وبلاگ

بخش دوم- مدل داده های تابلویی و روش های تخمین

۳-۲-۱)مقدمه

تاکنون مطالعات زیادی در رابطه با عوامل تأثیر گذار بر بازدهی و سودآوری شرکت‌ها در بازار سرمایه ایران انجام گردیده است. در این راستا محققین به بررسی نقش و اثر انواع متغیرهای مالی و غیر مالی پرداخته‌اند که بر مبنای نظریه های مالی نوین، می‌تواند عملکرد شرکت ها را تحت تأثیر قرار دهد. رویکرد اغلب مطالعاتی که در این حوزه انجام شده، استفاده از روش های اقتصادسنجی مشخصی نظیر روش های مقطعی و یا سری های زمانی بوده است. این در حالی است که گرایش عمومی همه تحقیقات مشابه که امروزه در اقتصادهای پیشرفته و نوظهور انجام می‌گیرد، استفاده از روش های نظیر روش داده های تلفیقی و مدل های پویا است.

امروزه روش داده های تلفیقی به لحاظ مزایا و برتری هایی که نسبت به روش های مقطعی و سری های زمانی دارد، به طور فزاینده ای در تحقیقات اقتصادی استفاده می شود. داده های تلفیقی به مجموعه داده ای اطلاق می شود که بر اساس آن، مشاهدات بواسطه تعداد زیادی از متغیرهای مقطعی (N) که اغلب به صورت تصادفی انتخاب می شود، در طول یک دوره زمانی مشخص (T) مورد بررسی قرار می‌گیرد. در این صورت N×T داده های آماری را داده های تلفیقی یا داده های مقطعی- سری زمانی می‌نامند.

یکی از مزایای به کارگیری روش فوق در مقایسه با روش های دیگر، افزایش قدرت آماری ضرایب می‌باشد. در روش داده های تلفیقی بواسطه ترکیب مشاهدات سری زمانی و مقطعی، مشکل ناهمسانی واریانس^[۶۷] محدود شده، هم‌خطی^[۶۸] بین متغیرها کاهش یافته و به واسطه افزایش درجه آزادی، برآوردی کاراتر انجام می شود. در نهایت استفاده از روش داده های تلفیقی می‌تواند به حل مشکل تورش برآوردهای معادلات مقطعی کمک نماید(افلاطونی و نیک بخت، ۱۳۸۹).

۳-۲-۲)انواع داده ها

در بررسی ارتباط بین یک متغیر وابسته با یک یا چند متغیر مستقل و با بهره گرفتن از داده های تاریخ از سه نوع داده می توان پارامترهای متغیر (متغیرهای) مستقل را برآورد و با ارائه مدل اقدام به پیش‌بینی نمود. این سه نوع داده را می توان به شرح زیر استخراج کرد:

الف)داده های سری زمانی^[۶۹]

داده هایی هستند که در قالب یک یا چند متغیر خاصی در طول زمان رخ می‌دهند. به عبارت دیگر سری زمانی، مجموعه ای از مشاخدات است که بر حسب زمان مرتب شده باشند(آذر و مؤمنی، ۱۳۸۵،ص ۳۲۲).

ب)داده های مقطعی^[۷۰]

داده هایی هستند که در یک مقطع مشخص از زمان محاسبه و جمع‌ آوری می‌شوند. به عنوان مثال، اگر متغیر st برای ۱۰۰ شرکت و در یک مقطع خاصی از زمان(مثلاً سال ۱۳۸۵) جمع‌ آوری گردد، این داده ها را مقطعی گویند. در این حالت تعداد مشاهدات (N) برابر ۱۰۰ است(N=100).

ج)داده های تابلویی^[۷۱]

داده هایی هستند که از ترکیب دو دسته داده های سری زمانی و مقطعی حاصل می شود. 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 داده ها کم است، استفاده می‌کنند. ادغام داده های 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 دوره های زمانی کم باشد و یا بر عکس تعداد دوره های زمانی نسبتاً زیاد و تعداد مقاطع کم باشد. در این صورت تعداد مشاهدات (N) برابر است با تعداد سال های مورد نظر (t) ضربدر تعداد داده های مقطعی در یک سال (n).

در این تحقیق از تکنیک داده های تابلویی استفاده شده است. همچنین برای آزمون فرضیه‌ها از روش داده های تلفیقی ایستا استفاده شده است. در روش داده های تلفیقی ایستا با کمک نرم افزار Eviews پس از انجام آزمون چاو و آزمون هاسمن و انتخاب روش اثرات ثابت، تصادفی یا Pooled اقدام به برآورد ضرایب مدل با بهره گرفتن از روش حداقل مربعات تعمیم یافته برآوردی(EGLS) گردید.

۳-۲-۳)مزایای استفاده از داده های تابلویی

استفاده از داده های تابلویی دارای مزایای فراوانی است. در ذیل پاره ای از این مزایا معرفی می‌گردد:

1. 1. از آنجایی که داده های تابلویی به افراد، بنگاه ها، کشورها و… طی زمان ارتباط دارند، وجود نا همسانی واریانس در این واحدها محدود می شود. تکنیک های تخمین با داده های تابلویی می‌توانند این ناهمسانی واریانس را با متغیرهای تکی خاص مورد بررسی و ملاحظه قرار دهند.

1. 1. با ترکیب مشاهدات سری زمانی و مقطعی، داده های تابلویی با اطلاعات بیش تر، تغییر پذیری بیش تر، هم خطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیش تر را ارائه می نمایند.

1. 1. داده های تابلویی، چارچوبی مناسب برای تحلیل کلی داده ها فراهم نموده و در حذف یا کاهش خطای برآورد نقش مهمی را ایفا می کند.

1. 1. داده های تابلویی، تأثیراتی را که نمی توان به سادگی در داده های مقطعی و سری زمانی مشاهده کرد، بهتر معین می‌کند.

1. داده های تابلویی ما را قادر می‌سازد تا مدل های رفتاری پیچیده تر را مطالعه کنیم.

به طور کلی باید گفت داده های تابلویی تحلیل های تجربی را به شکلی غنی می‌سازند که در صورت استفاده از داده های سری زمانی و مقطعی این امکان وجود ندارد(گجراتی، ۱۳۸۳، ص ۸۷).

۳-۲-۴)تخمین مدل رگرسیون با داده های تابلویی

چارچوب اصلی برای داده های تابلویی به صورت زیر است:

Y_it= α_i+ βx_it+ u_it (۳-۱۱)

که در آن:

α_i = عرض از مبدأ

X_it= شامل k متغیر توضیحی است یعنی(_kβ,_….,_۲β, _۱β)=β

u_it = جمله اخلال مدل می‌باشد که از فروض کلاسیک رگرسیون خطی پیروی می‌کند. یعنی

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 خطای u_it بستگی دارد. روش های چندی در رابطه با این فروض وجود دارد که به پنج حالت زیر تقسیم می شود:

1. 1. 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.

1. 1. ضرایب شیب ثابت بوده، اما عرض از مبدأ برای مقاطع مختلف، متفاوت است.

1. 1. ضرایب شیب ثابت بوده، اما عرض از مبدأ برای مقاطع و در طی زمان متفاوت است.

1. 1. تمامی ضرایب و عرض از مبدد و ضرایب شیب، برای مقاطع مختلف، متفاوت است.

1. تمامی ضرایب و عرض از مبدد، هم نسبت به زمان و هم نسبت به واحدهای مقطعی متفاوت است ( گجراتی، ۱۳۸۳، ص ۸۸).

۳-۲-۵)مسائل مورد توجه در تخمین مدل