ج) دادههای تابلویی
دادههایی هستند که از ترکیب دو دسته دادههای سری زمانی و مقطعی حاصل می شود. در بسیاری از موارد محققین از این روش برای مواردی که نمی توان مسائل را به صورت سری زمانی یا مقطعی بررسی کرد و یا زمانی که تعداد دادهها کم است استفاده می کنند. ادغام دادههای سری زمانی و مقطعی و ضرورت استفاده از آن بیشتر به خاطر افزایش تعداد مشاهدات و بالا بردن درجه آزادی است. زیرا در بررسی امکان دارد تعداد مقاطع زیاد و دورههای زمانی کم باشد و یا برعکس تعداد دورههای زمانی نسبتا زیاد و تعداد مقاطع کم باشد. در این صورت تعداد مشاهدات (n ) برابر است با تعداد سالهای مورد نظر (t ) ضرب در تعداد دادههای مقطعی در یک سال (n ) (آذر و مومنی، ۱۳۸۹). در این تحقیق از تکنیک دادههای تابلویی استفاده شده است.
۳-۱۱ مزایای استفاده از داده های تابلویی
استفاده از دادههای تابلویی دارای مزایای فراوانی است. در ذیل پارهای از این مزایا معرفی می گردد:
از آن جایی که دادههای تابلویی به افراد، بنگاه ها، کشورها و … طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می‌شود. تکنیک های تخمین با دادههای تابلویی می توانند این ناهمسانی واریانس را با متغیرهای تکی خاص مورد بررسی و ملاحظه قرار دهند.
با ترکیب مشاهدات سری زمانی و مقطعی، دادههای تابلویی با اطلاعات بیشتر، تغییرپذیری بیشتر، هم خطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیشتر را ارائه می نمایند.
دادههای تابلویی، چارچوب مناسب برای تحلیل کلی دادهها فراهم نموده و در حذف یا کاهش خطای برآورد نقش مهمی را ایفا می نمایند.
دادههای تابلویی، تأثیراتی را که نمیتوان به سادگی در دادههای مقطعی و سری زمانی مشاهده کرد، بهتر معین می کنند.
دادههای تابلویی ما را قادر می سازد تا مدلهای رفتاری پیچیدهتر را مطالعه کنیم.
بطور کلی باید گفت دادههای تابلویی تحلیلهای تجربی را به شکلی غنی میسازند که در صورت استفاده از دادههای سری زمانی و مقطعی این امکان وجود ندارد (گجراتی[۵۹]، ۱۳۹۰).
۳-۱۲ تخمین مدل رگرسیون با دادههای تابلویی
چارچوب اصلی برای دادههای تابلویی به صورت زیر است:
که در آن:
عرض از مبداء
شامل k متغیر توضیحی است یعنی β = (β۱, β۲,…, βk)
=جمله اخلال مدل می باشد که از فروض کلاسیک رگرسیون خطی پیروی می کند.
= i تعداد مقاطع i= 1,2,…, N
= t دوره زمانی t= 1,2,…, T
در این صورت تخمین معادله فوق به فروض ما درباره عرض از مبدأ ضرایب شیب و جمله خطایU بستگی دارد. روشهای چندی در رابطه با این فروض وجود دارد که به پنج حالت زیر تقسیم می شود:
عرض از مبدأ و ضرایب شیب در طول زمان و در مقاطع ثابت بوده و جمله خطا در طول زمان و برای مقاطع مختلف متفاوت است.
ضرایب شیب ثابت بوده، اما عرض از مبدأ برای مقاطع مختلف، متفاوت است.
ضرایب شیب ثابت بوده، اما عرض از مبدأ برای مقاطع و در طی زمان متفاوت است.
تمامی ضرایب و عرض از مبدأ و ضرایب شیب، برای مقاطع مختلف، متفاوت است.
تمامی ضرایب و عرض از مبدأ، هم نسبت به زمان و هم نسبت به واحدهای مقطعی متفاوت است (گجراتی، ۱۳۹۰).
۳-۱۲-۱ نحوه عملکرد جمله AR
وجود خود همبستگی، نشان دهنده این مطلب است که بین اجزای اخلال یک دوره با دورههای گذشته ارتباط وجود دارد. ورود جملات َAR در هر مرتبه، موجب برطرف شدن خود همبستگی مرتبه اول، دوم و n ام می شود. به این صورت که فرض می شود که رابطه اجزای اخلال به صورت زیر باشد:
u= ρ.ut-1 + εt
که در آن ρ معروف به ضریب خود همبستگی و εt جزء اخلال تصادفی می باشد. چنان چه ρ=۱ باشد، خواهیم داشت:
ut – ut-1 = εt
به این ترتیب معادله رگرسیون برای دوره های t و ۱ –t به صورت زیر خواهد بود:
Yt= β۰ + β۱x+ ut
Yt-1= β۰ + β۱xt-1 + ut-1
با کسر دو معادله از هم، به معادله زیر می رسیم که در واقع جزء اخلال این معادله عددی است که از تفاضل دو جمله خطای قبلی بدست آمده و مستقل از جملات دیگر است:
∆Yt= β۱∆x+ εt
بدین ترتیب اطلاعات یک دوره از کل دورههای مورد بررسی حذف شده و خود همبستگی ایجاد شده رفع می شود. لذا جملات AR، در هر مرتبهای منجر به از بین رفتن خود همبستگی بین اجزای اخلال مدل میشوند(خاکی، ۱۳۹۰). در این تحقیق به منظور تشخیص خود همبستگی بین اجزای اخلال مدل رگرسیون، از آماره DW (دوربین – واتسن) استفاده شده است.
مشکلات دیگری مانند همبستگی متقاطع در واحدهای تکی در نقاط زمانی یکسان نیز وجود دارند. تکنیکهای تخمین متعددی برای بررسی برخی از این مشکلات وجود دارد. دو روش بسیار معروف و رایج
عبارتند از:

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

  1. مدل تأثیرات ثابت (FEM )