دانلود تحقیق اقتصادسنجی

اقتصادسنجی با مطالعهٔ نظام‌مند پدیده‌ های اقتصادی با استفاده از داده‌های مشاهده‌شده سر و کار دارد.[۱] به عبارتی، اقتصادسنجی علم تحلیل‌های آماری از مدل‌های اقتصادی است.[۲] همانطور که راینار فریش در اولین شماره مجله ایکانامتریکا توضیح می‌دهد یکی شدن آمار، تئوری اقتصادی و ریاضیات است که اقتصادسنجی را می‌سازد.[۳] اگرچه بسیاری از روش‌ های اقتصاد سنجی کاربرد مدل‌ های آماری را بیان می‌کنند، اما بعضی شاخصه‌های ِ خاص ِ داده‌های اقتصادی سبب تمایز اقتصادسنجی از سایر شاخه‌های آمار می‌شود.

داده‌های اقتصادی عمدتاً مبنی بر مشاهده هستند و نه به‌دست‌آمده از آزمایش‌های کنترل‌شده.

از آنجا که واحدهای اقتصادی در تعامل با یکدیگر عمل می‌کنند، داده‌های مشاهده‌شده نشان از یک تعادل اقتصادی پیچیده هستند و نه ناشی از یک رفتار ِ سادهٔ ارتباطی ناشی از تقدم و یا تکنولوژی.

از این رو اقتصاد سنجی روش‌هایی برای شناسایی و تخمین ِ مدل‌های با چند مجهول را ایجاد می‌کند.

این متدها به محقق اجازه می‌دهند که استنتاجی علی‌معلولی در شرایطی غیر از شرایط آزمایشی ِ کنترل‌شده ارائه دهد.[۴] اهداف اهداف اقتصادسنجی را به طور کلی می‌توان دادن محتوای تجربی به روابط اقتصادی برای آزمودن نظریه‌های اقتصادی، پیش بینی، تصمیم گیری، و ارزیابی پیشینی یک سیاستگذاری یا تصمیم دانست.[۵] به کمک تکنیک‌های اقتصادسنجی می‌توان ضرایب مجهول مدل ساخته‌شده را برآورد کرد و سپس (در صورت برقرار بودن تعدادی فرض) به استنتاج آماری دربارهٔ آنها پرداخت.

مثلاً اگر تئوری اقتصادی بیان می‌کند که رابطه متغیر وابسته و متغیر توضیح دهنده رابطه‌ای معکوس است، انتظار داریم که ضریب این متغیر از لحاظ آماری معنادار (متفاوت از صفر) و منفی باشد.

همچنین بعد از برآورد ضرایب می‌توانیم با قرار دادن مقادیر دلخواه متغیرهای توضیح‌دهنده در رابطه، مقدار متغیر وابسته متناظر با آنها را پیش‌بینی کنیم.[۲] اقتصادسنجی در ارزیابی سیاستگذاری‌ها نیز مفید است.

مثلاً اگر سیاستگذار تابع تقاضای یک کالا را با داده‌های قبلی برآورد کرده‌باشد و حال بخواهد قیمت آن کالا را به صورت دستوری طوری تعیین کند که تعداد مشخصی از مردم از آن کالا استفاده کنند، کافی است این مقدار را در تابع تقاضا قرار داده و قیمت متناظر با آن را محاسبه کند.

در اقتصادسنجی حتی در چنین مثال ساده‌ای ظرافت‌هایی وجود دارد که باید به آنها توجه شود.

مثلاً برای تخمین تابع تقاضا، مشاهده‌ها در جدول داده‌ها می‌بایست زوج قیمت و مقدار تقاضا در شرایط تعادل پایدار باشند.

در غیر این صورت مدل ِ پیچیده‌تر یا روش اقتصادسنجی ِ دیگری برای تخمین‌های معتبر و آزمون آنها لازم است.[۲][۴] روش‌شناسی اقتصادسنجی روش‌شناسی (متدولوژی) مدل‌سازی اقتصادسنجی همواره محل بحث بوده است.

اولویتها و رابطه بین تئوری اقتصادی، داده ها، مدل نظری و مدل اقتصادسنجی موضوع این مباحث بوده است.

یک روش‌شناسی که عموماً مورد استفاده قرار می‌گیرد در نمودار زیر نمایش داده شده است: فرض کنید قصد مدل کردن یک پدیده را داریم.

ابتدا نظریه‌ای در توضیح عوامل موثر بر آن می‌یابیم.

منظور از مدل نظری، فرموله کردن ریاضی یک نظریه است.

قدم بعدی تبدیل مدل نظری به مدل اقتصادسنجی است.

برای این کار، ابتدا سری داده‌های معینی که فرض می‌شود مقادیر متغیرهای موجود در مدل را نمایندگی می‌کنند، انتخاب می‌شوند.

سپس فرض می‌شود که متغیرهای نظری بر متغیرهایی که داده‌های انتخاب شده را ایجاد کرده‌اند منطبق هستند.

در نتیجه متغیرهای داده‌های انتخاب شده را در مدل ریاضی جایگزین متغیرهای نظری می‌کنیم.

در گام آخر تبدیل مدل نظری به مدل اقتصادسنجی، یک جمله خطای تصادفی به معادله اضافه می‌کنیم.

سپس ضرایب مدل آماری را با توجه به فروضی که روی جمله خطا کرده‌ایم برآورد می‌کنیم.

اگر هر یک از فروض نقض شدند فروض جمله خطا را تغییر می‌دهیم.

سپس قیود پیشینی (a priori) که توسط تئوری اعمال شده‌اند (مثل علامت و مقدار ضرایب) را آزمون می‌کنیم.

وقتی متقاعد شدیم که نظریه درست است، می‌توانیم از معادلهٔ برآوردشده برای پیش بینی یا ارزیابی سیاستگذاری استفاده کنیم.

انتقاداتی به این روش‌شناسی وارد است.

از جمله اینکه نقطه شروع مدلسازی اقتصادسنجی را یک تئوری می‌داند.

در واقع چنین فرض می‌شود که تنها «اطلاعات مشروع» موجود در داده‌های انتخاب‌شده آنهایی هستند که تئوری ذکر می‌کند.

در نتیجه اگر داده‌ها در لباسی که بدون در نظر گرفتن طبیعتشان برایشان انتخاب شده جا نشوند، مدلساز در مرحلهٔ تصریح مدل آماری با سختی‌های فراوان روبرو می‌شود.

ساده‌لوحانه است که پیشنهاد کنیم داده‌های مشاهده شده هر چه باشند، مدل آماریشان نباید فرقی کند.

به دلیل مشکلاتی از این دست، روش‌شناسی‌های دیگری نیز در اقتصادسنجی وجود دارند که طبیعت داده‌های مشاهده‌شده را مرکز توجه قرار می‌دهند و در آنها مدل آماری مستقیماً مبتنی بر متغیرهای تصادفی که داده‌ها را ایجاد کرده‌اند تعریف می‌شود و نه جملهٔ خطا.[۱] انواع داده‌ها داده‌ها و مشاهدات متغیرهای موجود در یک مدل معمولاً در سه نوع مختلف می‌تواند وجود داشته باشد: داده‌های سری زمانی، داده‌های مقطع زمانی و داده‌های تلفیقی داده‌های سری زمانی، مقادیر یک متغیر را در نقاط متوالی در زمان، اندازه گیری می‌کند.

این توالی می‌تواند سالانه، فصلی، ماهانه، هفتگی یا حتی به صورت پیوسته باشد.

داده‌های سری زمانی به طور کلی موضوع کار «اقتصادسنجی کلان» است که روشهای اقتصاد سنجی را در سطح کلان بررسی می‌کند.

در اقتصاد کلان عموماً از سری زمانی‌های سالانه یا فصلی استفاده می‌شود چرا که جمع‌آوری اطلاعاتی مانند حسابهای ملی در فواصل کوتاه‌تر با دشواری‌های زیادی همراه است.

اما در اقتصادسنجی مالی که داده‌ها در هر زمان به آسانی قابل گزارش هستند، استفاده از سری‌های زمانی ساعتی یا حتی دقیقه ای نیز امری غیرمعمول نیست.

معمولاً از اندیس t برای داده‌های سری زمانی استفاده می‌کنند.

داده‌های مقطع زمانی، مقادیر یک متغیر را در زمان معین و روی واحدهای متعدد اندازه گیری می‌کند.

این واحدها می‌توانند افراد، خانوارها، واحدهای تولیدی، صنایع، نواحی مختلف و حتی کشورهای مختلف باشند.

مثلاً می‌توان داده‌های درآمد و مصرف خانوارهای مختلف را در سال معینی جمع‌آوری کرد.

معمولاً از اندیس i برای داده‌های مقطعی استفاده می‌کنند.

داده‌های تلفیقی در واقع بیان کننده داده‌های مقطعی در طی زمان هستند.

بنابراین حجم مشاهدات در داده‌های تلفیقی نسبتاً زیاد است.

در سالهای اخیر، کاربرد داده‌های تلفیقی در اقتصادسنجی افزایش بسیاری یافته‌است.

معمولاً داده‌های تلفیقی و داده‌های مقطعی در اقتصادسنجی خرد به کار می‌روند که موضوع آن بررسی روشهای اقتصادسنجی در اقتصاد خرد است.[۲] داده‌های تلفیقی در واقع بیان کننده داده‌های مقطعی در طی زمان هستند.

معمولاً داده‌های تلفیقی و داده‌های مقطعی در اقتصادسنجی خرد به کار می‌روند که موضوع آن بررسی روشهای اقتصادسنجی در اقتصاد خرد است.[۲] تحلیل رگرسیون رگرسیون در لغت به معنای «بازگشت به مراحل قبلی در یک مسیر تحول و توسعه» است.

تحلیل رگرسیون در واقع بدنه اصلی مطالعات اقتصادسنجی را تشکیل می‌دهد و به طور کلی درباره مدلهای رگرسیون و نحوه برآورد آنها بحث می‌کند.

برای آشنایی با مفهوم رگرسیون، فرض کنید یک متغیر مثل Y را در طول زمان یا در بین واحدهای مختلف مشاهده کرده و داده‌های مربوط به آن را به دست آورده‌ایم.

می‌خواهیم چگونگی تغییرات آن را تفسیر کنیم.

برای این منظور باید متغیر یا متغیرهایی را در نظر بگیریم که بتوانند این تغییرات را توضیح دهند.

فرض کنید: این مدل، یک مدل ریاضی است چرا که فقط رابطه ریاضی بین متغیر وابسته (Y) و متغیرهای مستقل (ها) را منعکس کرده است.

اگر تابع f نسبت به متغیرهای تا خطی باشد یعنی به فرم: این مدل، یک مدل ریاضی خطی نامیده می‌شود.

اینکه چه متغیرهایی باید به عنوان متغیرهای توضیح دهنده استفاده شوند می‌تواند به تئوری‌های اقتصادی یا برداشت شخصی مدل ساز بستگی داشته‌باشد.

شکل تابع نیز تابع نظر مدلساز است و او می‌تواند شکلهای تابعی متفاوتی را امتحان کند که بیشترین سازگاری را با داده‌های موجود داشته باشد.

اما باید توجه داشت که حتی اگر متغیرهای توضیح دهنده به درستی انتخاب شده باشند و فرم تابعی نیز درست تصریح شده باشد، باز هم مدل ساخته‌شده یک رابطه همواره درست نخواهدبود.

دلایل این امر را می‌توان چنین برشمرد: علاوه بر متغیرهای توضیح دهنده وارد شده در مدل، عوامل دیگری نیز وجود دارند بیان کمی آنها معمولاً بسیار دشوار است و در نتیجه وارد کردن آنها در مدل مقدور نیست.

به عنوان مثال اگر قصد مدل کردن مصرف یک کشور را داشته باشیم، چگونگی انتظارات مصرف کننده نسبت به تغییر در پارامترهای مختلف اقتصادی و درجه عدم اطمینان نسبت به تغییر در پارامترهای مختلف اقتصادی قابل مشاهده نیستند.

ثانیاً اقتصاد با رفتار انسانها سر و کار دارد و می‌دانیم که در رفتار انسان همواره عناصر تصادفی غیرقابل پیش بینی وجود دارد که اساساً نمی توان آنها را در مدلهای ریاضی گنجاند.

همچنین دلایل دیگری مانند خطا در اندازه گیری متغیرهای وابسته و مستقل می‌توان ذکر کرد.

پس باید پذیرفت که مدلهای ریاضی برای توضیح پدیده‌های اقتصادی دقیق نیستند و خطا دارند.

به این خطا اصطلاحاً «جمله اخلال» می‌گویند زیرا تعادل ریاضی مدل را مختل می‌کند.

به همین دلیل یک جمله خطا (یا ترم تصادفی) به مدل اضافه می‌کنیم که جانشینی برای اثر همه عوامل نادیده گرفته شده در مدل است.

بنابراین تفاوت کلی مدلهای ریاضی و مدلهای رگرسیون در جمله اخلال است.

هر گاه به مدلهای ریاضی یک جمله اخلال – که یقیناً تصادفی است – اضافه کنیم به یک مدل رگرسیون تبدیل خواهد شد.

به متغیر Y که در سمت چپ معادله قرار دارد، متغیر وابسته و به ها متغیرهای توضیح دهنده یا رگرسورها گفته می‌شود.

اصطلاحات متغیر برونزا و متغیر درونزا نیز به ترتیب برای ها و Y به کار می‌رود زیرا فرض بر این است که مقادیر ها خارج از مدل مفروض تعیین شده و در نتیجه برونزا هستند در حالی که مقادیر Y در داخل مدل و بر اساس قانونمندی تعیین می‌شود و به همین دلیل درونزا خواهدبود.[۲] فروض کلاسیک با بررسی مدلهای رگرسیون به سهولت مشاهده می‌شود که هر گونه پیشرفت در تحلیلهای رگرسیونی متوقف به شناخت بیشتر از جمله اخلال مدل است.

در واقع در یک مدل رگرسیون، جمله اخلال با اینکه نقش مهمی ایفا می‌کند اما بنا به تعریف ناشناخته است.

هر گاه کوشش کنیم اجزایی از جمله اخلال را بشناسیم و آنها را اندازه گیری کنیم این اجزای شناخته شده در قسمت معین مدل قرار می‌گیرد و مجموعه عوامل مجهولی که باقی می‌مانند جمله اخلال را تشکیل می‌دهند.

بنابراین جمله اخلال هیچگاه قابل مشاهده و اندازه گیری نیست.

در نتیجه تنها راه خروج از این تنگنای نظری این است که یک سری فرضهای منطقی در مورد جمله اخلال () مطرح کنیم تا بر آن اساس بتوان به تحلیلهای رگرسیونی ادامه داد.

این فرضها با یک فرض در مورد متغیرهای برونزا با عنوان فرضهای کلاسیک مدلهای رگرسیون مطرح می‌شود.

مهمترین نکته در مورد تصادفی بودن آن است.

با توجه به تعریفی که از ارائه شد، بدیهی است که این فرض قابل قبول است و خلاف آنرا نمی توان تصور نمود.

یک متغیر تصادفی است و مثل همه متغیرهای تصادفی دارای یک تابع توزیع احتمال و در نتیجه میانگین و واریانس (و بقیه گشتاورها) است.

سوال مهمی که می‌توان مطرح کرد این است که خصوصیات آماری و شکل تابع توزیع احتمال متغیر تصادفی چیست؟

پاسخ به این سوال فروض کلاسیک نامیده می‌شود.

فروض کلاسیک عبارتند از: اولین فرض این است که میانگین یا امید ریاضی جمله اخلال صفر است.

این فرض در واقع به این معنی است که به ازای هر مقدار معین از متغیرهای توضیح دهنده، میانگین تمام مقادیر ممکن برابر صفر است.

ظهور مقادیر مختلف به اعتبار فرض آزمایشهای فرضی تکراری به ازای مقادیر معین و ثابت متغیرهای توضیح دهنده است.

مفهوم کلی این فرض این است که مدل خطای سیستماتیک ندارد.

دومین فرض ثابت بودن واریانس جمله اخلال به ازای مقادیر مختلف متغیرهای مستقل است.

هرگاه واریانس جمله اخلال ثابت باشد، می‌گوییم مدل واریانس همسان و در غیر این صورت واریانس ناهمسان است.

سومین فرض این است که و به ازای تمامی مقادیر از یکدیگر مستقلند.

یعنی کوواریانس آنها صفر است.

به عبارت دیگر هر گاه دو مقدار متفاوت برای متغیرهای مستقل را در نظر بگیریم، فرض بر این است که جمله‌های اخلال متناظر با آنها از یکدیگر مستقلند.

در چنین حالتی می‌گوییم که جمله‌های اخلال خود همبستگی ندارند.

چهارمین فرض این است که تابع توزیع جمله اخلال را نرمال بدانیم.

بنابراین با توجه به فرضهای اول و دوم و سوم می‌توان گفت که دارای توزیع مستقل نرمال با میانگین صفر و واریانس ثابت است.

پنجمین و آخرین فرض از فرضهای کلاسیک این است که متغیرهای توضیح دهنده غیرتصادفی هستند.

این فرض بیشتر برای سهولت در استنتاج قضایا و نیز رسیدن به نتایج جالبتر در تخمین پارامترهاست.