3-9-2-1آزمون چاو (آزمون F)

در مورد داده‌های ترکیبی ابتدا آزمون  F(آزمون چاو) به منظور انتخاب شیوه تخمین مدل از بین دو راهکار Pooling وPanel  انجام می­ شود.

در داده های ترکیبی اثرات زمانی و مقطعی داده ها و همچنین اثرات همزمان آنها آزمون می شود. طبق مدل اثرات ثابت–زمانی برای هر یک از سال‌های یک عرض از مبدا و طبق مدل اثرات ثابت–مقطعی برای هر یک از این شرکت‌ها یک عرض از مبدا ارائه می‌شود.حال.برای اینکه ببینیم این عرض از مبدا‌ها از لحاظ آماری با هم تفاوت معنادار دارند یا خیر، آزمون چاو را به کار می‌گیریم.

بنابراین  فرضیه و به صورت زیر مطرح می شود::

تمام عرض از مبداها با هم برابرند↔Pooled

: عرض از مبداها با هم تفاوت دارند↔ مدل اثرات ثابت زمانی یا مقطعی یا هر دو

که مقادیر ثابت مدل (عرض از مبدا) در هریک از حالت های فوق به شرح زیر می باشد:

• Pooled↔
• panel ازنوع اثرات ثابت زمانی ↔
• panelازنوع اثرات ثابت مقطعی ↔
• panelازنوع اثرات ثابت زمانی و مقطعی ↔

3-9-2-2-آزمون هاسمن

تاریخ گذشته ی هر شرکت یا مقطع را در مدل پانل در بردارد که برای تفسیر آن دو رویکرد متفاوت وجود دارد.دو روش Fixed Effect وEffect Random دو رویکرد متفاوت برای برآورد  می‌باشد. اگر فرض کنیم تمام افراد یا مقاطع در پانل، کاملا همگن هستند در این صورت لازم نیست نگران عرض از مبدا‌های مختلف برای هر فرد یا مقطع باشیم. در حقیقت، رویکرد پانل دیتا به خوبی می‌تواند نا هماهنگی‌های میان افراد را نشان دهد. این نکته یکی از مزایای مدل داده‌های پانل نسبت به مدل‌های مقطعی یا سری زمانی صرف است.

اگر گفته ی هاولمو را بپذیریم که جامعه از بی نهایت تصمیم درست شده است نه بی نهایت افراد ،در این صورت نباید  را مشروط و مقید بدانیم بهتر است آنرا جمله ی تصادفی بدانیم نه ثابت.رویکرد اثر ثابت  را جمله ای ثابت و مخصوص هر فرد یا مقطع در مدل رگرسیونی فرض می‌کند. مدل اثر تصادفی فرض می کند  یک جمله تصادفی برای هر گروه است، اما در هر دوره‌ی زمانی، از این توزیع تصادفی  ها فقط یک رخداد به طور یکسان در هر دوره در مدل رگرسیونی وارد می‌شود. به عبارت دیگر برای کل دوره‌ی زمانی، برای هر فرد فقط یک  داریم. برای انتخاب یکی از این دو روش از آزمون هاسمن استفاده می‌کنیم اگر Probکوچکتر از یک دهم باشد مدل اثر ثابت در سطح ٩۰ درصد به بالا پذیرفته می‌شود اما اگر بزرگتر از یک دهم باشد در این صورت مدل اثر تصادفی پذیرفته می‌شود.

3-9-2-3 آزمون  White cross-section

اگر ناهمگنی پارامترها میان افراد و مقاطع یا در طول سری زمانی را نادیده بگیریم می‌تواند به برآوردهای ناسازگار یا بی معنی از پارامترها منجر شود .پارامتر  ممکن است برای افراد و مقاطع مختلف متفاوت باشد، اگرچه در طول زمان ثابت بماند. اگر این فرض اتخاذ شود، ممکن است انواع توزیع‌های نمونه گیری رخ دهد. این توزیع های نمونه گیری می تواند تا حد زیادی رگرسیون حداقل مربعات روی  را با بهره گرفتن از NT مشاهده گمراه کننده کند. برای رفع مشکل واریانس ناهمسانی یا بهبود برآوردها از آزمون White cross-section  استفاده می‌کنیم.

قدرت جذاب پانل دیتا ناشی از توانایی نظری آن در جداسازی اثرات، اقدامات و رفتار خاص فردی یا سیاست‌های عام تر است. این توانایی نظری بر این فرض استوار است که داده‌های اقتصادی از یک آزمایش کنترل شده به دست می‌آید که در آن رخدادها، متغیرهایی تصادفی با توزیع احتمال است. این رخدادها تابعی هموار از متغیرهای مختلف است که شرایط آزمایش را توصیف می‌کند. اگر داده های موجود حقیقتا از آزمایش های ساده کنترل شده به دست آید، می توان از روش‌های استاندارد آماری استفاده کرد.

3-9-3-آزمون معني دار بودن مدل مربوط به فرضيه‌ها

3-9-3-1-آماره F

جهت بررسي معني‌دار بودن مدل‌های رگرسيون استفاده شده در تحقیق، آزمون تمامي ضرايب آن‌ ها كه دلالت بر معني دار بودن روابط بين متغيرهاي مستقل و متغير وابسته است از آماره F استفاده شده است. با مقايسه آماره F كه طبق فرمول زير بدست مي آيد و F جدول كه با درجات آزادي K-1 و n-K در سطح خطاي 5% محاسبه شده، مدل فرضيه مورد بررسي قرار گرفته است.

از آنجائيكه در اين تحقيق براي آزمون آماري، فرضيه به عنوان فرض جايگزين () در نظر گرفته شده است، زماني فرضيه تأييد می‌شود كه F محاسبه شده (طبق محاسبات نرم افزار Eviews) از F جدول بزرگتر باشد.

3-9-3-2-آزمون خود همبستگي

خود همبستگي زماني رخ می‌دهد كه خطاها با هم رابطه داشته باشند. به بيان ديگر جزء اخلال مربوط به يك مشاهده تحت تأثير جزء اخلال يك مشاهده ديگر قرار دارد. اغلب در داده‌های مقطعي انتظار می‌رود كه متغير مستقل يك مشاهده فقط بر متغير وابسته همان مشاهده تأثير گذارد و با مشاهدات ديگر ارتباطي نداشته باشد (بیدرام، 1381).

براي تشخيص خود همبستگي از آماره دوربين– واتسون استفاده می‌شود كه طبق فرمول زير محاسبه می‌گردد.

=2(1-p)

جمله خطا در زمان t،  : جمله خطا در زمان t-1 است.

چنانچه اين آماره با توجه به سطح اطمينان 95% ، نزديك به عدد 2 باشد، خود همبستگي وجود ندارد (بيدرام، 1381).

لازم به ذكر است كه در اين تحقيق از داده‌ها به صورت تركيبي سري زماني و مقطعي (panal) استفاده شده است. هم چنين در استفاده از نرم افزار Eviews از تبيين GLS براي تصحيح ناهمساني واريانس، و از متغيرهاي خودرگرسيو AR(P) جهت برطرف كردن مشكل خود همبستگي استفاده شده است

[1] -Auto R