مدل‌های سری زمانی، مدل‌های رفتاری

دانلود پایان نامه

این روش به محقق اجازه می‌دهد تا ارتباط میان متغیرها و حتی کشورها را در طول زمان در نظر بگیرد و به بررسی آن‌ها بپردازد.
در این روش حجم آمار و اطلاعات بکار رفته بسیار زیاد و متعدد می‌باشد این موضوع، این امکان را به محقق می‌دهد که حجم قابل‌توجهی از فرضیات علمی را آزمون کند که با استفاده از آمار و اطلاعات به صورت سری زمانی و مقطعی ممکن نیست.
مدل‌ها با داده‌های ترکیبی قادر به توضیح و کنترل عدم تجانس موجود مابین واحدهای مقطعی مورد بررسی می‌باشند. در مدل‌های سری زمانی و یا مقطعی ‌توان کنترل این عدم تجانس‌ها وجود ندارد که در نهایت نتایج به دست آمده از این سری‌ها تورش دار خواهند بود.
استفاده از مشاهدات ترکیبی، حاوی اطلاعات مفید‌تر، با قابلیت تغییر‌پذیری بیشتر، هم خطی کمتر میان متغیر‌ها، درجات آزادی بیشتر و در نهایت مدل‌هایی با کارایی بالاتر را ارائه می‌دهد، درحالی‌که اغلب مدل‌های سری زمانی دچار هم خطی مرکب هستند.
مشاهدات ترکیبی قادر به‌تصریح و آزمون مدل‌های رفتاری پیچیده‌تری نسبت به سری‌های زمانی و یا داده‌های مقطعی می‌باشد. به‌عنوان‌مثال، کارایی فنی در این‌گونه از مدل‌ها بهتر مطالعه و تصریح می‌شود. همچنین محدودیت‌هایی که در مطالعات سری‌های زمانی بر روی مدل‌های با وقفه توزیعی اعمال می‌شوند نیز در مدل‌های پانل کمتر می‌باشد.
در محاسبه واریانس جامعه با توجه به مشاهدات مربوط به سری زمانی، واریانس به دست آمده از مشاهدات بر تعداد داده‌ها منهای تعداد پارامترها تقسیم می‌شود (همان منبع).
(3-1)
در حالی که در داده‌های تلفیقی داریم:
(3-2)
که معمولاً در این حالت مخرج بزرگ‌تر شده و بنابراین واریانس محاسبه شده کوچک‌تر از واریانس به دست آمده از داده‌های سری زمانی صرف می‌باشد و بنابراین کارآیی تخمین افزایش می‌یابد.
به همین قیاس چنانچه آزمون (آزمون معنی‌دار بودن کل رگرسیون) را در دو حالت، یعنی سری زمانی و تلفیقی مقایسه کنیم خواهیم داشت:
در مدل سری زمانی تنها:
(3-3)
درصورتی‌که در مدل تلفیقی به صورت زیر محاسبه می‌گردد:
(3-4)
به‌وضوح مشخص است که مقدار در مدل تلفیقی می‌تواند بزرگ‌تر از مدل سری زمانی باشد، لذا احتمال معنی‌دار بودن کل رگرسیون یعنی وجود متغیرهایی توضیحی در مدل تلفیقی بیشتر خواهد بود.
مطالعه مشاهدات به صورت پانل دیتا، وضعیت بهتری برای مطالعه و بررسی پویایی تغییرات نسبت به سری زمانی و داده‌های مقطعی دارد.
روش Pooling Data می‌تواند اثراتی که به‌سادگی توسط سری زمانی و داده‌های مقطعی آشکار نمی‌شوند را اندازه‌گیری ‌کند.
روش Pooling Data ما را قادر می‌سازد تا مشکل‌ترین مدل‌های رفتاری پیچیده را مطالعه کنیم. به‌طور مثال صرفه‌های اقتصادی و تغییرات تکنیکی بهتر می‌تواند توسط پانل دیتا بررسی و آزمون شوند.
Pooling Data از طریق فراهم کردن تعداد داده‌های زیاد (چندین هزار) تورش را پایین می‌آورد (همان منبع).
3-6-2- مدل کلی داده‌های تابلویی
در اینجا با ارائه یک مثال کلی به توضیح داده‌های پانل می‌پردازیم، فرض کنیم که واحد تصمیم مجزا وجود دارد که با شاخص i از 1 تا شماره‌گذاری می‌شوند همچنین دوره زمانی متوالی که با شاخص از 1 تا شماره‌گذاری می‌شوند وجود دارد. بنابراین، مجموع مشاهده خواهیم داشت. متغیرها عبارت‌اند از:
: ارزش متغیر وابسته برای واحدi ام در دوره tام.
: ارزش متغیر توضیحی jام برای واحد iام در دوره tام.