> مقالات موضوعی > پژوهش و پایان نامه > داده پردازی > روش های اقتصاد سنجی > مشاهده مقاله جهت ارسال به چند نفر، نام و ایمیل گیرندگان با کاما { ، } جدا شوند. نام فرستنده: * ایمیل فرستنده: نام گیرنده(گان): * ایمیل گیرنده(گان): * متن پیام: * کد امنیتی: فروض کلاسیک رگرسیون باید توجه داشت که روش ols بر اساس برقراری تمام فروض کلاسیک بنا شده است. با این حال برقراری تمام فروض کلاسیک در شرایط واقعی چندان قابل دستیابی نیست. هرچند که برقراری فروض کلاسیک همواره مطلوب است، ولی عضویت در تیم متفکران در طرح همراه با تیم اعتبار هدیه بگیرید و مشارکت کنید کلیک کنید... در طرح همگام با تیم با اعتبار هدیه، از خدمات ویژه استفاده کنید کلیک کنید... در طرح همیار با تیم در بازارکار حسابداری و مالی بدرخشید کلیک کنید... در طرح همکار با تیم خدمات مالی و حسابداری خود را معرفی کنید کلیک کنید... عدم برقراری برخی از آنها، نتایج مدل برآورد شده را (به ویژه در نمونه های بزرگ) به طور کامل خدشه دارنمی کند. فروض کلاسیک به شرح زیر میباشد: میانگین خطاها برابر صفر است. واریانس خطاها مقداری ثابت و متناهی است. خطاها از یکدیگر استقلال خطی دارند خطاها و متغیرهای توضیحی از یکدیگر استقلال دارند. جملات خطا از توزیع نرمال برخوردار هستند. آزمون اول: میانگین خطاها برابر صفر است. اگر یک جمله ثابت در رگرسیون داشته باشیم هدف مذکور که صفر بودن مقدار میانگین خطاها میباشد به راحتی حاصل میشود و این فرض هرگز نقض نخواهد شد. آزمون دوم: واریانس خطاها مقداری ثابت و متناهی است. یکی از مفروضات معادله رگرسیون، ثابت بودن واریانس جملات پسماند میباشد، که به عنوان فرض همسانی واریانس شناخته میشود. در صورتیکه جملات پسماند، واریانس ثابتی نداشته باشند گفته میشود واریانس ناهمسانی وجود دارد. این مشکل بیشتر در داده های مقطعی دیده میشود. یکی از آزمونهای تشخیص ناهمسانی واریانس آزمون بروش پاگان گادفری میباشد ( البته آزمون ضریب لاکرانژ (lm) وwhite نیز انجام میشود) که راجع به ثابت بودن یا متغیر بودن واریانس جملات پسماند است. از اینرو برای بررسی اینکه آیا واریانس ثابت است یا خیر؟ فرض ذیل تدوین میگردد: واریانس جملات پسماند ثابت میباشد H0 : ai = 0 واریانس جملات پسماند ثابت نمیباشد H1 : ai ≠ 0 البته این آزمون برای داده هایی که به صورت پانل وارد ایویز شده اند انجام نمیشود. برای رفع این ناهمسانی روشهای زیر پیشنهاد میشود gls به جای ols تبدیل متغیرها به شکل لگاریتم یا یا کاهش اندازه با به کار گیری شاخص استفاده از آزمون white در این این نرم افزار برای رفع این مشکل از روش White cross-section استفاده میشود. آزمون سوم: خطاها از یکدیگر استقلال خطی دارند (خودهمبستگی سریالی) در مطالعات اقتصادسنجی که برمبنای سریهای زمانی قرار دارند، فرض عدم خود همبستگی سریالی بین جملات پسماند که از فروض مهم مدل کلاسیک است، اغلب نقض می شوند، بنابراین لازم می باشد که قبل از تفسیر نتایج حاصل، به بررسی پدیده خود همبستگی سریالی بین جملات پسماند پرداخته شود؛ زیرا در صورت وجود خودهمبستگی سریالی بین اجزاء اخلال، تخمینزنهای OLS دیگر در بین تمام تخمینزنها بدون تورش، کارا نیستند یعنی دارای حداقل واریانس نمیباشند و در نتیجه استنباط آماری، قابل اعتماد نخواهد بوداین مشکل بیشتر در داده_های سری زمانی دیده میشود. اگر خود همبستگی در دادههای مقطعی مشاهده شد افزودن متغیر کنترلی صنعت موجب رفع خودهمبستگی سریالی (احتمالی) میشود. برای کشف خود همبستگی مرتبه اول از آزمون دوربین واتسون استفاده میشود اما برای مراتب بالاتر معمولاً از آزمون تشخیص خود همبستگی سریالی بروش گادفری (یا آزمون ضریب لاکرانژ) استفاده میگردد. در این آزمون فرضیه ها به شکل زیر است : جملات پسماند دارای خودهمبستگی سریالی نیستند H0 : جملات پسماند دارای خودهمبستگی سریالی هستند H1 : برای رفع این مشکل در ایویوز روش gls و گزینه SURcross-section استفاده میشود. همچنین روشهای خود رگرسیمن (ar) میانگین متحرک (ma) و خود توضیح میانگین متحرک (arma) برای رفع مشکل خود همبستگی سریالی انجام میشود. آزمون چهارم: خطاها و متغیرهای توضیحی از یکدیگر استقلال دارند. برآوردگرهای ols با وجود برآوردگرهای تصادفی، بازهم کارا و بدون تورش است به شرطی که برآوردگرها با جمله اخلال معادله برآورد شده، همبستگی نداشته باشند. به عبارت دیگر اگر یک یا تعداد بیشتری از متغیرهای توضیحی به طور همزمان با جمله اخلال رگرسیون همبسته باشند، برآوردگر ols دیگر کارا نخواهد بود. اما از آنجایی که متغیرهای توضیحی (برآوردگرها یا همان متغیرهای مستقل) معمولا به صورت غیر تصادفی تولید میشوند، فرض کلاسیک چهارم در بیشتر مواقع رد نمیشود. به همین دلیل در منابع مختلف چندان به روش کشف و رفع آن نپرداخته اند. فرض پنجم: جملات خطا از توزیع نرمال برخوردار هستند. در هنگام استفاده از روش رگرسیون، نرمال بودن جملات پسماند در مدل برازش شده از اهمیت به سزایی برخوردار میباشد. یکی از آزمونهایی که نرمال بودن جملات پسماند را مورد آزمون قرار میدهد آزمون جارک-برا است. بنابراین در این آزمون، فرض های ذیل تدوین می شود . جملات پسماند دارای توزیع نرمال است H0 : جملات پسماند دارای توزیع نرمال نیست H1 : اگر مقادیر محاسباتی آماره جارک-برا (J-B) از مقدار بحرانی جدول کایدو بزرگتر نباشد، نرمال بودن توزیع جملات پسماند رد نمیشود. اما زمانی که اندازه نمونه به میزان کافی بزرگ باشد و سایر فروض کلاسیک نیز برقرار باشند، انحراف از فرض نرمال بودن معمولا بی اهمیت و پیامدهای آن ناچیز است. منبع: کتاب تجزیه تحلیل آماری با ایویوز نوشته دکتر عباس افلاطونی کتاب اقتصاد سنجی نوشته دکتر علی سوری سایر خدمات تیم در صورت علاقه مندی به یادگیری کامل مبحث روش های اقتصاد سنجی جهت پیش ثبت نام و یا شرکت در دوره ها کلیک کنید. جهت پیش ثبت نام کلیک کنید... در صورتی که به مشاوره پیرامون موضوع فوق علاقه دارید کلیک کنید... اطلاعات بیشتر کلیک کنید... ثبت نام و عضویت میز کار لینک های مفید خدمات حَسمان ارتقاء سواد مالی در حَسمان خدمات ویژه حسابداران ارتقاء حرفه ای در حَسمان خدمات ویژه مدیران طرح پویش سواد اندوزی مالی دوره های آموزشی lms عضویت ویژه حسمان مشارکت و دعوت از دوستان همیار با تو همیار دانش آموز طرح پویش سواد اندوزی مالی آموزش سواد مالی مقدماتی نبض بازار دیده بان بازار هوای بازار دوره آموزشی بهینه نگر همیار شغلی حسابدار دیکشنری تخصصی حسابداری ثبت رزومه دوره های آموزشی توسعه نگر طرح توانمند سازی ایستگاه خبر حسابداری مدار خبر کار و دانش ثبت آگهی استخدام دوره های آموزشی مدیران همیار دانش آموز طرح پویش سواد اندوزی دوره های آموزشی همراه با تیم همراه با تیم همراه با تیم مقاله های مرتبطهدف از تحلیل محتوا و انواع آنپرسشنامه و انواع آنرگرسیون در Excelشاخص های آماری (نما (مد))مراحل وارد کردن داده ها در نرم افزار Eviews حضرتی | 1395/10/11 19:31:54 | 1 0 متن کامل است پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * صدیقه شکران | 1395/10/27 13:19:53 | 2 0 فروض کلاسیک به شرح زیر میباشد: میانگین خطاها برابر صفر است. واریانس خطاها مقداری ثابت و متناهی است. خطاها از یکدیگر استقلال خطی دارند خطاها و متغیرهای توضیحی از یکدیگر استقلال دارند. جملات خطا از توزیع نرمال برخوردار هستند. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * محمد کاظم سالاری | 1396/09/27 08:53:10 | 0 0 برآوردگرهای ols با وجود برآوردگرهای تصادفی، بازهم کارا و بدون تورش است به شرطی که برآوردگرها با جمله اخلال معادله برآورد شده، همبستگی نداشته باشند. به عبارت دیگر اگر یک یا تعداد بیشتری از متغیرهای توضیحی به طور همزمان با جمله اخلال رگرسیون همبسته باشند، برآوردگر ols دیگر کارا نخواهد بود. اما از آنجایی که متغیرهای توضیحی (برآوردگرها یا همان متغیرهای مستقل) معمولا به صورت غیر تصادفی تولید میشوند، فرض کلاسیک چهارم در بیشتر مواقع رد نمیشود. به همین دلیل در منابع مختلف چندان به روش کشف و رفع آن نپرداخته اند. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * محمدرضا تیموری | 1396/10/03 23:17:32 | 0 0 باید توجه داشت که روش ols بر اساس برقراری تمام فروض کلاسیک بنا شده است. با این حال برقراری تمام فروض کلاسیک در شرایط واقعی چندان قابل دستیابی نیست. هرچند که برقراری فروض کلاسیک همواره مطلوب است پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * ابوالفضل موحدی | 1396/10/05 12:05:07 | 0 0 آزمون اول: میانگین خطاها برابر صفر است. اگر یک جمله ثابت در رگرسیون داشته باشیم هدف مذکور که صفر بودن مقدار میانگین خطاها میباشد به راحتی حاصل میشود و این فرض هرگز نقض نخواهد شد. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * ابوالفضل موحدی | 1396/10/05 12:06:28 | 1 0 آزمون دوم: واریانس خطاها مقداری ثابت و متناهی است. یکی از مفروضات معادله رگرسیون، ثابت بودن واریانس جملات پسماند میباشد، که به عنوان فرض همسانی واریانس شناخته میشود. در صورتیکه جملات پسماند، واریانس ثابتی نداشته باشند گفته میشود واریانس ناهمسانی وجود دارد. این مشکل بیشتر در داده های مقطعی دیده میشود. یکی از آزمونهای تشخیص ناهمسانی واریانس آزمون بروش پاگان گادفری میباشد ( البته آزمون ضریب لاکرانژ (lm) وwhite نیز انجام میشود) که راجع به ثابت بودن یا متغیر بودن واریانس جملات پسماند است. از اینرو برای بررسی اینکه آیا واریانس ثابت است یا خیر؟ فرض ذیل تدوین میگردد: واریانس جملات پسماند ثابت میباشد H0 : ai = 0 واریانس جملات پسماند ثابت نمیباشد H1 : ai ≠ 0 البته این آزمون برای داده هایی که به صورت پانل وارد ایویز شده اند انجام نمیشود. برای رفع این ناهمسانی روشهای زیر پیشنهاد میشود 1.gls به جای ols 1.تبدیل متغیرها به شکل لگاریتم یا یا کاهش اندازه با به کار گیری شاخص 1.استفاده از آزمون white در این این نرم افزار برای رفع این مشکل از روش White cross-section استفاده میشود. آزمون سوم: خطاها از یکدیگر استقلال خطی دارند (خودهمبستگی سریالی) در مطالعات اقتصادسنجی که برمبنای سریهای زمانی قرار دارند، فرض عدم خود همبستگی سریالی بین جملات پسماند که از فروض مهم مدل کلاسیک است، اغلب نقض می شوند، بنابراین لازم می باشد که قبل از تفسیر نتایج حاصل، به بررسی پدیده خود همبستگی سریالی بین جملات پسماند پرداخته شود؛ زیرا در صورت وجود خودهمبستگی سریالی بین اجزاء اخلال، تخمینزنهای OLS دیگر در بین تمام تخمینزنها بدون تورش، کارا نیستند یعنی دارای حداقل واریانس نمیباشند و در نتیجه استنباط آماری، قابل اعتماد نخواهد بوداین مشکل بیشتر در داده_های سری زمانی دیده میشود. اگر خود همبستگی در دادههای مقطعی مشاهده شد افزودن متغیر کنترلی صنعت موجب رفع خودهمبستگی سریالی (احتمالی) میشود. برای کشف خود همبستگی مرتبه اول از آزمون دوربین واتسون استفاده میشود اما برای مراتب بالاتر معمولاً از آزمون تشخیص خود همبستگی سریالی بروش گادفری (یا آزمون ضریب لاکرانژ) استفاده میگردد. در این آزمون فرضیه ها به شکل زیر است : جملات پسماند دارای خودهمبستگی سریالی نیستند H0 : جملات پسماند دارای خودهمبستگی سریالی هستند H1 : برای رفع این مشکل در ایویوز روش gls و گزینه SURcross-section استفاده میشود. همچنین روشهای خود رگرسیمن (ar) میانگین متحرک (ma) و خود توضیح میانگین متحرک (arma) برای رفع مشکل خود همبستگی سریالی انجام میشود. آزمون چهارم: خطاها و متغیرهای توضیحی از یکدیگر استقلال دارند. برآوردگرهای ols با وجود برآوردگرهای تصادفی، بازهم کارا و بدون تورش است به شرطی که برآوردگرها با جمله اخلال معادله برآورد شده، همبستگی نداشته باشند. به عبارت دیگر اگر یک یا تعداد بیشتری از متغیرهای توضیحی به طور همزمان با جمله اخلال رگرسیون همبسته باشند، برآوردگر ols دیگر کارا نخواهد بود. اما از آنجایی که متغیرهای توضیحی (برآوردگرها یا همان متغیرهای مستقل) معمولا به صورت غیر تصادفی تولید میشوند، فرض کلاسیک چهارم در بیشتر مواقع رد نمیشود. به همین دلیل در منابع مختلف چندان به روش کشف و رفع آن نپرداخته اند. فرض پنجم: جملات خطا از توزیع نرمال برخوردار هستند. در هنگام استفاده از روش رگرسیون، نرمال بودن جملات پسماند در مدل برازش شده از اهمیت به سزایی برخوردار میباشد. یکی از آزمونهایی که نرمال بودن جملات پسماند را مورد آزمون قرار میدهد آزمون جارک-برا است. بنابراین در این آزمون، فرض های ذیل تدوین می شود . جملات پسماند دارای توزیع نرمال است H0 : جملات پسماند دارای توزیع نرمال نیست H1 : اگر مقادیر محاسباتی آماره جارک-برا (J-B) از مقدار بحرانی جدول کایدو بزرگتر نباشد، نرمال بودن توزیع جملات پسماند رد نمیشود. اما زمانی که اندازه نمونه به میزان کافی بزرگ باشد و سایر فروض کلاسیک نیز برقرار باشند، انحراف از فرض نرمال بودن معمولا بی اهمیت و پیامدهای آن ناچیز است. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * ابوالفضل موحدی | 1396/10/05 12:07:25 | 0 0 در هنگام استفاده از روش رگرسیون، نرمال بودن جملات پسماند در مدل برازش شده از اهمیت به سزایی برخوردار میباشد. یکی از آزمونهایی که نرمال بودن جملات پسماند را مورد آزمون قرار میدهد آزمون جارک-برا است. بنابراین در این آزمون، فرض های ذیل تدوین می شود . جملات پسماند دارای توزیع نرمال است H0 : جملات پسماند دارای توزیع نرمال نیست H1 : اگر مقادیر محاسباتی آماره جارک-برا (J-B) از مقدار بحرانی جدول کایدو بزرگتر نباشد، نرمال بودن توزیع جملات پسماند رد نمیشود. اما زمانی که اندازه نمونه به میزان کافی بزرگ باشد و سایر فروض کلاسیک نیز برقرار باشند، انحراف از فرض نرمال بودن معمولا بی اهمیت و پیامدهای آن ناچیز است. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * Sobhan Karimi | 1396/10/05 23:36:30 | 0 0 رگرسیون برای اینکه نتایج مورد انتظار ما را بدست دهد و به عبارت دیگر تخمین زننده پارامترهای مدل، دارای حداقل واریانس بوده و بدون تورش باشند، یک سری فروض بر رگرسیون اعمال می شود که به فروض رگرسیون یا فروض کلاسیک رگرسیون شهرت دارند. چون برخی از فروض روش OLS مربوط به حالت چند متغیره میباشد پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * محسن برزگری | 1396/10/06 10:08:08 | رگرسیون برای اینکه نتایج مورد انتظار ما را بدست دهد و به عبارت دیگر تخمین زننده پارامترهای مدل، دارای حداقل واریانس بوده و بدون تورش باشند، یک سری فروض بر رگرسیون اعمال می شود که به فروض رگرسیون یا فروض کلاسیک رگرسیون شهرت دارند. چون برخی از فروض روش OLS مربوط به حالت چند متغیره میباشد بنابراین، قبل از عنوان نمودن فروض روش OLS ابتدا به معرفی روش رگرسیونی چند متغیره پرداخته میشود. حمید زارعی | 1396/10/07 09:06:23 | 0 0 رگرسیون برای اینکه نتایج مورد انتظار ما را بدست دهد و به عبارت دیگر تخمین زننده پارامترهای مدل، دارای حداقل واریانس بوده و بدون تورش باشند، یک سری فروض بر رگرسیون اعمال می شود که به فروض رگرسیون یا فروض کلاسیک رگرسیون شهرت دارند. چون برخی از فروض روش OLS مربوط به حالت چند متغیره میباشد بنابراین، قبل از عنوان نمودن فروض روش OLS ابتدا به معرفی روش رگرسیونی چند متغیره پرداخته میشود. در حالت کلی رگرسیون چند متغیره را میتوان به سادگی به شکل ماتریسی نشان داد. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * عراقی | 1396/10/20 21:51:34 | 0 0 در هنگام استفاده از روش رگرسیون، نرمال بودن جملات پسماند در مدل برازش شده از اهمیت به سزایی برخوردار میباشد. یکی از آزمونهایی که نرمال بودن جملات پسماند را مورد آزمون قرار میدهد آزمون جارک-برا است. بنابراین در این آزمون، فرض های ذیل تدوین می شود . پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * فرزاد فرات | 1396/10/20 21:52:04 | 0 0 در هنگام استفاده از روش رگرسیون، نرمال بودن جملات پسماند در مدل برازش شده از اهمیت به سزایی برخوردار میباشد. یکی از آزمونهایی که نرمال بودن جملات پسماند را مورد آزمون قرار میدهد آزمون جارک-برا است. بنابراین در این آزمون، فرض های ذیل تدوین می شود . پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * مهدی شایق | 1396/10/20 21:52:38 | 0 0 برآوردگرهای ols با وجود برآوردگرهای تصادفی، بازهم کارا و بدون تورش است به شرطی که برآوردگرها با جمله اخلال معادله برآورد شده، همبستگی نداشته باشند. به عبارت دیگر اگر یک یا تعداد بیشتری از متغیرهای توضیحی به طور همزمان با جمله اخلال رگرسیون همبسته باشند، برآوردگر ols دیگر کارا نخواهد بود. اما از آنجایی که متغیرهای توضیحی (برآوردگرها یا همان متغیرهای مستقل) معمولا به صورت غیر تصادفی تولید میشوند، فرض کلاسیک چهارم در بیشتر مواقع رد نمیشود. به همین دلیل در منابع مختلف چندان به روش کشف و رفع آن نپرداخته اند. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * فهیمه تقدیری | 1396/10/21 14:22:14 | 0 0 فروض کلاسیک به شرح زیر میباشد: میانگین خطاها برابر صفر است. واریانس خطاها مقداری ثابت و متناهی است. خطاها از یکدیگر استقلال خطی دارند خطاها و متغیرهای توضیحی از یکدیگر استقلال دارند. جملات خطا از توزیع نرمال برخوردار هستند. پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * parisa teymouri | 1396/11/08 21:53:30 | 1 0 آزمون اول: میانگین خطاها برابر صفر است. اگر یک جمله ثابت در رگرسیون داشته باشیم هدف مذکور که صفر بودن مقدار میانگین خطاها میباشد به راحتی حاصل میشود و این فرض هرگز نقض نخواهد شد. آزمون دوم: واریانس خطاها مقداری ثابت و متناهی است. یکی از مفروضات معادله رگرسیون، ثابت بودن واریانس جملات پسماند میباشد، که به عنوان فرض همسانی واریانس شناخته میشود. در صورتیکه جملات پسماند، واریانس ثابتی نداشته باشند گفته میشود واریانس ناهمسانی وجود دارد. این مشکل بیشتر در داده های مقطعی دیده میشود. یکی از آزمونهای تشخیص ناهمسانی واریانس آزمون بروش پاگان گادفری میباشد ( البته آزمون ضریب لاکرانژ (lm) وwhite نیز انجام میشود) که راجع به ثابت بودن یا متغیر بودن واریانس جملات پسماند است. از اینرو برای بررسی اینکه آیا واریانس ثابت است یا خی پاسخ دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: * دیدگاه کاربران نام: پست الکترونیک: * متن: * کد امنیتی: *