پایان نامه ارشد درباره محاسن استفاده از مدل پانل‌دیتا و روش حداقل مربعات معمولی

3-7-3-1-1- محاسن استفاده از مدل پانل‌دیتا
به دلیل افزودن مشاهدات، درجه آزادی زیاد می‌شود لذا استنتاج آماری قویتر می‌شود. استنتاج براساس 20 مشاهده ضعیفتر از 100 مشاهده است. تغییرات مشاهدات را زیاد می‌کند که باعث کاهش Var برآوردگر می‌شود. در مدل مرسوم دو متغیره:
Var(
لذا به یافتن نتایج معنادار کمک می‌کند: زیرا:
با افزایش درجه آزادی، مقدار جدول توابع آزمون کم شود، مقدار بحرانی t,F کم می‌شود.
با افزایش تغییرات مشاهدات، و لذا کاهش Var برآوردگرها، t محاسباتی زیاد می‌شود.
لذا 2 نیروی بالا باعث معنادار شدن بسیاری از نتایج می‌شود که با داده‌های سری زمانی یا مقطعی صرف غیرمعنا دارند.
لذا پنل علاج بسیار مناسبی برای مشکل همخطی است. زیرا هم خطی زمانی است که نتایج را (براساس کمیتt) غیر معنا دارند که لذا این تکنیک‌ها یکی از بهترین روشهای درمان هم خطی است.
بسیاری روشهای اقتصاد سنجی که نیازمند اطلاعات بیرونی نسبت به پارامترها هست و بر داده‌های صرف مقطعی و سری زمانی باید از بیرون مدل داده شوند( مثلاً yt= β1+β2Xt+ut جهت رفع واریانس ناهمسانی باید اطلاعات بیرونی مثل تا بتوان با تقسیم کل مدل بر ، GLS یا WLS را اجرا کرد. اما در Panel Data امکان اعمال روش GLS یا WLS بدون وزن دهی از بیرون توسط خود نرم افزار اجرا می‌شود. (گجراتی، 1388)
3-7-3-1-2- محدودیت های پانل‌دیتا
داده های پانل‌دیتا هزینه بر است یعنی هزینه های جمع‌آوری 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 ایجادشود 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.
3-7-3-2- مراحل روش تخمین مدل بوسیله 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. به عبارت 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:

  استفاده از فناوری و به طور تقریبی در

فرضیه مذکور را می‌توان به عنوان یک مجموعه قیود خطی روی ضرایب در نظر گرفت و برای آزمون که به chow test معروف است ار 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 استفاده از روش حداقل مربعات معمولی می‌باشد.در صورتیکه 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.

این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.