برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

Yit =xitβ + εit i= 1,…,N و t= 1,…, T
رابطه-4
Yit =xitβ + εit i= 1,…,N و t= 1,…, T
که i= مقاطع و T: دوره زمانی را نشان میدهند.
با توجه به اصول و مبانی اقتصادسنجی مدل مذکور با روش حداقل مربعات معمولی (OLS) تخمین زده میشود و ضرایب β ها به دست میآید. اما معرفی عرض از مبدا و فرضیات مختلف در مورد اثر متغیرهای توضیحی Xit بر متغیر وابسته Yit رویکردهای مختلفی به وجود میآورد. سئوالی که مطرح میشود میتواند این باشد که؛ چه ارتباطی بین عرض از مبداهای مختلف برای هر مقطع و متغیرهای توضیحی وجود دارد؟ یا اینکه متغیرهای توضیحی که باعث تغییر متغیر وابسته میگردند عرض از مبدا را به خود مشروط خواهند کرد یا هر مقطع یا به طور مشخص هر فرد به طور تصادفی مقداری مستقل از متغیرهای توضیحی برای تنظیم مقدار تعادلی y را برای خود انتخاب خواهد کرد؟
برای پاسخ به این سئوالات در مدل پانل دیتا از بحث اثر ثابت و یا اثر تصادفی استفاده میشود. در مورد اثر ثابت یا اثر تصادفی باید به نکات زیر توجه نمود:
الف) اگر فرض شود تمام افراد یا مقاطع در پانل کاملاً همگن هستند در این صورت لازم نیست نگران عرض از مبداهای مختلف برای هر فرد یا مقطع بود، در واقع رویکرد پانل دیتا به خوبی میتواند نا همگنی های میان مقاطع را بیان نماید.
ب) رویکرد اثر ثابت،iµ را جملهای ثابت و مخصوص هر مقطع در مدل رگرسیونی فرض میکند. در حالی که مدل اثر تصادفی فرض میکند iµ یک جمله تصادفی برای هر گروه می باشد، اما در هر دوره زمانی از این توزیع تصادفی iµ ها فقط یک رخداد به طور یکسان در هر دوره مدل رگرسیونی وارد میشود. به عبارت دیگر برای کل دوره زمانی برای هر مقطع یک iµ وجود دارد.
برای درک درست تر فرض میشود مدل رگرسیونی به صورت رابطه (5) میباشد:
رابطه-5
Yit =xitβ + εit
حالا فرض میشود ساختار زیر برای εitبه صورت رابطه (6) وجود دارد:
رابطه-6
εit = µi + vit
فرض میشود vit با xit همبسته نیست. جمله اول در رابطه بالا مربوط به افراد یا مقاطع میباشد. εit از دو بخش تشکیل شده است که بخش اول در میان افراد یا مقاطع تغییر میکند اما در طول زمان ثابت است. این بخش ممکن است با X همبسته باشد یا نباشد.
بخش دوم به طور غیر سیستماتیک یا مستقل در طول زمان و میان مقاطع تغییر میکند و فرض بر این است که با X همبسته نیست. لذا میتوان دریافت که دو مشاهده از یک فرد نسبت به مشاهدات مربوط به دو فرد بیشتر شبیه یکدیگرند اشرف زاده و مهرگان (1389). بنابراین میتوان بیان داشت که:
الف) در مدل اثر تصادفی: iµ ها با X همبسته نیستند.
ب) در مدل اثر ثابت : iµ ها با X همبسته هستند.
3-4-1-1- مقایسه برآورد اثر تصادفی با اثر ثابت
در تحلیل رگرسیون، یک رویه استاندارد این است که فرض میشود عوامل زیادی که بر متغیر وابسته اثر گذار هستند اما به طور صریح به عنوان متغیر توضیحی وارد مدل نمیشوند را میتوان در جمله پسماند تصادفی خلاصه نمود، یعنی اثرات این متغیرها در جمله پسماند جمع میشود. وقتی واحدهای منفرد متعدد در طول زمان مشاهده میگردد گاهی اوقات فرض میشود برخی متغیرهای حذف شده عواملی هستند که خاص مقطع منفرد یا دوره زمانی میباشند در حالی که سایر متغیرها نشان دهنده تفاوتهای فردی هستند که میتوانند مشاهدات را برای یک فرد معین به طریق مشابه در طول زمان تحت تاثیر قرار دهند، به عبارتی متغیرهای حذف شده خاص مقطع یا دوره زمانی است و متغیرهای توضیحی داده شده کم و بیش همه افراد را تحت تاثیر قرار میدهد اشرف زاده و مهرگان (1389). بنابراین با فرض رابطه (7) به صورت زیر:
رابطه-7
Yit = α + Xitβ + Uit
دسته بندی : علمی