منبع پایان نامه ارشد درمورد رگرسیون، معنادار بودن، اثرات ثابت

از ضریب همبستگی پیرسون و برای بررسی رابطه هم خطی میان متغیرهای توضیحی از عامل تورم وایانس (VIF) استفاده شده است. همچنین، برای تحلیل اطلاعات از آزمون های لیمر، هاسمن، معنادار بودن ضرایب رگرسیون (t)، معنادار بودن الگوی رگرسیون (F) و خود همبستگی دوربین واتسون استفاده شده است.
3-7-1 آزمونF-لیمر
برای انتخاب بین روش داده‌های تابلویی59 و داده های مقطعی60 از آماره Fلیمر استفاده می شود.
آزمون Fلیمر مقایسه‌ای بین مجموع مربعات جملات خطا61(RSS) در روش داده‌های تابلویی و داده‌های مقطعی است. از آنجا که در روش داده‌های مقطعی، پارامترهای محدود کننده‌ی بیشتری( مثل ثابت در نظر گرفتن ضرائب عرض از مبدأ در طول زمان، در داده های مقطعی) وجود دارد، لذا انتظار بر این است که روش داده‌های مقطعی نسبت به داده‌های تابلویی، RSS بیشتری داشته باشند. بنابراین اگر RSS در مدل 62OLS، با افزوده شدن محدودیت‌ها به طور معنی‌داری افزایش پیدا نکند بهتر است که از این روش استفاده شود. در غیر این صورت، روش داده های تابلویی مناسب‌تر است.(امیری،1384)
در آزمون F، فرضیه H0 یعنی یکسان بودن عرض از مبدأها( داده های مقطعی) در مقابل فرضیه مخالف(H1) یعنی ناهمسانی عرض از مبدأها(داده های تابلویی) قرار می‌گیرد. لذا می‌توان نوشت:
{■(H_0: α_0=α_1=…=α_k @H_1:حداقل یکی از عرض از مبدأها با بقیه متفاوت است )┤
⟹{■(H_0:روش داده های مقطعی@H_1:روش داده های تابلویی)┤
اگر F* محاسبه شده از Fجدول با درجه آزادی‌های N-1 و NT-N-K بزرگتر باشد، فرضیه H0 رد شده و استفاده از روش داده های تابلویی بهتر است. در غیر این صورت از روش داده های مقطعی استفاده می‌شود.
3-7-2 آزمون هاسمن
اگر بر اساس آزمون Fلیمر روش داده های تابلویی انتخاب گردید این پرسش مطرح است که آیا تفاوت در عرض از مبدأ واحدهای مقطعی به طور ثابت عمل می‌کند یا اینکه عملکردهای تصادفی می‌توانند این اختلاف بین واحدها را به طور واضح‌تری بیان نمایند. که این دو روش به ترتیب روش اثرات ثابت و اثرات تصادفی نامیده می شوند. برای تشخیص این موضوع، از آزمون هاسمن استفاده می شود. آماره هاسمن دارای توزیع χ2 با درجه آزادی برابر با تعداد متغیرهای مستقل(K) است. در صورتی که فرض صفر رد شود در حقیقت برابر بودن برآوردها در این دو روش رد شده است، که در این صورت از مدل اثرات ثابت استفاده می شود و می توان مدل را با استفاده از روش رگرسیونی حداقل مربعات معمولی یا همان 63OLS برآورد کرد. اما در صورتی که فرض صفر رد نشود باید از روش اثرات تصادفی استفاده شود و باید با استفاده از برآوردگر رگرسیونی کمترین مربعات تعمیم یافته(GLS)64 مدل را تخمین زد.
3-7-3 تحلیل رگرسیون
تحلیل رگرسیون روشی برای مطالعه سهم یک یا چند متغیر مستقل در پیش‌بینی متغیر وابسته است. تحلیل رگرسیون اساساً به مطالعه وابستگی یک متغیر(Y) به یک یا چند متغیر دیگر(متغیر مستقل یا توضیحی) می‌پردازد. هنگامی‌که دو یا چند متغیر روی متغیر وابسته تأثیر داشته باشند از مدل رگرسیون چندگانه جهت پیش‌بینی متغیر وابسته استفاده می‌شود. در این مدل بین متغیرها فرض خطی بودن رابطه برقرار است و بر همین اساس معادله مدل رگرسیون چندگانه به‌صورت زیر است:
Y=β_0+β_1 X_1+β_2 X_2+…++β_n X_n
میزان تغییر در متغیر وابسته بدلیل یک واحد تغییر در متغیر مستقل را ضریب رگرسیون(βi) می‌گویند.
تحلیل رگرسیون مبتنی بر چند فرض اساسی و ساده است که اگر یک یا چند مورد از این فرضیه‌ها برقرار نباشد، تفسیر مربوطه و پیش‌بینی‌های انجام شده بر اساس آن نادرست، ضعیف و فاقد اعتبار خواهد بود. این فرضیات عبارتند از 1- نرمال بودن خطاها 2- عدم هم‌خطی 3- عدم وجود خودهمبستگی در جملات باقیمانده(اجزای اخلال)
در ادامه به تشریح مختصری از مفروضات اساسی مربوط به مدل‌های رگرسیونی می‌پردازیم:
نرمال بودن خطاها:
برای بررسی فرض نرمال بودن خطاها، می‌توان از آزمون ناپارامتریک کلموگراف- اسمیرنف استفاده کرد. فرضیات این آزمون به صورت زیر ارائه می‌شود:
{█(H_0: توزیع‌داده‌ها‌نرمال‌است@H_1: توزیع‌داده‌ها‌نرمال‌نیست)┤

مطلب مشابه :  منبع پایان نامه درباره آیین هندو

دیدگاهتان را بنویسید