انتخابی از دنباله {ε } باشد که بصورت تصادفی و با احتمال ۱٫ ۰ از دنباله {ε }انتخاب شده اند و در دوره های زمانی مختلف جایگذاری شده اند.شاید بنظر برسد در این نمونه سازی بطور مکرر ،داده های نمونه مشاهده شده تکرار می شود امابا نمونه سازی از طریق تکرارممکن است برخی عناصر در نمونه بیش از یکبار تکرار شوند(والتر اندرسواقتصادسنجی سریهای زمانی با رویکرد کاربردی)
۳-با استفاده از نمونه خود پردازش شده مقادیر جدید ضرایب را تخمین می زنیم.
۴-مرحله دوم و سوم را بارها و بارها تکرار می کنیم و مقادیر دیگری از ضرایب را از این روش بدست می آوریم.توزیع این مقادیر (ضرایب) برآورد شده می بایست مشابه توزیع مقادیر ضرایب اصلی باشد. (اندرس،ص ۴۹۵ )

 

 
 
 
yle="box-sizing: inherit; width: 1104px;" width="531">