گيري در مورد رد يا پذيرش فرضيه هاي تحقيق بيان مي گردد. لازم به ذکر است در اين مطالعه براي تجزيه و تحليل داده ها از نرم افزارهاي Eviews و SPSS بهره گرفته شده است.
3-11-1) روش داده هاي پانل
مدل ها از لحاظ استفاده از اطلاعات آماري به سه گروه تقسيم مي شوند. برخي از مدل ها با استفاده از “اطلاعات سري زماني95” يا به عبارتي طي دوره نسبتاً طولاني چند ساله برآورد مي شوند. بعضي ديگر از مدل ها بر اساس “داده هاي مقطعي96” برآورد مي شوند يعني متغيرها در يک دوره زماني معين مثلاً يک هفته، يک ماه يا يک سال در واحدهاي مختلف بررسي مي شوند.
روش سوم برآورد مدل، که در اين تحقيق نيز مورد استفاده قرار گرفته است ، برآورد بر اساس “داده هاي پانل97” است. در اين روش يک سري واحدهاي مقطعي (مثلاً شرکت ها) در طي چند سال مورد توجه قرار مي گيرند. با کمک اين روش که در مطالعات سال هاي اخير نيز زياد استفاده شده است تعداد مشاهدات تا حد مطلوب افزايش مي يابد. با توجه به اينکه مشاهده هاي ادغام شده باعث تغييرپذيري بالاتر، هم خطي چندگانه کمتر ميان متغيرهاي توضيحي، درجه آزادي بيشتر و کارآيي بالاتر تخمين کننده ها مي شود، مطالعات پانل نسبت به مطالعات مقطعي و سري زماني داراي مزيت است (بالتاجي98، 1995، ص 6-3). در حالت کلي مدل زير نشان دهنده يک مدل با داده هاي پانل مي باشد:

که در آن نشانگر واحدهاي مقطعي (مثلا شرکت ها) و نشانگر زمان است. متغير وابسته را برايامين واحد مقطعي در سال نشان مي دهد و نيز امين متغير مستقل غيرتصادفي براي برايامين واحد مقطعي در سالام است. جمله اخلال بوده و که فرض مي شود داراي ميانگين صفر () و واريانس ثابت () است.
پارامترهاي مدل مي باشد که واکنش متغير مستقل نسبت به تغييراتامين متغير مستقل درامين مقطع وامين زمان را اندازه گيري مي کند. براي برآورد مدل بر اساس داده هاي پانل روش هاي مختلفي همچون روش اثرات ثابت99 و روش اثرات تصادفي100 وجود دارد که بر حسب مورد، کاربرد خواهند داشت.
3-11-1-1) روش اثراث ثابت:
در روش اثرات ثابت فرض بر اين است که ضرايب مربوط به متغيرها (شيب ها) ثابت هستند و اختلافات بين واحدها را مي توان به صورت تفاوت عرض از مبداء نشان داد. در اين حالت اگر عرض از مبداء تنها براي واحدهاي مختلف مقطعي متفاوت باشد اصلاحاً روش اثرات ثابت يکطرفه101 ناميده شده و مدل آن بصورت زير مي باشد:

و اگر عرض از مبداء هم مابين مقاطع و هم مابين دوره ها متفاوت باشد روش اثرات ثابت دوطرفه102 ناميده مي شود و مدل آن بصورت زير خواهد بود:

در مدل هاي فوق متغيري است که براي واحدهاي مقطعي متفاوت اما در طول زمان ثابت مي باشد ومتغيري است که براي تمام واحدهاي مقطعي در زمان مشابه يکسان بوده اما در طول زمان تغيير مي کند. براي برآورد روش اثرات ثابت از مدل حداقل مربعات متغير مجازي (LSDV) استفاده مي شود. مدل اخير يک مدل رگرسيوني کلاسيک بوده و هيچ شرط جديدي براي تجزيه و تحليل آن لازم نيست و از طريق روش حداقل مربعات معمولي103 قابل برآورد مي باشد.
3-11-1-2) روش اثرات تصادفي:
مدل هاي اثرات ثابت تنها درصورتي منطقي خواهد بود که ما اطمينان داشته باشيم که اختلاف بين مقاطع را مي توان به صورت انتقال تابع رگرسيون نشان داد، در حاليکه ما هميشه از وجود اين موضوع مطمئن نيستيم. براي رفع اين مشکل روشي پيشنهاد شده است که به مدل اجزاء خطا104 يا اثرات تصادفي معروف است. اين روش فرض مي کند که جزء ثابت مشخص کننده مقاطع مختلف به صورت تصادفي بين واحدها و مقاطع توزيع شده است. بنابراين مدل اثرات تصادفي را مي توان بصورت زير تعريف کرد:

که در آن يک جمله خطاي تصادفي با ميانگين صفر و واريانس مي باشد. بنابراين در مدل اثرات تصادفي جزء اخلال از دو بخش تشکيل شده است؛ يکي که جزء اخلال مقطع مي باشد، و ديگري که جزء اخلال ترکيب مقطع و سري زماني است. با توجه به اينکه در اين حالت واريانس هاي مربوط به مقاطع مختلف با هم يکسان نيستند لذا مدل دچار ناهمساني واريانس بوده و از روش حداقل مربعات تعميم يافته105 (GLS) جهت برآورد مدل استفاده مي شود.
3-11-1-3) آزمون چاو106 يا F ليمر:
در بررسي داده هاي مقطعي و سري هاي زماني، اگر ضرايب اثرات مقطعي و اثرات زماني معني دار نشود، مي توان داده ها را با يکديگر ترکيب کرده و به وسيله يک رگرسيون حداقل مربعات معمولي تخمين بزنيم. از آنجايي که در اکثر داده هاي ترکيبي اغلب ضرايب مقاطع يا سري هاي زماني معني دار هستند اين مدل که به مدل رگرسيون ترکيب شده107 معروف است کمتر مورد استفاده قرار مي گيرد (يافي108، 2003). لذا براي اينکه بتوان مشخص نمود که آيا داده هاي پانل جهت برآورد تابع مورد نظر کارآمدتر خواهد بود يا نه، فرضيه اي را آزمون مي کنيم که در آن کليه عبارات ثابت برآورد با يکديگر برابر هستند. فرضيه صفر اين آزمون که به آزمون چاو يا F ليمر معروف است بصورت زير مي باشد:

براي آزمون فرضيه مذکور از آماره F بصورت زير استفاده مي شود:

که در آن N برابر با تعداد واحدهاي مقطعي، T طول دوره مورد نظر، K تعداد متغيرهاي توضيحي، RRSS مجذور پسماندهاي حاصل از برآورد مقيد رگرسيون بصورت حداقل مربعات متغير مجازي و URSS مجذور پسماندهاي حاصل از برآورد نامقيد رگرسيون بصورت حداقل مربعات معمولي مي باشد. در اين آزمون فرضيه يعني يکسان بودن عرض از مبداء ها در مقابل فرضيه يعني ناهمساني عرض از مبداء ها قرار مي گيرد. در صورتي که فرضيه پذيرفته شود به معني يکسان بودن شيب ها براي مقاطع مختلف بوده و قابليت ترکيب شدن داده ها و استفاده از مدل رگرسيون ترکيب شده مورد تأييد آماري قرار مي گيرد. اما در صورت رد فرضيه روش داده هاي پانل پذيرفته مي شود و مي توان از روش داده هاي پانل استفاده کرد.
3-11-1-4) آزمون هاسمن109:
به منظور اينکه مشخص گردد کدام روش (اثرات ثابت و يا اثرات تصادفي) جهت برآورد مناسب تر است (تشخيص ثابت يا تصادفي بودن تفاوت هاي واحدهاي مقطعي) از آزمون هاسمن استفاده مي شود. در روش اثرات تصادفي بار متغيرهاي حذف شده روي جمله اخلال قرار مي گيرند، اما اين مشروط بر آن است که بين متغيرهاي مستقل و مؤلفه خطاي مقطعي همبستگي وجود نداشته باشد. آزمون هاسمن وجود اين همبستگي را بررسي مي کند. اين آزمون مبتني بر اين فرض اوليه است که در صورت وجود همبستگي، روش اثرات ثابت سازگار و روش اثرات تصادفي ناسازگار است. اگر تخمين کننده روش اثرات تصادفي و تخمين کننده روش اثرات تصادفي باشد آماره اين آزمون که داراي توزيع کاي-دو با درجه آزادي برابر با تعداد متغيرهاي مستقل است بصورت زير قابل تعريف مي باشد:

فرضيه صفر در آزمون هاسمن به صورت زير خواهد بود:

فرضيه صفر به اين معني است که ارتباطي بين جزء اخلال مربوط به عرض از مبدأ و متغيرهاي توضيحي وجود ندارد و آن ها از يکديگر مستقل هستند. در حالي که فرضيه مقابل به اين معني است که بين جزء اخلال مورد نظر و متغيرهاي توضيحي همبستگي وجود دارد. از آنجايي که به هنگام وجود همبستگي بين اجزاء اخلال و متغير توضيحي با مشکل تورش و ناسازگاري مواجه مي شويم، بنابراين بهتر است در صورت پذيرفته شدن (رد) از روش اثرات ثابت استفاده کنيم. هنگامي که بين اجزاء اخلال و متغير توضيحي همبستگي وجود نداشته باشد ( قبول)، هر دو روش اثرات ثابت و اثرات تصادفي سازگار هستند ولي روش اثرات ثابت ناکارآ بوده و بايستي از روش اثرات تصادفي استفاده شود (بالتاجي، 1995).
3-11-2) آزمون معني دار بودن مدل
براي بررسي معني دار بودن مدل رگرسيون از آماره F استفاده شده است. فرضيه صفر در آزمون F به صورت زير خواهد بود:

كه بوسيله آماره زير صحت آن مورد بررسي قرار مي گيرد:

براي تصميم گيري در مورد پذيرش يا رد فرضيه صفر، آماره F به دست آمده با F جدول که با درجات آزادي K-1 و N-K در سطح خطاي () 5% محاسبه شده، مقايسه مي شود، اگر F محاسبه شده بيشتر از F جدول باشد () مقدار عددي تابع آزمون در ناحيه بحراني قرار گرفته و فرض صفر () رد مي شود. در اين حالت با ضريب اطمينان 95% کل مدل معني دار خواهد بود. در صورتي كه مقدار F محاسبه شده كمتر از F جدول باشد فرض پذيرفته شده و معني داري مدل در سطح اطمينان 95% مورد تأييد قرار نمي گيرد.
3-11-3) آزمون معني دار بودن متغيرهاي تحقيق
براي بررسي معني دار بودن ضرايب متغيرهاي مستقل در هر مدل از آماره t استفاده شده است. فرضيه صفر در آزمون t به صورت زير خواهد بود:

كه بوسيله آماره زير صحت آن مورد بررسي قرار مي گيرد:

براي تصميم گيري در مورد پذيرش يا رد فرضيه صفر، آماره T به دست آمده با t جدول که با درجه آزادي N-K در سطح اطمينان 95% محاسبه شده مقايسه مي شود، چنانچه قدرمطلق T محاسبه شده از t جدول بزرگتر باشد ) (، مقدار عددي تابع آزمون در ناحيه بحراني قرار گرفته و فرض صفر () رد مي شود. در اين حالت با ضريب اطمينان 95% ضريب مورد نظر () معني دار خواهد بود که دلالت بر وجود ارتباط بين متغير مستقل و وابسته دارد.
3-11-4) آزمون هاي مربوط به مفروضات مدل رگرسيون خطي
مدل كلاسيك رگرسيون خطي داراي مجموعه اي از فروض تحت عنوان فروض كلاسيك مي‌باشد كه بيشتر آنها در مورد جمله اخلال مدل مطرح مي گردند؛ براي اينکه در مدل رگرسيون خطي، تخمين زن هاي حداقل مربعات معمولي ضرايب رگرسيون، بهترين تخمين زن هاي بدون تورش خطي (BLUE) باشند لازم است تا مفروضات اين مدل بررسي و آزمون شوند. در ادامه نحوه آزمون اين فرضيات بيان مي گردد.
3-11-4-1) فرض نرمال بودن متغيرها و باقيمانده ها:
يکي از فروض مهم راجع به جمله خطا اين است که توزيع نرمال دارد. در اين پژوهش براي بررسي نرمال بودن توزيع خطاها از آزمون جارکيو- برا110 استفاده مي شود. فرضيه صفر و آماره اين آزمون بصورت زير بوده و به توزيع با درجه آزادي 2 گرايش دارد:

در اين آماره،(ضريب چولگي) و (ضريب کشيدگي) از طريق باقيمانده هاي رگرسيون قابل محاسبه مي باشند. فرضيه آزمون جارکيو- برا بيانگر نرمال بودن مي باشد. بنابراين زماني که مقدار آماره محاسبه شده از مقدار بحراني آن با درجه آزادي 2 کوچکتر باشد، فرضيهپذيرفته شده وحاکي از نرمال بودن توزيع خطاها مي باشد (سوري، 1389).
3-11-4-2) فرض عدم وجود همخطي111 بين متغيرهاي مستقل:
همخطي به معناي وجود رابطه بين متغيرهاي مستقل موجود در مدل مي باشد به نحوي كه: مخالف صفر باشد. براي تشخيص وجود همخطي روشهاي مختلفي وجود دارد، از جمله اينكه اگر در مدل همخطي وجود داشته باشد ضريب تعيين مدل بالا برآورد شده و در عين حال تعداد متغيرهاي معني دار موجود در مدل كم مي شود. البته اين نكته حائز اهميت است كه همخطي هيچيك از فروض كلاسيك را نقض نمي نمايد و برآورد كننده هاي بدست آمده با وجود مشكل همخطي سازگار خواهند بود اما در اين حالت ضرائب داراي خطاي معيار بالايي خواهد بود و در نتيجه اين مساله باعث مي شود كه تعداد متغيرهاي معني دار در معادله كاهش بيابد. در اين مطالعه براي بررسي عدم وجود همخطي از ضريب همبستگي پيرسون استفاده خواهد شد. در صورتي که همبستگي ميان متغيرها قوي نباشد (کمتر از 7/0) مي توان گفت همخطي شديدي ميان متغيرها وجود ندارد.
3-11-4-3) فرض مستقل بودن باقيمانده ها:
اين فرصيه مدل كلاسيك رگرسيون خطي بيان مي دارد كه بين جملات اخلال رگرسيون همبستگي وجود ندارد. اگر اين فرض نقض گردد كواريانس بين دو جمله اخلال i و j برابر صفر نخواهد بود. براي بررسي استقلال

دسته بندی : No category

دیدگاهتان را بنویسید