دانلود پایان نامه های دانشگاه ها

مدل‌سازی اقتصادسنجی

اقتصاد­سنجی[۱] یکی از شاخه‌های نوین و مهم علم اقتصاد است که آشنایی و استفاده از آن می­تواند کمک شایانی برای شناخت هر چه بهتر روابط بین پدیده‌های اقتصادی و اجتماعی باشد. مدل­های اقتصادسنجی یک نظام اقتصادی را به کمک مجموعه‌ای از معادلات هم­زمان که بیان‌کننده‌ی روابط متقابل بین متغیرهای قابل اندازه‌گیری است، توصیف می‌کنند. معادله‌ها مبتنی بر نظریه یا مشاهدات تجربی رفتار و یا روابط فنی میان متغیرها است و چنانچه مدل مورد تحلیل دربرگیرنده‌ی یک یا چند عنصر با وقفه از متغیر وابسته به­عنوان متغیر توضیحی باشد، در آن صورت آن مدل را پویا یا دینامیک می‌نامند. (گجراتی، ۱۳۸۸: ۵۶)

 ۲-۴ خصوصیات یک مدل خوب

سی. هاروی (A.C. Harvey) ملاک‌های زیر را برای قضاوت راجع به کیفیت یک مدل ارائه می‌دهد (گجراتی و دامودار، ۱۳۸۶: ۶۰)

• قلت منطقی متغیرهای توضیحی[۲]

یک مدل هیچگاه قادر به توصیف دقیق واقعیت آن­طور که هست نیست، یعنی برای توصیف دقیق واقعیت مجبور خواهیم بود چنان مدل پیچیده‌ای را ارائه کنیم که فاقد کوچکترین ارزش علمی است. ساده‌سازی و تجرید در هر برنامه مدل‌سازی اجتناب‌ناپذیر است. در این رابطه اصل قلت منطقی متغیرهای توضیحی حکم می‌کند که یک مدل، تا آن­جا که ممکن است ساده در نظر گرفته شود به­طوری­که تنها متغیرهای کلیدی را باید در تحلیل وارد نمود و بدین وسیله تمام اثرات تصادفی و جزئی را به جزء اخلال یا خطا[۳] محو کرد. ( همان منبع: ۶۱)

 

 

• قابلیت تشخیص[۴]

    این اصل حکم می‌کند که برای مجموعه داده‌های معین، پارامترهای تخمین‌زده شده بایستی مقادیر منحصر به فردی را به دست دهند. به­عبارت دیگر تنها یک تخمین برای هر پارامتر مشخص به دست آید. ( همان منبع: ۶۱)

• خوبی بر ارزش[۵]

نظر به این­که هدف اساسی تحلیل رگرسیون، توضیح‌دهندگی تغییرات در متغیر وابسته به­وسیله‌ی متغیرهای توضیحی ملحوظ در مدل است، بنابراین یک مدل زمانی به­عنوان یک مدل خوب مد نظر قرار می‌گیرد که این توضیح که به­وسیله   اندازه‌گیری می‌شود، حتی‌الامکان بالا باشد. البته ملاک  را به­تنهایی نبایستی مورد توجه قرار­داد، بلکه این ملاک را به موازات سایر معیارها می‌توان به کار برد.

   سازگاری با تئوری: ممکن است یک مدل علی‌رغم داشتن  بالا، به علت اشتباه بودن علائم یک یا چند ضریب آن، مدل خوبی نباشد. آنگاه بایستی نتایج را با تردید تعبیر کرد.

 

• قدرت تعمیم‌دهی و پیش­گیری

به نقل از فریدمن، ((… تنها آزمون مناسب برای اعتبار یک فرضیه (مدل) مقایسه پیش‌بینی آن با تجارب است)).  بالا دلالت بر قدرت تعمیم‌دهی مدل دارد و باید گفت که این قدرت بیان شده توسط ، فقط در رابطه با یک نمونه و برای آن نمونه معین است و آن­چه که در این­جا مدنظر است قدرت پیش‌بینی و تعمیم‌دهی برای دوره‌ای خارج از دوره‌ی نمونه است.

۲-۵ اشکال تبعی مدل‌های رگرسیونی

این اشکال شامل مدل­های باکشش ثابت (لگاریتم دو­سویه) و مدل­های نیمه لگاریتمی است. حال به توضیح هرکدام از این مدل­ها می­پردازیم. (نوفرستی، ۱۳۷۶: ۱۲۸)

• مدل‌های با کشش ثابت (لگاریتم – خطی[۶]) یا لگاریتم – لگاریتمی[۷] (لگاریتم از دو سو[۸])

این مدل­ها مکرراً در مطالعات مربوط به تقاضا جهت تخمین کشش‌های قیمتی و درآمدی تقاضا استفاده می­شود. این دسته از مدل‌ها هم از نظر لگاریتم متغیرها (X،Y) و هم از نظر  پارامترها (β , α) خطی هستند بنابراین می‌توان به­وسیله روش OLS آن را تخمین زد. به خاطر این خطی بودن است که این چنین مدل‌هایی، مدل‌های لگاریتم – خطی، لگاریتم از دو سو یا لگاریتم – لگاریتمی نام گرفته‌اند.

از مهم­ترین ویژگی این دسته از مدل‌ها آن است که در ضرایب زاویه و کشش یکی هستند، به­طوری­که ضرایب هر یک از متغیرهای توضیحی در مدل، کشش Y را نسبت به X یا درصد تغییر در Y را به ازای یک درصد تغییر در X اندازه می‌گیرد.

شکل کلی مدل به­صورت رابطه (۲-۱)  است.

(۲-۱)                                                                     LnY_i = α + β_۲Ln X_i + U_i

 

که  Ln مبین لگاریتم طبیعی است و _۱α = Ln β است.

• مدل‌های نیمه لگاریتمی[۹] (Log-Lin و Lin-Log)

در این دسته از مدل‌ها تنها یکی از از دو متغیر Y و X در شکل لگاریتمی است که شامل دو مدل است.

اگر متغیر وابسته (Y) لگاریتمی باشد به آن Log-Lin گویند که در این دسته از مدل‌ها، ضریب زاویه _۲α، تغییر نسبی یا متناسب ثابت در Y را به ازاء تغییر شکل مطلق در X اندازه می‌گیرد.

(۲-۲)                                                                        LnY_i = α_۱ + β_۲ X_i + U_i

اگر توضیحی (X) لگاریتمی باشد به آن Lin-Log گویند که در این دسته از مدل‌ها، ضریب زاویه _۲β، تغییر مطلق در Y را به ازاء یک تغییر نسبی در X اندازه می‌گیرد.

(۲-۳)                                                                       Y_i = β_۱ + β_۲ Ln X_i + U_i

• مدل‌های معکوس

این دسته از مدل‌ها از نظر متغیر X غیرخطی است چون به­صورت معکوس در مدل وارد شده است ولی از نظر پارامترهای _۱β و _۲β خطی است و بنابراین یک مدل رگرسیون خطی است. مدل معکوس به­صورت رابطه (۲-۴) نشان داده می­شود.

(۲-۴)                                                                        Y_i = β_۱ + β_۲ (۱/X_i) + U_i

این مدل ویژگی‌های زیر را دارا هستند: هم­چنان­که X به­طور نامحدود افزایش می‌یابد جزء (X_i/1) ₂β به­طرف صفر میل می‌کند به­طوری­که ۲β ثابت است و Y به طور مجانبی یا حدی به مقدار ۱β گرایش می‌یابد.

 

۲-۶  ماهیت تحلیل رگرسیونی

رگرسیون ابزار اصلی اقتصادسنجی است. به­طور کلی می‌توان گفت، تحلیل‌های رگرسیون به مطالعه‌ی وابستگی یک متغیر (متغیر وابسته[۱۰]) به یک یا چند متغیر دیگر (متغیر توضیحی[۱۱]) می‌پردازد که با تخمین یا پیش‌بینی مقدار متوسط یا میانگین مقادیر متغیر نوع اول در حالتی که مقادیر متغیر نوع دوم معلوم یا معین شده باشند (در نمونه‌گیری تکراری) صورت می‌پذیرد به عنوان مثال یک کارشناس اقتصادی امور کشاورزی در مطالعه‌ی وابستگی بازده یک محصول مثلاً گندم به دما، بارندگی، میزان نور و حاصل­خیزی از تحلیل رگرسیونی استفاده می‌کند. بنابراین، یک تحلیل وابستگی می‌تواند پیش­گویی یا پیش‌بینی متوسط بازده محصول را با توجه به اطلاعات مفروض در مورد متغیرهای توضیحی، میسر سازد. (نیرومند و دیگران، ۱۳۸۹: ۴۸)

[۱] . Econometrics

[۲] . Parsimony

[۳] . Disturbance or error term

[۴] . Identifiability

[۵] . Goodness of fit

[۶] . log-Linear

[۷] . Log-Log

[۸] . Double-Log

[۹] . Semi-Log models

[۱۰] . Dependent – Variables

[۱۱] . Explanatory – Variables

برای دانلود متن کامل اینجا کلیک کنید