مفهوم تصریح مدل

بعد از برآورد مدل رگرسیونی در ایویوز ، در این آموزش یاد می گیریم مفهوم تصریح مدل چیست و با قرار دادن کدام یک از متغیر های مستقل می توان بهترین مدل را برآورد کرد.

مفهوم تصریح مدل چیست؟

مفهوم تصریح مدل بیان می کند:

آیا مدل برآورد شده توانسته با متغیر های مستقل به درستی و جامع،متغیر وابسته را توضیح دهد.

چه زمانی مدل به درستی برآورد نشده و مدل بهینه نیست؟

مفهوم تصریح مدل،اگر در مدل برآورد شده فروض کلاسیک رگرسیون برقرار نباشند مدل تصریح مناسبی ندارد.

تصریح نادرست زمانی اتفاق می افتد که یکی از سه عامل زیر اتفاق بیافتد:

1- تعداد متغیر های مستقل،بیشتر از تعداد بهینه باشند،یعنی در مدل متغیر زائد داته باشیم.

2- تعداد متغیرهای مستقل،کم تر از تعداد بهینه باشند،یعنی در مدل متغیر محذوف داریم.

3-شکل وارد کردن داده ها در مدل صحیح است یا باید از تابعی برای متغیری استفاده کرد.

در دو حالت اول با آزمون های موجود برای تشخیص می توان دریافت که

متغیر محذوف یا زائد

در مدل هست یا خیر.

مفهوم تصریح مدل،در عامل شماره یک بعد از تخمین مدل و بررسی نتایج مدل می توان دریافت که کدام متغیر مستقل در مدل معنی دار نیست واز مدل باید حذف شود.

در عامل شماره دو با افزودن متغیر جدید به مدل و معناداری آن و بهبود فروض کلاسیک برآورد می توان دریافت که متغیر محذوف داشته و این متغیر باید به مدل اضافه شود.

باید دقت کرد حذف وافزودن متغیر به مدل باید در چهارچوب مبانی علم اقتصاد به همراه پشتیبانی نظری صورت گیرد.

در حالت سوم با استفاده از آزمون رمزی می توان دریافت که شکل تابعی متغیر ها درس است یا خیر.

آزمون رمزی:

این آزمون برای تشخیص خطی یا غیر خطی بودن مدل رگرسیون کاربرد دارد و در صورتی که نتایج بیانگر غیر خطی بودن مدل باشد باید از آزمون خطا به شکل صحیح تابع متغیر های توضیحی دست یافت.

برای آزمون رمزی در نرم افزار ایویوز EViews بعد از برآورد مدل از مسیر 

View/Stability Diagnosttics/Ramsey RESET Test

و انتخاب مرتبه ی یک در پنجره ظاهر شده اقدام می کنیم.

فرض صفر آزمون رمزی خطی بودن مدل رگرسیونی را بیان می کند.

تحلیل آزمون رمزی(مفهوم تصریح مدل)

با توجه به تصویر بالا مشاهده می شود که احتمال آماره ی آزمون رمزی 0.0352 است.

این آزمون در سطح 1%معنادار است و شکل تابعی مدل خطی است.

چنان چه آماره ی این آزمون بیش از 0.1 بود شکل تبعی (تابعی) مدل خطی نیست.

در این صورت با تغییر تابع متغیر وابسته در مدل به صورت آزمون خطا آزمون رمزی را معنادار کرد.

به طور مثال اگر متغیر وابسته را Y فرض کنیم و تابع z=1/y در نظر بگیریم.

z را به عنوان متغیر مستقل به مدل اضافه می کنیم و آزمون رمزی را دوباره تست می کنیم.

معناداری آزمون را دوباره بررسی کرده و اگر باز هم معنادار نبود از تابع دیگری به صورت آزمون خطا استفاده می کنیم.

گاهی اوقات با تغیر در جهت رفع عدم برقراری یک فرض رگرسون با مشکل عدم برقراری فروض دیگر مواجه می شویم.

در این حالت به جای روش حداقل مربعات معمولی OLS تخمین را با روش های دیگر که حساسیت کم تری نسبت به فروض کلاسیک دارند استفاده می کنیم.

مانند روش کوانتایل.

ایجاد مدل بهینه با روش گام به گام Stepwise regression 

مفهوم تصریح مدل،براساس این روش از بین تمام متغیر های فرضی برای مدل می توان بهترین ترکیب را بر اساس سطح معناداری مورد نظر انتخاب کرد.

در نرم افزار ایویوز EViews برای این منظور بعد از انتخاب داده ها و باز کردن تب Estimatione Equation

در قسمت کشویی Estimation settings تب STEPLS  را انتخاب کرده و در جدول اول نام متغیر وابسته به همرا حرف C و در جدول دوم فهرست تمام متغیر های مستقل را وارد کنیم.

از تب Option قسمت Selection Method گزینه ی Combinatorial را انتخاب و تعداد متغیر هایی که قرار است بهترین ترکیب را تشکیل دهند معین می کنیم.

تحلیل نتایج روش گام به گام Stepwise

مفهوم تصریح مدل،با انجام مراحل بالا و باز شدن پنجره ی خروجی آزمون مانند تصویر زیر داریم؛

در ستون متغیر ها Varible تعداد 6 تا متغیر مستقل را که بهترین توضیح برای متغیر وابسته داده اند را انتخاب کرده است که تمامی آن ها معنادارند.

بررسی نتایج مدل بهینه با روش گام به گام Stepwise regression

فصل چهار پایان نامه

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