تحلیل خروجی مدل در ایویوز

در تحلیل خروجی مدل در ایویوز، نتایج حاصل از اجرای مدل آماری به شما امکان می‌دهد تا روابط میان متغیرهای مستقل و وابسته را به طور دقیق‌تری درک کنید. ابتدا باید ضرایب به‌دست‌آمده را تفسیر کرد تا مشخص شود هر یک از متغیرها چه تأثیری بر متغیر وابسته دارد. سپس با استفاده از شاخص‌هایی مانند مقدار p-value و ضریب تعیین، میزان معناداری و دقت مدل ارزیابی می‌شود. علاوه بر این، بررسی نمودارهای مربوط به مدل و اجرای آزمون‌های تشخیصی کمک می‌کند تا اعتبار و کارایی مدل در پیش‌بینی‌ها به طور دقیق‌تری سنجیده شود.

جهت برقراری ارتباط با گروه داده پردازی ایران آمار از لینک‌های زیر اقدام نمایید.

تحلیل خروجی مدل در ایویوز

زمانی که یک مدل رگرسیون یا هر نوع مدل آماری دیگری را در نرم‌افزار ایویوز اجرا می‌کنید، مرحله بعدی و بسیار مهم، تحلیل خروجی مدل در ایویوز است. این مرحله به شما کمک می‌کند تا با استفاده از نتایج حاصل از اجرای مدل، تصمیمات دقیقی درباره فرضیه‌های آماری و روابط متغیرها اتخاذ کنید.

تفسیر ضرایب رگرسیون در تحلیل خروجی مدل در ایویوز

در تحلیل خروجی مدل در ایویوز، اولین گام تفسیر ضرایب رگرسیون است. این ضرایب نشان‌دهنده تاثیر متغیرهای مستقل بر متغیر وابسته هستند. برای درک این تاثیر، باید به علامت و مقدار ضرایب توجه کرد. به عنوان مثال، اگر ضریب یک متغیر مثبت باشد، نشان‌دهنده رابطه مستقیم و اگر منفی باشد، نشان‌دهنده رابطه معکوس است.

بررسی معناداری ضرایب در تحلیل خروجی مدل در ایویوز

یکی دیگر از جنبه‌های مهم تحلیل خروجی مدل در ایویوز، بررسی معناداری آماری ضرایب است. برای این کار از آزمون t استفاده می‌شود. اگر مقدار p-value کمتر از سطح خطای موردنظر (معمولاً 0.05) باشد، می‌توان نتیجه گرفت که ضریب مربوطه از نظر آماری معنادار است.

بررسی و تحلیل خروجی مدل در ایویوز

بعد از برآورد مدل، برای جدول بالا تحلیل خروجی مدل در ایویوز  اندازه نمونه مورد استفاده در این مدل 103 مشاهده مقطعی است که برای برآورد مدل استفاده شده‌اند. که متغیر وابسته Y بر روی 4 متغیر مستقل مدل شده است. برای بررسی تحلیل خروجی مدل در ایویوز از معناداری ضرایب متغیرهای مستقل بررسی خواهند شد.

ستون Variable در تحلیل خروجی مدل در ایویوز

ستون اول نام متغیرهای مستقل Variable را نشان داده است. در این مدل 4 متغیر مستقل وجود دارد و C به عنوان ثابت است. ثابت در تحلیل خروجی مدل در ایویوز نشان می‌دهد که اگر همه متغیرهای مستقل صفر باشند، مقدار Y با توجه به ستون Coefficient برابر با 140.3743 خواهد بود.

ستون Coefficient در تحلیل خروجی مدل در ایویوز

بخش دوم ستون Coefficient مقادیر ضرایب متغیرهای مستقل را نشان داده است. در فرمول مدل اصلی رگرسیون αi ها هستند. Coefficient (ضریب) در خروجی مدل رگرسیون نشان‌دهنده اندازه و جهت تأثیر متغیر مستقل بر متغیر وابسته است. به عبارت دیگر، ضریب نشان می‌دهد که با تغییر یک واحد در متغیر مستقل، متغیر وابسته چقدر تغییر می‌کند، در حالی که سایر متغیرهای مستقل ثابت نگه داشته شده‌اند.

اگر ضریب یک متغیر مثبت باشد، به این معنی است که افزایش آن متغیر مستقل باعث افزایش متغیر وابسته می‌شود. برای مثال، اگر ضریب X2 برابر با 0.0000788 باشد، هر واحد افزایش در متغیر X2 باعث افزایش متغیر Y به میزان 0.000078 می‌شود.

اگر ضریب یک متغیر منفی باشد، نشان می‌دهد که افزایش متغیر مستقل منجر به کاهش متغیر وابسته می‌شود. برای مثال، اگر ضریب متغیر X1 برابر با منفی 1.009935 باشد، هر واحد افزایش در متغیر X1 باعث کاهش متغیر Y به میزان 1.009935 واحد می‌شود.

بزرگی ضریب نشان‌دهنده شدت تأثیر متغیر مستقل بر متغیر وابسته است. ضرایب بزرگ‌تر نشان‌دهنده تأثیر قوی‌تر و ضرایب کوچک‌تر نشان‌دهنده تأثیر ضعیف‌تر هستند. در نتیجه، Coefficient یکی از مهم‌ترین مقادیر در تفسیر مدل‌های رگرسیونی است و به پژوهشگران کمک می‌کند تأثیر متغیرهای مستقل بر متغیر وابسته را بهتر درک کنند.

ستون Std. Error در تحلیل خروجی مدل در ایویوز

ستون سوم اعداد انحراف معیار Std.Error را نمایش داده است. Std. Error (خطای استاندارد) در خروجی مدل رگرسیون نشان‌دهنده میزان عدم قطعیت یا پراکندگی ضریب برآورد شده است. به عبارت دیگر، خطای استاندارد میزان انحراف ضریب برآورد شده از مقدار واقعی آن را نشان می‌دهد.

مقدار کمتر خطای استاندارد به این معنی است که برآورد ضریب با دقت بیشتری انجام شده و ضریب به مقدار واقعی خود نزدیک‌تر است. مقدار بیشتر خطای استاندارد نشان‌دهنده این است که برآورد ضریب دارای عدم قطعیت بیشتری است و احتمالاً از مقدار واقعی دورتر است. خطای استاندارد معمولاً در کنار ضریب استفاده می‌شود تا میزان دقت ضریب ارزیابی شود. این مقدار به محاسبه آماره t کمک می‌کند که برای آزمون معناداری ضریب استفاده می‌شود.

ستون t.statistic در تحلیل خروجی مدل در ایویوز

قسمت بعدی مقادیر آماری تی t.statistic را نشان داده است که حاصل تقسیم مقادیر ستون Coefficient بر ستون انحراف معیار  Std.Error است. t-Statistic (آماره t) در خروجی رگرسیون نشان‌دهنده نسبت ضریب (Coefficient) به خطای استاندارد (Std. Error) است. این آماره برای آزمون معناداری ضریب‌های برآورد شده استفاده می‌شود. به عبارت ساده، آماره t بیان می‌کند که آیا ضریب متغیر مستقل به‌طور معناداری با صفر متفاوت است یا خیر.

اگر مقدار t به اندازه کافی بزرگ باشد (معمولاً بیشتر از 1.96 یا کمتر از منفی 1.96 در سطح اطمینان 95 درصد)، به این معنی است که ضریب معنادار است و می‌توان نتیجه گرفت که متغیر مستقل تأثیر قابل توجهی بر متغیر وابسته دارد. اگر مقدار t نزدیک به صفر باشد، به این معنی است که احتمالاً ضریب از نظر آماری معنادار نیست و متغیر مستقل تأثیر زیادی بر متغیر وابسته ندارد. آماره t مستقیماً با مقدار احتمال (p-value) در ارتباط است. اگر مقدار احتمال کمتر از سطح خطای فرضی (مثلاً 0.05) باشد، ضریب معنادار است.

ستون Prob در تحلیل خروجی مدل در ایویوز

ستون آخر با نام (Probability)Prob به معنای احتمال گزارش شده است. این ستون احتمال معناداری ضرایب متغییرهای مستقل را نشان داده است. در تحلیل خروجی مدل در ایویوز پراب نشان‌دهنده احتمال این است که ضریب به‌دست‌آمده از مدل به‌صورت تصادفی و بدون اثر واقعی از صفر متفاوت باشد. به بیان ساده‌تر، p-value احتمال خطا را هنگام نتیجه‌گیری از معناداری آماری یک ضریب بیان می‌کند.

معمولاً اگر p-value کمتر از 0.05 باشد (در سطح اطمینان 95%)، به این معنی است که ضریب به‌طور معناداری از صفر متفاوت است. به عبارت دیگر، متغیر مستقل تأثیر معناداری بر متغیر وابسته دارد و می‌توان آن را مؤثر دانست. اگر p-value بیشتر از 0.05 باشد، به این معنی است که نمی‌توان با اطمینان گفت که ضریب به‌طور معناداری از صفر متفاوت است. این نشان می‌دهد که متغیر مستقل ممکن است تأثیر معناداری بر متغیر وابسته نداشته باشد. در سطح 95 درصد ضرایب متغییر های مدل معناداراند در صورتی که کم تراز 0.05 باشند.

با توجه به توضیحات داده شده متغیر وابسته در این مدل Y است که اثر متغیرهای مستقل (X1، X2، X3، X4) بر روی آن بررسی شده است . در این مدل با توجه به خروجی بالا ضرایب متغیر X1 وX2 معنادار هستند ولی متغیر های X4 و X3 با ضرایب به ترتیب 0.1677 و 0.1570 که هر دو از 0.05 بیش‌تر هستند بر روی متغیر وابسته تاثیری ندارند. روش استفاده‌شده برای برآورد مدل رگرسیون حداقل مربعات (OLS) است. این روش به حداقل رساندن مجموع مجذور خطاها می‌پردازد.

تفسیر ضرایب در تحلیل خروجی مدل در ایویوز

ضریب X4 نشان می‌دهد که این متغیر تأثیر منفی اما غیر معناداری (با توجه به مقدار احتمال 0.1677) بر متغیر Y دارد. مشابه X4، ضریب X3 نیز منفی است و تأثیر معناداری ندارد (مقدار احتمال 0.1570). ضریب متغیر X2 مثبت و معنادار است (مقدار احتمال 0.0000)، به این معنی که افزایش X2 منجر به افزایش Y می‌شود. ضریب X1 منفی و بسیار معنادار است (مقدار احتمال 0.0000). این نشان می‌دهد که افزایش X1 منجر به کاهش Y می‌شود.

بررسی کیفیت مدل تحلیل خروجی مدل در ایویوز

بخش پایینی جدول اطلاعات مهمی را نرم‌افزار گزارش کرده است،که در ادامه به بررسی آن پرداخته شده است. شاخص‌های کیفیت مدل رگرسیون به ارزیابی کارایی و دقت مدل در پیش‌بینی متغیر وابسته کمک می‌کنند. R-squared یکی از مهم‌ترین شاخص‌ها است که نشان می‌دهد چه درصدی از تغییرات متغیر وابسته توسط متغیرهای مستقل توضیح داده می‌شود؛ مقدار بیشتر آن به معنای مدل دقیق‌تر است.

Adjusted R-squared نسخه‌ای از R-squared است که تعداد متغیرهای مستقل را در نظر می‌گیرد و از افزایش بی‌دلیل متغیرها جلوگیری می‌کند. F-statistic شاخصی برای ارزیابی کلی مدل است و اگر مقدار احتمال مربوط به آن کمتر از 0.05 باشد، مدل از نظر آماری معنادار است. همچنین Durbin-Watson برای بررسی خودهمبستگی باقی‌مانده‌ها استفاده می‌شود که به‌ویژه در مدل‌های سری زمانی اهمیت دارد.

ضریب تعیین در تحلیل خروجی مدل در ایویوز

در تحلیل خروجی مدل در ایویوز، ضریب تعیین نشان‌دهنده میزان توضیح‌پذیری مدل است. این ضریب بین صفر و یک قرار دارد و هرچه به 1 نزدیک‌تر باشد، نشان می‌دهد که مدل بهتر توانسته تغییرات متغیر وابسته را با استفاده از متغیرهای مستقل توضیح دهد. اولین آماره گزارش شده R-squrared یا همان ضریب تعیین است. ضریب تعیین بیانگر این است که متغییرها مستقل مدل چند درصد از تغییرات متغییر وابسته را می‌توانند توضیح دهند. ضریب تعیین نشان می‌دهد که 53.5 درصد از تغییرات متغیر وابسته (Y) توسط متغیرهای مستقل توضیح داده می‌شود. این مقدار نشان‌دهنده تناسب متوسط مدل است.

ضریب تعیین تعدیل شده در تحلیل خروجی مدل در ایویوز

آماره گزاش شده‌ی بعدی ضریب تعیین تعدیل شده است. این آماره همان ضریب تعیین است که به دلیل تاثیر درجه آزادی تعدیل شده است. ضریب تعیین تعدیل‌شده میزان دقت مدل را با در نظر گرفتن تعداد متغیرهای مستقل اصلاح می‌کند. این مقدار برابر با 51.5 درصد است که نشان می‌دهد مدل کمی بهینه‌تر از مقدار ساده R-squared است. به طور ساده هر متغیری که به مدل اضافه می‌شود باعث افزایش ضریب تعیین مدل می‌شود این افزایش کاذب است و ضریب تعیین تعدیل شده این افزایش کاذب را جبران می‌کند.

احتمال معناداری مدل(Prob) در تحلیل خروجی مدل در ایویوز

این آماره احتمال معناداری آماره F_Statistic است و در کل معناداری مدل را نتیجه می دهد،به طوری که اگر مقدار این احتمال کم تر از 0.05 باشد مدل معنادار است. آماره F نشان می‌دهد که مدل به طور کلی معنادار است. احتمال مربوط به این آماره (Prob(F-statistic)) برابر با 0.0000 است که نشان می‌دهد مدل کلی معنادار است.

آماره دوربین واتسون در تحلیل خروجی مدل در ایویوز

آماره دوربین واتسون هم از آماره‌های مهم خروجی مدل رگرسیونی گزارش شده نرم افزار ایویوز است. این آماره برای بررسی خودهمبستگی در باقیمانده‌های مدل استفاده می‌شود. مقدار 0.259975 نشان می‌دهد که احتمال وجود خودهمبستگی مثبت در باقیمانده‌ها وجود دارد. آماره دوربین واتسون مختصرا بیانگر این است که آیا مدل دارای خود همبستگی جملات اخلال است. مقادیر گزارش شده‌ی این آماره به صورت تجربی اگر بین 1.5 تا 2.5 باشد مشکل هم خطی در مدل وجود ندارد.

خطای استاندارد باقیمانده‌ها در تحلیل خروجی مدل در ایویوز

خطای استاندارد باقیمانده‌ها (S.E. of regression) معیاری است که میزان پراکندگی یا انحراف مقادیر واقعی از مقادیر پیش‌بینی‌شده توسط مدل را نشان می‌دهد. این شاخص کمک می‌کند تا متوجه شویم مدل چقدر خوب می‌تواند مقادیر واقعی را پیش‌بینی کند؛ هرچه این مقدار کمتر باشد، مدل دقیق‌تر است. مقدار این شاخص در مدل بالا  17.9834 است. این مقدار به نوع داده‌ها و دامنه تغییرات متغیر وابسته نیز بستگی دارد و باید در زمینه خاص آن تفسیر شود.

مجموع مجذور خطاها در تحلیل خروجی مدل در ایویوز

مجموع مجذور خطاها (Sum of Squared Residuals) یا SSR، مجموع مربع انحرافات مقادیر واقعی از مقادیر پیش‌بینی‌شده توسط مدل است. این شاخص، کل میزان خطا یا انحرافات مدل را اندازه‌گیری می‌کند؛ به این معنی که هرچه SSR کمتر باشد، مدل تطابق بهتری با داده‌ها دارد و خطای کمتری دارد. مقدار 31535.55 برای SSR نشان می‌دهد که مجموع مربع انحرافات مقادیر واقعی از مقادیر پیش‌بینی‌شده توسط مدل بسیار بالاست. اگر مدل دیگری وجود داشته باشد که مقدار SSR کمتری داشته باشد، آن مدل می‌تواند بهتر باشد. SSR بالاتر به معنای این است که مدل در توضیح داده‌ها کارایی کمتری دارد.

تابع لاگ-لایکلیهود در تحلیل خروجی مدل در ایویوز

تابع لاگ-لایکلیهود (Log-Likelihood) معیاری است که میزان تطابق مدل با داده‌های واقعی را بر اساس توزیع احتمالاتی داده‌ها ارزیابی می‌کند. هرچه مقدار تابع لاگ‌لایکلیهود بیشتر باشد، نشان می‌دهد که مدل بهتر به داده‌ها می‌نشیند و احتمال وقوع داده‌های مشاهده‌شده تحت مدل بیشتر است. این تابع در انتخاب بهترین مدل، به ویژه در مدل‌های پیچیده‌تر مثل مدل‌های اقتصادسنجی، بسیار کاربرد دارد. مقدار منفی 440.9444 برای تابع لاگ‌لایکلیهود نشان می‌دهد که  که مدل احتمال نسبتاً کمی برای داده‌های مشاهده‌شده تحت توزیع پیش‌بینی شده ارائه می‌دهد. برای بهبود مدل، می‌توان با استفاده از معیارهای دیگری مانند AIC و SC مدل‌های جایگزین را بررسی کرد.

میانگین متغیر وابسته در تحلیل خروجی مدل در ایویوز

Mean dependent var  مقدار میانگین متغیر وابسته (Y) در داده‌ها را نشان می‌دهد. به عبارت دیگر، مقدار میانگین Y برابر با 70.36 است. این مقدار می‌تواند به ما کمک کند تا درک بهتری از سطح کلی متغیر وابسته داشته باشیم.

انحراف استاندارد متغیر وابسته در تحلیل خروجی مدل در ایویوز

شاخص S.D. dependent var انحراف استاندارد متغیر وابسته (Y) را اندازه‌گیری می‌کند و نشان می‌دهد که مقادیر Y به‌طور متوسط چقدر از میانگین خود فاصله دارند. انحراف استاندارد 25.79 به ما می‌گوید که مقادیر Y به‌طور معناداری پراکنده‌اند و این به مدل کمک می‌کند تا به‌خوبی تنوع داده‌ها را در نظر بگیرد.

معیار آکائیک در تحلیل خروجی مدل در ایویوز

Akaike info criterion معیاری است که برای انتخاب مدل‌های آماری استفاده می‌شود و به ما کمک می‌کند تا مدل‌هایی که بهترین تعادل را بین کیفیت و پیچیدگی دارند، شناسایی کنیم. مقادیر پایین‌تر AIC نشان‌دهنده مدل‌های بهتر هستند. این مقدار 8.659106 است و در صورت وجود مدل‌های دیگر می‌توان آن را برای مقایسه استفاده کرد.

معیار شوارتز در تحلیل خروجی مدل در ایویوز

همچنین به عنوان BIC (Bayesian Information Criterion) نیز شناخته می‌شود، این معیار مشابه AIC است اما به شدت مجازات پیچیدگی مدل را در نظر می‌گیرد. مقادیر کمتر SC نشان‌دهنده مدل‌های بهتر هستند. مقدار 8.787006 به ما کمک می‌کند تا مدل‌های مختلف را مقایسه کنیم.

معیار ﺣﻨﺎﻥ ﻛﻮﺋﻴﻦ در تحلیل خروجی مدل در ایویوز

این معیار دیگر برای انتخاب مدل است و به نوعی بین AIC و SC قرار دارد. مقادیر پایین‌تر نشان‌دهنده مدل‌های بهتر هستند. مقدار 8.710190 نشان‌دهنده یک گزینه مناسب برای ارزیابی مدل است.

آزمون‌های تشخیصی در تحلیل خروجی مدل در ایویوز

برای ارزیابی کیفیت مدل در تحلیل خروجی مدل در ایویوز، باید آزمون‌های تشخیصی مختلفی را انجام داد. از جمله این آزمون‌ها می‌توان به آزمون دوربین-واتسون برای بررسی خودهمبستگی باقیمانده‌ها و آزمون وایت برای بررسی ناهمسانی واریانس اشاره کرد. این آزمون‌ها به شما کمک می‌کنند تا اطمینان حاصل کنید که مدل با فرضیات پایه‌ای رگرسیون همخوانی دارد.

در آموزش برآورد مدل رگرسیونی در ایویوز مراحل اجرای مدل در نرم افزار ایویوز تا بخش مشاهده خروجی نرم‌افزار بررسی شده است. تصویر زیر خروجی مدل نرم افزار ایویوز است. متغیر Y متغیر وابسته و متغیرهای X1 تا X4 متغیرهای مستقل مدل رگرسیونی هستند. تا انتهای آموزش تحلیل خروجی مدل در ایویوز به طور کامل بررسی شده است.

با لینک زیر می توانید به صفحه ی آموزش نرم افزار ایویوز رایگان،جامع و گام به گام  EViews بروید.