منابع پایان نامه ارشد درباره رگرسیون چندگانه، مدل رگرسیون، متغیر مستقل

دانلود پایان نامه

غیری» است. در این روش، یک معادله رگرسیون چند متغیری محاسبه می‌شود که ارزش‌های اندازه‌گیری شده پیش‌بینی را در یک فرمول خلاصه می‌کند. ضرایب معادله برای هر متغیر، بر اساس اهمیت آن در پیش‌بینی متغیر ملاک محاسبه و معین می‌شود. درجه همبستگی بین متغیرهای پیش‌بینی کننده در معادله رگرسیون چند متغیری و متغیر ملاک، به وسیله ضریب نشان داده می‌شود(دلاور 1386، 220). مدل رگرسیون چندگانه به شرح زیر می‌باشد:

رگرسیون چند متغیری دارای روش‌های مختلفی است. تفاوت روش‌های آن در نحوه انتخاب متغیرهای پیش‌بینی کننده است. برای تعیین رگرسیون چندگانه از معادله زیر استفاده می‌گردد:

3-7-3 آزمون هم خطی63
کاربرد و تفسیر یک مدل رگرسیون چندگانه به صورت آشکاری به برآورد ضرایب رگرسیون بستگی دارد. در برخی موارد در تحلیل رگرسیون خطی با این پدیده روبرو می شویم که میان متغیر های مستقل، رابطه ای خطی وجود دارد. هم خطی خود بر دو نوع است:
1-هم خطی کامل(دقیق): این حالت زمانی به وجود می‌آید که یکی از متغیر های مستقل ترکیب خطی از دیگر متغیر های مستقل باشد که در این حالت ماتریس متغیر های مستقل دارای رتبه ای کمتر از مرتبه آن بوده و معکوس پذیر نیست.
2- هم خطی تقریبی: در عمل کمتر اتفاق می افتد که میان متغیر های مستقل یم رابطه ی هم خطی کامل وجود داشته باشد و در اکثر موارد، این رابطه ی هم خطی ناقص است که به آن هم خطی تقریبی گفته
میشود.
از جمله مشکلاتی که در هنگام هم خطی بودن به وجود می آید، می‌توان به موارد زیر اشاره کرد:
1- کواریانس مثبت هم خطی باعث می‌شود که تغییرات جزئی در داده‌ها ( افزودن و یا حذف یک یا چند مشاهده)، سبب تغییرات قابل ملاحظه در ضرایب برآوردی می‌شود.
2- کواریانش مثبت میان متغیرهای مستقل، باعث وجود کواریانس منفی میان ضرایب رگرسیون برآوردی خواهد شد.
3- وجود پدیده هم خطی باعث می‌شود که تغییرات جزئی در داده‌ها (افزودن و یا حذف یک یا چند مشاهد)، سبب تغییرات قابل ملاحظه در ضرایب برآوردی می‌شود.
با وجود پدیده هم خطی، برآورد جداگانه ای از هر یک از ضرایب رگرسیون به سبب واریانس نمونه قابل ملاحظه، قابل برآورد نیست، اما معمولا تابعی از پارامترها( ضرایب) می‌توان یافت که امکان برآورد آن وجود دارد، چنین تابعی را «تابع قابل برآورد» می گویند. همچنین با وجود پدیده ی هم خطی، اگر چه برآورد جداگانه پارامتر ها امکان پذیر نیست ولی میانگین متغیر وابسته یعنی به طور منحصر به فرد قابل تخمین است یا به عبارت دیگر می‌توان از رگرسیون برای پیش بینی استفاده کرد. یکی از ساده ترین و رایج ترین شیوه‌های برخورد با پدیده هم خطی، انجام رگرسیون های متعدد با حذف یک یا چند متغیر مستقل است بدین گونه، واریانس نمونه پارامترها کاهش یابد. یکی از معیارهای که می‌توان با استفاده از آن این مسئله را بررسی نمود، دو شاخص تولرانس و عامل تورم واریانس (VIF)64 می‌باشد. عامل تورم واریانس به صورت زیر تعریف می‌شود:

در این تعریف ضریب تعیین حاصل از رگرسیون زدن روی باقیمانده متغیر های رگرسیونی است. این روش منسوب به مارکوارت(1970)65 است.VIF از 5 یا 10 بیشتر باشد، نشان دهنده برآورد ضعیف ضریب رگرسیونی مربوطه است، که علت آن جند هم خطی است. اگر هر دو آماره هم خطی (تولرانس و عامل تورم واریانس) برای متغیرهای مستقل بسیار نزدیک به عدد یک باشند، بیانگر عدم وجود هم خطی و نشان دهنده برآورد خوبی از ضریب رگرسیونی مربوطه است. راه حل هایی که برای رفع مشکل هم خطی توصیه می‌شود به صورت زیر است:
1-با افزایش تعداد نمونه ها یا استفاده از نمونه ی جدید، یعنی با حرکت به سمت جامعه آماری با افزایش حجم نمونه، می‌توان مشکل هم خطی را تا حدودی برطرف نمود.
2- با طراحی مدل رگرسیون که حاوی متغیرهای مستقل کمتری باشد، می‌توان مشکل هم خطی را تا حدودی برطرف نمود.

3-8- معرفی نرم افزار Eviews
نرم افزار Eviewsیک نرم افزار اقتصادسنجی می باشد که توسط بانک جهانی طراحی و ارائه شده‌است. واژه Eviews نیز مخفف Econometric Views است. این نرم افزار در واقع شکل پیشرفته تر و کاملتر نرم‌افزار Micro TSP بوده که تحت سیستم عامل Windows اجرا می‌شود و استفاده از آن نیز آسان‌تر و سریع تر صورت می گیرد. اگرچه ایده طراحی Eviews ابتدا توسط اقتصاددانان شکل گرفته و هدف از آن تهیه ابزاری جهت استفاده در موضوعات اقتصادی بوده است، اما مانعی برای استفاده در تحلیل های مالی، هزینه و پیش بینی فروش وجود ندارد (شیرین بخش و خوانساری، 1384).
3-9- 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 یا پنل.
داده‌های سری زمانی، مقادیر یک متغیر را در نقاط متوالی در زمان، اندازه گیری می‌ کند. 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 اقتصادسنجی را در سطح کلان بررسی می‌ کند. در اقتصاد کلان عموما از سری زمانی های سالانه یا فصلی استفاده می‌شود چرا که جمع‌آوری اطلاعاتی مانند حسابهای ملی در فواصل کوتاه‌ تر با دشواری

این نوشته در پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید