برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه
به نقل از فریدمن، ((… تنها آزمون مناسب برای اعتبار یک فرضیه (مدل) مقایسه پیش‌بینی آن با تجارب است)). بالا دلالت بر قدرت تعمیم‌دهی مدل دارد و باید گفت که این قدرت بیان شده توسط ، فقط در رابطه با یک نمونه و برای آن نمونه معین است و آنچه که در اینجا مدنظر است قدرت پیش‌بینی و تعمیم‌دهی برای دوره‌ای خارج از دوره‌ی نمونه است.
2-5 اشکال تبعی مدل‌های رگرسیونی
این اشکال شامل مدلهای باکشش ثابت (لگاریتم دوسویه) و مدلهای نیمه لگاریتمی است. حال به توضیح هرکدام از این مدلها میپردازیم. (نوفرستی، 1376: 128)
مدل‌های با کشش ثابت (لگاریتم – خطی) یا لگاریتم – لگاریتمی (لگاریتم از دو سو)
این مدلها مکرراً در مطالعات مربوط به تقاضا جهت تخمین کشش‌های قیمتی و درآمدی تقاضا استفاده میشود. این دسته از مدل‌ها هم از نظر لگاریتم متغیرها (X،Y) و هم از نظر پارامترها (β , α) خطی هستند بنابراین می‌توان بهوسیله روش OLS آن را تخمین زد. به خاطر این خطی بودن است که این چنین مدل‌هایی، مدل‌های لگاریتم – خطی، لگاریتم از دو سو یا لگاریتم – لگاریتمی نام گرفته‌اند.
از مهمترین ویژگی این دسته از مدل‌ها آن است که در ضرایب زاویه و کشش یکی هستند، بهطوریکه ضرایب هر یک از متغیرهای توضیحی در مدل، کشش Y را نسبت به X یا درصد تغییر در Y را به ازای یک درصد تغییر در X اندازه می‌گیرد.
شکل کلی مدل بهصورت رابطه (2-1) است.
(2-1) LnYi = α + β2Ln Xi + Ui

که Ln مبین لگاریتم طبیعی است و 1α = Ln β است.
مدل‌های نیمه لگاریتمی (Log-Lin و Lin-Log)
در این دسته از مدل‌ها تنها یکی از از دو متغیر Y و X در شکل لگاریتمی است که شامل دو مدل است.
اگر متغیر وابسته (Y) لگاریتمی باشد به آن Log-Lin گویند که در این دسته از مدل‌ها، ضریب زاویه 2α، تغییر نسبی یا متناسب ثابت در Y را به ازاء تغییر شکل مطلق در X اندازه می‌گیرد.
(2-2) LnYi = α1 + β2 Xi + Ui
اگر توضیحی (X) لگاریتمی باشد به آن Lin-Log گویند که در این دسته از مدل‌ها، ضریب زاویه 2β، تغییر مطلق در Y را به ازاء یک تغییر نسبی در X اندازه می‌گیرد.
(2-3) Yi = β1 + β2 Ln Xi + Ui
مدل‌های معکوس
این دسته از مدل‌ها از نظر متغیر X غیرخطی است چون بهصورت معکوس در مدل وارد شده است ولی از نظر پارامترهای 1β و 2β خطی است و بنابراین یک مدل رگرسیون خطی است. مدل معکوس بهصورت رابطه (2-4) نشان داده میشود.
(2-4) Yi = β1 + β2 (1/Xi) + Ui
این مدل ویژگی‌های زیر را دارا هستند: همچنانکه X بهطور نامحدود افزایش می‌یابد جزء (Xi/1) 2β بهطرف صفر میل می‌کند بهطوریکه 2β ثابت است و Y به طور مجانبی یا حدی به مقدار 1β گرایش می‌یابد.
2-6 ماهیت تحلیل رگرسیونی
رگرسیون ابزار اصلی اقتصادسنجی است. بهطور کلی می‌توان گفت، تحلیل‌های رگرسیون به مطالعه‌ی وابستگی یک متغیر (متغیر وابسته) به یک یا چند متغیر دیگر (متغیر توضیحی) می‌پردازد که با تخمین یا پیش‌بینی مقدار متوسط یا میانگین مقادیر متغیر نوع اول در حالتی که مقادیر متغیر نوع دوم معلوم یا معین شده باشند (در نمونه‌گیری تکراری) صورت می‌پذیرد به عنوان مثال یک کارشناس اقتصادی امور کشاورزی در مطالعه‌ی وابستگی بازده یک محصول مثلاً گندم به دما، بارندگی، میزان نور و حاصلخیزی از تحلیل رگرسیونی استفاده می‌کند. بنابراین، یک تحلیل وابستگی می‌تواند پیشگویی یا پیش‌بینی متوسط بازده محصول را با توجه به اطلاعات مفروض در مورد متغیرهای توضیحی، میسر سازد. (نیرومند و دیگران، 1389: 48)
2-7 ماهیت داده‌ها برای تحلیل رگرسیونی
صحت هر تحلیل اقتصادسنجی سرانجام به قابلیت دسترسی به داده‌های صحیح بستگی خواهد داشت. برای تحلیل‌های تجربی عموماً سه نوع داده قابل دسترسی است: (همان منبع، 48)
داده‌های سری‌های زمانی

دسته بندی : علمی