۳-۵-۲- مرحله دوم : تجزیه و تحلیل داده ها (داده سنجی)

مرحله بسیار مهم بعدی استخراج داده های مور نیاز و مناسب می‌باشد. برخی از داده ها مستقیما از منابع آماری قابل استخراج بوده ، برخی دیگر مانند نرخ ارز واقعی مؤثر و غیره باید محاسبه گردد و برای برخی از متغیرهای دیگر باید متغیر نماینده و یا جانشین تعیین گردد (صمدی،۱۳۸۸).

۳-۵-۳- مرحله سوم : روش سنجی

پس از تبیین مدل، باید روش مناسب بررسی مسئله و همچنین روش مناسب تخمین انتخاب شود. در تحقیق حاضر با توجه به ماهیت داده ها از روش پانل دیتا که ترکیبی از داده های سری زمانی و مقطعی است، استفاده شده است.

۳-۵-۳-۱- مدل پانل دیتا

اطلاعات آماری مورد استفاده در مباحث اقتصاد سنجی به سه دسته تقسیم می‌شود که عبارتند از:

الف-اطلاعات سری زمانی که مربوط به اندازه گیری یک متغیر در یک دوره از زمان است نظیر آمار حساب‌های ملی.

ب-اطلاعات مقطعی که مربوط به اندازه گیری یک متغیر در یک زمان معین برای واحدهای مختلف است. همانند آمار بودجه خانوار که در هر سال از خانوارهای نمونه مناطق مختلف کشور تهیه می‌شود.

ج-اطلاعات تلفیقی سری زمانی و مقطعی، بسیاری از مطالعات اخیر که در زمینه اقتصاد صورت گرفته از مجموعه دادهای تلفیقی استفاده کرده‌اند. در این گونه اطلاعات چندین بنگاه، خانوار، کشور و … از لحاظ کمی‌ و کیفی در طول زمان مورد بررسی و تجزیه و تحلیل قرار می‌گیرند. در بسیاری از موارد، محقق می‌تواند از پانل‌دیتا^[۳۹] برای مواردی که مسائل را نمی‌توان به صورت سری زمانی و یا مقطعی بررسی کرد استفاده کند. مثلا در بررسی‌های تابع تولید مسئله این است که بتوان تغییرات تکنولوژیکی را از صرفه‌های ناشی از مقیاس تفکیک کنیم .در این گونه موارد داده های مقطعی فقط اطلاعاتی را ‌در مورد صرفه های به مقیاس فراهم می آورد. در حالی که داده های سری زمانی اثرات هر دو را بدون هیچ گونه تفکیکی نشان می‌دهد (گجراتی، ۱۳۸۸). در ذیل به مزایا و محدودیت‌های این مدل می‌پردازیم.

۳-۵-۳-۱-۱- محاسن استفاده از مدل پانل‌دیتا

به دلیل افزودن به مشاهدات، درجه آزادی را زیاد کرده لذا استنتاج آماری قویتر می‌شود. استنتاج ‌بر اساس ۲۰ مشاهده ضعیفتر از ۱۰۰ مشاهده است.

تغییرات مشاهدات را زیاد می‌کند که باعث کاهش Var برآوردگر در مدل مرسوم دو متغیره:

Var(

می‌گردد لذا به یافتن نتایج معنادار کمک می‌کند: زیرا:

• • افزایش درجه آزادی، مقدار جدول توابع آزمون کم شود، مقدار بحرانی FوT کم می‌شود.

• افزایش تغییرات مشاهدات، و لذا کاهش Var برآوردگرها، t محاسباتی زیاد می‌شود.

لذا ۲ نیروی بالا باعث معنادار شدن بسیاری از نتایج می‌شود که با داده های سری زمانی یا مقطعی صرف غیرمعنا دارند.

همچنین پانل دیتا علاج بسیار مناسبی برای مشکل هم خطی است. زیرا هم خطی زمانی است که نتایج را (‌بر اساس کمیتt) غیر معنا دارند و لذا این تکنیک‌ها یکی از بهترین روش های درمان هم خطی است.

پانل دیتا تفکیک پدیده‌های اقتصادی مختص زمان (پیشرفت تکنولوژی) از مختص مقاطع در هر زمان (حرفه اقتصادی مقیاس) را امکان پذیر ‌می‌کند که هر دو باعث کاهش AC ,PAC می‌شوند. اما با داده های صرف مقطعی یا سری زمانی امکان تفکیک وجودندارد اما در این مدل‌ها می‌توان متغیرهای مختص زمان را تعریف کرد و ‌بر اساس آن ها اثر بر متغیر وابسته (LAC) را تفکیک کرد.

بسیاری از روش‌های اقتصاد سنجی نیازمند اطلاعات بیرونی نسبت به پارامترها هستند ‌بنابرین‏ داده های صرف مقطعی و سری زمانی باید از بیرون به مدل داده شوند. مثلاً در معادله yt= β۱+β۲Xt+ut جهت رفع واریانس ناهمسانی باید اطلاعات بیرونی مثل را داشت تا بتوان با تقسیم کل مدل بر ، GLS یا WLS را اجرا کرد. اما در پانل دیتا امکان اعمال روش GLS یا WLS بدون وزن دهی از بیرون توسط خود نرم افزار امکان پذیر است (همان،ص ۵۶۵).

۳-۵-۳-۱-۲- محدودیت های پانل‌دیتا

داده های پانل‌دیتا هزینه بر است یعنی هزینه های جمع‌ آوری داده ها از جمله مسائل طراحی و گردآوری این نوع داده ها که البته ممکن است همه آنچه لازم است پوشش داده نشود.تحریفات خطاهای اندازه گیری مثلاً اگر در پرسشنامه سؤالات شفاف نباشد.مسائل گزینشی که شامل خود گزینشی(معمولا اطلاعاتی ارائه می‌شود که به صورت شاخص است نه واقعی).یا مسئله بدون پایه است یعنی مشاهدات بدون پاسخ بماند و یا مسئله اصطکاک است یعنی اگر اشکال در مشاهدات ‌ایجاد شود موجی را ایجاد می‌کند که دامنه آن به مشاهدات دیگر کشیده می‌شود.به طور کلی نرخ اصطکاک از یک موج به موج دیگر افزایش می‌یابد،اما این موج افزایشی طی زمان کاهش می‌یابد.بعد سری زمانی ممکن است خیلی کوتاه باشد.

۳-۵-۳-۲- مراحل روش تخمین مدل به وسیله داده های تلفیقی

سؤالی که اغلب در مطالعات کاربردی مطرح می‌شود این است که آیا شواهدی دال بر قابلیت ادغام شدن داده ها وجود دارد یا اینکه مدل برای تمام واحد‌های مقطعی متفاوت است. بعبارت دیگر آیا در مدل مورد نظر برای مقاطع مختلف هم شیب ها و هم عرض از مبدأها متفاوت است. این سؤال را می‌توان با فرضیه زیر مطرح نمود:

فرضیه مذکور را می‌توان به عنوان یک مجموعه قیود خطی روی ضرایب در نظر گرفت و برای آزمون که به chow test معروف است از آماره F به صورت ذیل استفاده نمود:

که در آن :

: مجذور پسماندهای حاصل از برازش رگرسیون مقید است.

:مجذور پسماندهای حاصل از برازش رگرسیون نا مقید هر یک از معادلات

با بهره گرفتن از روش حداقل مربعات معمولی می‌باشد.در صورتی که فرض پذیرفته نشود، دلیل بر یکسان فرض نمودن شیب‌ها و عرض از مبدأ واحدهای مختلف مقطعی وجود ندارد. آزمون دیگری مطرح است که با فرض متفاوت بودن عرض از مبدأ مقاطع فرضیه زیر را مطرح نمود.

که این فرضیه به صورت یک مجموعه قیود خطی فقط روی ضرایب متغیرهای توضیحی در نظر گرفته می‌شود که برای آزمون فرضیه مذکور از آماره F به صورت ذیل استفاده می‌شود.

که در آن :

: مجذور پسماندهای حاصل از برازش رگرسیون مقید است.

: مجذور پسماندهای حاصل از برازش رگرسیون نا مقید هر یک از معادلات

با بهره گرفتن از روش حداقل مربعات معمولی می‌باشد.در صورتی که فرض پذیرفته نشود،سؤال اساسی دیگری مطرح خواهد شد و آن این است که آیا تفاوت در مقاطع مختلف می‌تواند به وسیله عرض از مبدأ خاص در واحد پاسخگو باشد .به عبارت دیگر 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 واضح تری بیان نماید که به ترتیب این دو روش در ادبیات داده های تلفیقی به روش های ثابت و اثرات تصادفی مشهور هستند که ذیلاً روش‌های فوق الذکر به اختصار مورد بحث قرار می‌گیرد(همان،ص ۵۸۴).

۳-۵-۳-۳- روش برآورد