اقتصاد­سنجی[1] یکی از شاخه‌های جدید و مهم علم اقتصاد می باشد که آشنایی و بهره گیری 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 اظهار‌کننده‌ی روابط متقابل بین متغیرهای قابل اندازه‌گیری می باشد، توصیف می‌کنند. معادله‌ها مبتنی بر نظریه یا مشاهدات تجربی رفتار و یا روابط فنی میان متغیرها می باشد 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، 1388: 56)

 2-4 خصوصیات یک مدل خوب

سی. هاروی (A.C. Harvey) ملاک‌های زیر را برای قضاوت راجع به کیفیت یک مدل ارائه می‌دهد (گجراتی و دامودار، 1386: 60)

  • قلت منطقی متغیرهای توضیحی[2]

یک مدل هیچگاه قادر به توصیف دقیق واقعیت آن­گونه که هست نیست، یعنی برای توصیف دقیق واقعیت مجبور خواهیم بود چنان مدل پیچیده‌ای را ارائه کنیم که فاقد کوچکترین ارزش علمی می باشد. ساده‌سازی و تجرید در هر برنامه مدل‌سازی اجتناب‌ناپذیر می باشد. در این ارتباط اصل قلت منطقی متغیرهای توضیحی حکم می کند که یک مدل، تا آن­جا که ممکن می باشد ساده در نظر گرفته گردد به­طوری­که تنها متغیرهای کلیدی را بایستی در تحلیل وارد نمود و بدین وسیله تمام اثرات تصادفی و جزئی را به جزء اخلال یا خطا[3] محو نمود. ( همان منبع: 61)

 

 

  • قابلیت تشخیص[4]

    این اصل حکم می کند 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: 61)

  • خوبی بر ارزش[5]

نظر به این­که هدف اساسی تحلیل رگرسیون، تبیین‌دهندگی تغییرات در متغیر وابسته به­وسیله‌ی متغیرهای توضیحی ملحوظ در مدل می باشد، پس یک مدل زمانی به­عنوان یک مدل خوب مد نظر قرار می‌گیرد که این تبیین که به­وسیله   اندازه‌گیری می گردد، 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 می باشد 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 نمود.

 

  • قدرت تعمیم‌دهی و پیش­گیری
  • شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

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

2-5 اشکال تبعی مدل‌های رگرسیونی

این اشکال شامل مدل­های باکشش ثابت (لگاریتم دو­سویه) و مدل­های نیمه لگاریتمی می باشد. حال به تبیین هرکدام از این مدل­ها می­پردازیم. (نوفرستی، 1376: 128)

  • مدل‌های با کشش ثابت (لگاریتم خطی[6]) یا لگاریتم لگاریتمی[7] (لگاریتم از دو سو[8])

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

از مهم­ترین ویژگی این دسته از مدل‌ها آن می باشد 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 ارتباط (2-1)  می باشد.

(2-1)                                                                     LnYi = α + β2Ln Xi + Ui

 

که  Ln مبین لگاریتم طبیعی می باشد و 1α = Ln β می باشد.

  • مدل‌های نیمه لگاریتمی[9] (Log-Lin و Lin-Log)

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

اگر متغیر وابسته (Y) لگاریتمی باشد به آن Log-Lin گویند که در این دسته از مدل‌ها، ضریب زاویه 2α، تغییر نسبی یا متناسب ثابت در Y را به ازاء تغییر شکل مطلق در X اندازه می‌گیرد.

(2-2)                                                                        LnYi = α1 + β2 Xi + Ui

اگر توضیحی (X) لگاریتمی باشد به آن Lin-Log گویند که در این دسته از مدل‌ها، ضریب زاویه 2β، تغییر مطلق در Y را به ازاء یک تغییر نسبی در X اندازه می‌گیرد.

(2-3)                                                                       Yi = β1 + β2 Ln Xi + Ui

  • مدل‌های معکوس

این دسته از مدل‌ها از نظر متغیر X غیرخطی می باشد زیرا به­صورت معکوس در مدل وارد شده می باشد اما از نظر پارامترهای 1β و 2β خطی می باشد و پس یک مدل رگرسیون خطی می باشد. مدل معکوس به­صورت ارتباط (2-4) نشان داده می­گردد.

(2-4)                                                                        Yi = β1 + β2 (1/Xi) + Ui

این مدل ویژگی‌های زیر را دارا هستند: هم­چنان­که X به­گونه نامحدود افزایش می‌یابد جزء (Xi/1) 2β به­طرف صفر میل می کند به­طوری­که 2β ثابت می باشد و Y به گونه مجانبی یا حدی به مقدار 1β گرایش می‌یابد.

 

2-6  ماهیت تحلیل رگرسیونی

رگرسیون ابزار اصلی اقتصادسنجی می باشد. به­گونه کلی می‌توان گفت، تحلیل‌های رگرسیون به مطالعه‌ی وابستگی یک متغیر (متغیر وابسته[10]) به یک یا چند متغیر دیگر (متغیر توضیحی[11]) 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) شکل میگیرد به عنوان مثال یک کارشناس اقتصادی امور کشاورزی در مطالعه‌ی وابستگی بازده یک محصول مثلاً گندم به دما، بارندگی، اندازه نور و حاصل­خیزی از تحلیل رگرسیونی بهره گیری می کند. پس، یک تحلیل وابستگی می‌تواند پیش­گویی یا پیش‌بینی متوسط بازده محصول را با در نظر داشتن اطلاعات مفروض در مورد متغیرهای توضیحی، میسر سازد. (نیرومند و دیگران، 1389: 48)

[1] . Econometrics

[2] . Parsimony

[3] . Disturbance or error term

[4] . Identifiability

[5] . Goodness of fit

[6] . log-Linear

[7] . Log-Log

[8] . Double-Log

[9] . Semi-Log models

[10] . Dependent – Variables

[11] . Explanatory – Variables

برای دانلود متن کامل اینجا کلیک کنید