بهمن ۴, ۱۳۹۹

مقاله دانشگاهی – تاثیر صادرات بر بهره وری انرژی در کارگاه های بزرگ صنعتی در ایران- …

واضح است که تعداد مشاهدات ما از یک متغیر، مثلاً درآمد، چندین برابر شده است؛ یعنی از T یا N در داده های سری زمانی یا داده های مقطعی به T × N در داده های پانل افزایش یافته است. درآمد در عرض جامعه اندازه گیری شده و واریانس عرض، اطلاعات زیادی برای آزمون فرضیات اقتصادی فراهم می کند. در طول دوره زمانی نیز همین متغیر اندازه گیری شده و واریانس آن در طول زمان، می تواند اطلاعات مفیدی از پویایی های[۴۳] درآمد در طول زمان برای آزمون فرضیات اقتصادی با ماهیتی دیگر فراهم کند و امکان مدل سازی پویای درآمد، شبیه آنچه در ادبیات سری زمانی مطرح است، به وجود آید
دادههای تابلویی ترکیبی از دادههای مقطعی و سری زمانی میباشد، یعنی اطلاعات مربوط به دادههای مقطعی در طول زمان مشاهده میشود. بدینصورت که چنین دادههایی دارای دو بعد می باشند که یک بعد آن مربوط به واحدهای مختلف در هر مقطع زمانی خاص است و بعد دیگر آن مربوط به زمان میباشد. در مجموع، دادههای پانلی دارای مزایای فراوانی نسبت به دادههای مقطعی یا سری زمانی هستند که برخی از مهمترین آنها عبارتند از:
دادههای مقطعی و سریزمانی صرف، ناهمسانیهای فردی را لحاظ نمیکنند، لذا ممکن است که تخمین تورشداری به دست دهند، در حالی که در روش پانل میتوان با لحاظ کردن متغیرهای مخصوص انفرادی این ناهمسانیها را لحاظ کرد.
دادههای تابلویی دارای اطلاعات بیشتر، تغییرپذیری بیشتر، همخطی کمتر، درجه آزادی بالاتر و کارایی بالاتر نسبت به سری زمانی و دادههای مقطعی میباشند. به خصوص اینکه یکی از روشهای کاهش همخطی، ترکیب دادههای مقطعی و زمانی به صورت دادههای تابلویی میباشد.
با مجموعه دادههای تابلویی، میتوان اثراتی را شناسائی و اندازهگیری کرد که در دادههای مقطعی محض یا سری زمانی خالص قابل شناسائی نیست. گاهی استدلال میشود دادههای مقطعی، رفتارهای بلندمدت را نشانمیدهند، در حالی که در دادههای سری زمانی براثرات کوتاهمدت تأکید میشود. با ترکیب این دو خصوصیت در دادههای تابلویی، که خصوصیت متمایز پانل دیتاست، ساختار عمومیتر و پویاتری را میتوان تصریح و برآورد کرد(اشرفزاده و مهرگان، ۱۳۸۷ ).
دادههای تابلویی که بر حسب بنگاهها، خانوارها و افراد جمع آوری میشوند، ممکن است دقیقتر از دادههای مشابه اندازهگیری شده در سطح کلان باشند. بنابراین، تورشی که ممکن است در دادههای کلان حاصل شود، در دادههای تابلویی حداقل میگردد (Baltagi ,2005).
دادههای پانلی از طریق فراهم کردن تعداد دادههای زیاد، تورش را پائین میآورد(Gujarati, 2004).
مطالعه مشاهدات به صورت دادههای پانلی، وضعیت بهتری برای مطالعه و بررسی پویایی تغییرات نسبت به سری زمانی و مقطعی داراست.
۳-۷-۱- ماهیت پانل دیتا:
پیشرفت در جمع آوری داده های اقتصادی در طول زمان تا حدود زیادی، دست اقتصاددانان را برای برآورد انواع روابط رفتاری با اطمینان و مشاهدات بیشتر باز کرده است. با گذشت زمان، سری های زمانی دارای مشاهدات بیشتری شده اند و پیمایش در عرض جامعه یا اقتصاد، اجازه می دهد سری زمانی مشابهی ( یعنی با یک تعریف معین ) برای افراد زیادی جمع آوری گردد.
مجموعه داده های پانل، مزایای بسیاری نسبت به داده های مقطعی یا سری زمانی دارد. مهمترین مزیت آن این است که :
الف) تعداد مشاهدات و داده ها در داده های پانل، عموماً بسیار بیشتر است و باعث می شود اعتماد به برآوردها بیشتر شود.
ب) به محققان تجربی اجازه می دهد که مدل های پیشرفته تری را تبیین کرده و آزمون کنند که
فرضیه های مقید کننده کمتری در بر داشته باشد.

ج) زیاد بودن تعداد مشاهدات، مسأله هم خطی در اقتصاد سنجی را نیز تا حدود زیادی حل می کند. چون داده ها هم در طول زمان و هم در میان افراد تغییر می کنند و لذا، احتمال کمتری می رود متغیرها با یکدیگر هم خطی زیادی داشته باشند.
د) با این مجموعه داده ها می توان اثراتی را شناسایی و اندازه گیری کرد که در داده های مقطعی محض یا سری زمانی خالص، قابل شناسایی نیست. گاهی استدلال می شود داده های مقطعی، رفتارهای بلند مدت را نشان می دهد ( زیرا از افراد مختلف، داده جمع آوری می کند که در یک برش زمانی، نشان دهنده رفتارهای بلند مدت آنهاست یا تحت تأیر عادات و گرایشات بلند مدت قرار دارد )؛ در حالی که در داده های سری زمانی، بر اثرات کوتاه مدت تأکید می شود ( زیرا حرکت از یک سال به سال دیگر تحت تأثیر تجدید نظراتی قرار می گیرد که فرد در کوتاه مدت در رفتار خود ایجاد می کند، بنابراین پویایی میان دوره ای را به نمایش می گذارد و نه گرایش استاتیک یا ایستای داده های مقطعی را ). با ترکیب این دو خصوصیت در داده های پانل – که خصوصیت متمایز پانل دیتاست – ساختار عمومی تر و پویاتری را می توان تصریح و برآورد کرد.
ه) استفاده از داده های پانل، تورش برآورد را از بین می برد یا کم می کند ( ماتیاس، ۱۹۹۲ ). طبق نظر گرین ( ۲۰۰۳ )، مزیت اصلی داده های ترکیبی در برابر برش مقطعی یا سری زمانی تا اندازه ای اینست که داده های ترکیبی، محققان را قادر می سازد که مسئله ای را که هر کدام از این دو روش به تنهایی نمی توانند مطالعه کنند، بیازماید. سایر مزیت های داده های پانل از نظر گرین عبارتند از :
– این ترکیب داده ها می تواند عدم تجانس های فردی را کنترل کند.
– داده های ترکیبی حاوی اطلاعات مفیدتری است که نشان دهنده قابلیت تنظیم بیشتر، هم

برای دانلود متن کامل این پایان نامه به سایت  jemo.ir  مراجعه نمایید.

خطی کمتر در بین متغیرها، درجه آزادی بیشتر و کارایی بیشتر است. قدرت جذاب پانل دیتا ناشی از توانایی نظری آن در جداسازی اثرات اقدامات و رفتار خاص فردی یا سیاست های عام تر است. این توانایی نظری بر این فرض استوار است که داده های اقتصادی از یک آزمایش کنترل شده به دست می آید که در آن، رخدادها، متغیرهایی تصادفی با توزیع احتمال هستند. این رخدادها تابعی هموار از متغیرهای مختلف هستند که شرایط آزمایش را توصیف می کنند. اگر داده های موجود حقیقتاً از آزمایش های ساده کنترل شده به دست می آیند، می توان از روش های استاندارد آماری استفاده کرد.
همانطور که گفته شد، در داده های پانل، یک فرد ( کشور، صنعت، کارگر و … ) را در طول زمان مشاهده کرده و متغیرهای مربوط به آن را اندازه گیری می کنیم. سپس افراد مختلف را هر کدام با یک سری زمانی، با یکدیگر تلفیق می کنیم. این کار چندین مزیت نسبت به مدل های سنتی اقتصاد سنجی دارد. اول، تعداد مشاهدات در اختیار محقق افزایش می یابد که این مسئله موجب افزایش درجه آزادی و همچنین کاهش هم خطی می شود. دوم، به محقق اجازه می دهد به بررسی مسائل مهم اقتصادی بپردازد که نمی توان با مدل های مقطعی یا سری زمانی به آنها پاسخ داد. علاوه بر اینکه پانل دیتا اجازه می دهد مدل های رفتاری پیچیده تری از داده های مقطعی یا سری زمانی بسازیم و آزمون کنیم، راهی برای حل کردن یا کاهش دادن مشکلات کلیدی اقتصاد سنجی که در تحقیقات تجربی پیش می آید، نیز ارائه می کند. یکی از این مشکلات اینست که گاهاً می گویند دلیل اصلی اینکه می توان اثرات خاصی را یافت ( یا این اثرات را درنیافت ) به دلیل متغیرهای حذف شده ( یا اندازه گیری ناصحیح یا اصلاً مشاهده نشده ) است که با متغیرهای توضیحی هم خطی دارند. با استفاده از اطلاعات پویایی های بین دوره ای و وجود افراد در داده ها، می توان بهتر و به روشی طبیعی تر، اثرات داده های گمشده یا مشاهده نشده را کنترل کرد.
۳-۷-۲-کاربرد روش داده های تابلوئی در تخمین مدل:
روش داده های تابلویی، یکی از موضوعات جدید و کاربردی در اقتصاد سنجی است، زیرا این روش، یک محیط بسیار غنی از اطلاعات را برای گسترش دادن تکنیک های برآورد و نتایج نظری در اختیار محقق قرار می دهد (عباسی نژاد و حبیبی، ۱۳۸۳). در روش داده های تابلویی، واحد اقتصادی برای یک مقطع (برای مثال یک خانواده، یک بنگاه یا یک کشور) طی زمان، بررسی و سنجش می شود. به عبارت دیگر، داده های تابلویی دارای ابعاد فضایی (مکانی) و زمانی است (گجراتی، ۱۳۸۳). در حقیقت، این روش تخمین، ترکیبی از روش های سری زمانی و داده های مقطعی است. منظور از سری زمانی، اندازه گیری و ثبت مقدار یک متغیر در دوره ای از زمان و منظور از داده های مقطعی، اندازه گیری یک متغیر در یک زمان برای واحدهای متفاوت است.
در هر یک از روش های سری زمانی و داده های مقطعی، کمبودهایی وجود دارد که در روش داده های تابلویی، می توان آن ها را کاهش داد. در الگوهای تخمین زده شده به وسیله داده های سری زمانی ممکن است، اطلاعات پویا از دست برود و به علت کاهش درجات آزادی، امکان خطر حذف اریب متغیر افزایش یابد. همچنین، همبستگی متقابل در داده های مقطعی ممکن است به گرایش های درونزا آسیب برساند. لذا به طور کلی، در روش های سری زمانی، مشکل خود همبستگی و در مدل های مقطعی، مشکل ناهمسانی واریانس وجود دارد. یک راه حل ممکن، برای برطرف نمودن این مشکلات، استفاده از داده های تابلویی (ترکیب داده های سری زمانی و مقطعی) است.
در روش تجزیه و تحلیل داده های ترکیبی ابتدا یک مقطع خاصی (مثلاً یک خانواده، یک بنگاه یا یک کشور) در نظر گرفته می شود و ویژگی های متغیرهای مربوط، برای تمامی N مقطع در دوره‌ زمانی مورد نظر T بررسی می شود. برابری تعداد داده ها در هر مقطع لازم نیست و همچنین می توان متغیرهایی داشت که در یک مقطع برای دوره‌ زمانی مورد بررسی ثابت باشند(زراء نژاد و انوری، ۱۳۸۴).
۳-۷-۳-مزایای استفاده از روش داده های تابلویی:
روش دادهای تابلویی، دارای مزیت هایی است که از آن جمله می توان به موارد زیر اشاره نمود:
۱- روش داده های تابلویی، شناسایی و اندازه گیری تأثیراتی که نمی توان فقط به صورت سری زمانی و یا به صورت مقطعی بررسی نمود را امکان پذیر می سازد. (گرین، ۲۰۰۱)[۴۴]. به عنوان نمونه، در بررسی های تابع تولید مسأله ای که وجود دارد، این است که بتوان تغییرات فناوری را از صرفه های به مقیاس تفکیک کرد. در این گونه موارد، داده های مقطعی فقط اطلاعاتی را در مورد صرفه های مقیاس فراهم می آورند، در حالی که داده های سری زمانی، اثرات هر دو را بدون هیچ گونه تفکیکی از اثراتشان نشان می دهد. بنابراین، تغییراتی که به وجود می آید، تنها ناشی از تغییرات فناوری است که مسلماً این فرض شبهه برانگیز بوده و جای سؤال دارد. در حالی که می توان با استفاده از داده های تابلویی، اثرات هر دو را به طور همزمان، جداگانه مورد بررسی قرار داد (عباسی نژاد و حبیبی، ۱۳۸۳).
۲- داده های تابلویی، بهتر می تواند پویایی های تعدیل (تطبیق یا اصطلاح) را نشان دهد. توزیع های مقطعی که نسبتاً ثابت به نظر می آیند، تغییرات چند جانبه (پویایی چند جانبه) را نشان نمی دهند.امااین تغییرات توسط داده های تابلویی بهتر مورد مطالعه قرار گیرد. داده های تابلویی، برای مطالعه دوره های وضعیت اقتصادی مثل دوره های بیکاری و فقر، تغییر شغل، جابجایی اقامتی و تغییر درآمد مناسب‌تر می باشد و اگر این دوره ها، به انداز
ه کافی طولانی باشند، می توانند سرعت تطبیق را برای تغییرات سیاست های اقتصادی روشن کنند (بالتاجی، ۱۹۹۵)[۴۵].
۳- داده های تابلویی، اطلاعات بیشتر، تغییر پذیری بیشتر، همخطی کمتر، درجه آزادی بیشتر و کارایی بیشتر را ارائه می کند.
۴- یکی از مهمترین مزیت های استفاده از داده های تابلویی، در کنترل اثرات انفرادی مربوط به واحدهای مقطعی است که قابل مشاهده و اندازه گیری نیستند. از آنجایی که در روش مرسوم حداقل مربعات معمولی (OLS)، یعنی وقتی داده ها به صورت مقطعی، سری زمانی و یا ترکیب شده[۴۶] در نظر گرفته می شوند، اثرات انفرادی مقطع ها یکسان فرض می شوند، نتایج دچار اریب ناهمگنی ناشی از یکسان بودن این اثرات می گردند. به این ترتیب، برای رفع این مشکل در روش داده های تابلویی، محدودیت یکسان بودن اثرات انفرادی حذف می شود، اما یکسان بودن شیب معادله، همچنان برقرار است (بالتاجی، ۱۹۹۵) ، یعنی:
 
۳-۸- ۱-آزمون تشخیص نوع داده ها(آزمون F لیمر):[۴۷]
برای انتخاب بین روش های داده های تابلویی و داده های تلفیقی (روش ترکیبی OLS) از آمارهF لیمر استفاده می شود. این آزمون، مقایسه‌ بین مجموع مربعات جملات خطا (SSR) در روش داده های تابلویی و داده های تلفیقی می باشد. از آن‌جا که در روش داده های تلفیقی، پارامترهای محدود کننده‌ بیشتری (از قبیل این که ضرایب عرض از مبدأ  در طول زمان و در بین داده های مقطعی، ثابت در نظر گرفته می شوند) وجود دارند، لذا انتظار بر این است که روش داده های تلفیقی، نسبت به روش داده های تابلویی،SSR بیشتری داشته باشد. بنابراین، اگر SSR مدل OLS، با اضافه شدن محدودیت ها به طور معنی داری افزایش پیدا نکند، بهتر است که این روش استفاده گردد. در غیر این صورت، روش داده های تابلویی، مناسب‌تر می باشد.
با استفاده از مجموع مربعات باقیمانده مقید[۴۸] (PRSS) حاصل از تخمین مدل ترکیبی به دست آمده از OLS و مجموع مربعات باقیمانده غیر مقید[۴۹] (URSS) حاصل از تخمین رگرسیون درون گروهی، می توان آماره آزمون مناسب در این زمینه را به صورت زیر نوشت:
(۳-۵)
که در آن K، تعداد متغیرهای توضیحی لحاظ شده در مدل، N، تعداد مقطع ها (در این تحقیق، تعداد کشورها) و T، دوره زمانی مورد بررسی و در نتیجه N.T تعداد کل مشاهدات را نشان می دهد.
آزمونF، به منظور انتخاب بین روش های داده های تابلویی و داده های تلفیقی (روش ترکیبی OLS)، وجود (یا عدم وجود) عرض از مبدأ جداگانه برای هریک از مقطع ها (کشورها) را مورد بررسی قرار می دهد. از این رو در این آزمون، فرضیه های H0 و H1 به صورت زیر تعریف می شوند:
 
در آزمون F، فرضیه‌ H0 یکسان بودن عرض از مبدأها (داده های تلفیقی یا روش ترکیبی OLS) در مقابل فرضیه مخالف H1، ناهمسانی عرض از مبدأها، (روش داده های تابلویی) قرار می گیرد. بنابراین در صورت رد فرضیه، H0، روش داده های تابلویی پذیرفته می شود. به این صورت که از مقایسه‌F محاسبه شده (F*) با F جدول (Fc) دو حالت زیر وجود خواهد داشت:
اگر  باشد، آنگاه فرضیه‌ H0 رد می شود و در نتیجه، استفاده از روش داده های تابلویی بهتر است.