دانلود پایان نامه

آزمون دیکی‌فولر (DF)
آزمون دیکی‌فولر افزوده شده (ADF)
آزمون فیلیپس‌پرون (PP)
در آزمون دیکی فولر روال کار بر این است که متغیر دارای داده تلفیقی را با یک وقفه خود رگرس می‌کنند:
سپس می توان نتیجه گرفت که سری یک سری ماناست اگر ضریب وقفه آن در رگرسیون بالا 1> >1- باشد. در صورتی که 1= باشد می‌توان گفت سری ناماناست. چنانچه مدل گام تصادفی با مقصد نامعلوم باشد در این صورت در طی فرایند آغاز شده در برخی نقاط واریانس متغیر وابسته به طور مداوم همراه با زمان افزایش‌یافته و به سوی بی‌نهایت حرکت می‌کند. در آزمون دیکی‌فولر افزوده معادله رگرسیون به صورت تفاضلی به شرح زیر تدوین می‌شود:
در این رگرسیون شرط مانایی کوچکتر از صفر بودن سیگما() است. همچنین با رعایت وجود وقفه کمتر باید تا جایی به مدل وقفه داد که مشکل خود‌همبستگی آن حل شود. در نرم‌افزارهای اقتصاد سنجی معمولاً ناحیه بحرانی آزمون ریشه واحد در سه سطح اطمینان مختلف شامل: 99 درصد، 95 درصد و 90 درصد صورت می‌گیرد.
فروض صفر و یک نیز در آزمون مانایی به صورت زیر تبیین می‌شود:
در اینجا، فرض صفر دلیل نامانایی و رد فرض صفر دلیل بر مانایی شمرده می‌شود. نحوه دستیابی به نتیجه در آزمون دیکی‌فولر افزوده، مقایسه با مقدار بحرانی است. در صورتی که آماره آزمون دیکی‌فولر از مقدار ناحیه بحرانی بزرگتر باشد، آنگاه فرض صفر رد می‌شود.در صورتی که داده‌های پژوهش از نوع سری زمانی باشند آزمون فیلیپس- پرون مناسب است. در صورتی که نتیجه آزمون ریشه واحد، حاکی از نامانایی متغیرهای سری زمانی باشد راه حل موجود در این رابطه تفاضل‌گیری و توجه به آزمون هم‌انباشتگی است. در واقع، هنگامی که متغیرها مانا نیستند اضافه کردن روند زمانی در بین متغیرها و یا کم کردن روند قطعی از متغیرها موجب مانایی متغیرها نخواهد شد. البته اگرچه روش معمول رسیدن به مانایی تفاضل‌گیری است اما از آنجا که این اقدام موجب از دست دادن اطلاعات داده‌ها می‌گردد، به عنوان راه حل نهایی حل مشکل نامانایی توصیه شده است و توسط محققان به ویژه در خصوص داده‌های اقتصادی که معمولا نامانا هستند، مورد استفاده قرار می‌گیرد، زیرا برای حفظ اطلاعات در رابطه با سطح بلند‌مدت متغیرها کار خاصی نمی‌توان انجام داد.
3- 10 روش تجزیه و تحلیل داده‌ها
در بررسی ارتباط بین یک متغیر وابسته با یک یا چند متغیر مستقل و با استفاده از داده‬های تاریخی از سه نوع داده می توان پارامترهای متغیر (متغیرهای) مستقل را برآورد و با ارائه مدل اقدام به پیش‬بینی نمود، این سه نوع داده را می توان به شرح زیر استخراج کرد:
الف) داده‬های سری زمانی
داده‬هایی هستند که در قالب یک یا چند متغیر خاصی در طول زمان رخ می‬دهند. به عبارت دیگر سری زمانی، مجموعه‬ای از مشاهدات است که بر حسب زمان مرتب شده باشند (آذر و مومنی، 1389).
ب) داده‬های مقطعی
داده‬هایی هستند که در یک مقطع مشخص از زمان محاسبه و جمع‬آوری می شوند. به عنوان مثال، اگر متغیر SDA برای 100 شرکت و در یک مقطع خاصی از زمان (مثلا سال 1385 ) جمع آوری گردد، این داده‬ها را مقطعی گویند. در این حالت تعداد مشاهدات (N) برابر 100 است (آذر و مومنی، 1389).
ج) داده‬های تابلویی
داده‬هایی هستند که از ترکیب دو دسته داده‬های سری زمانی و مقطعی حاصل می شود. در بسیاری از موارد محققین از این روش برای مواردی که نمی توان مسائل را به صورت سری زمانی یا مقطعی بررسی کرد و یا زمانی که تعداد داده‬ها کم است استفاده می کنند. ادغام داده‬های سری زمانی و مقطعی و ضرورت استفاده از آن بیشتر به خاطر افزایش تعداد مشاهدات و بالا بردن درجه آزادی است. زیرا در بررسی امکان دارد تعداد مقاطع زیاد و دوره‬های زمانی کم باشد و یا برعکس تعداد دوره‬های زمانی نسبتا زیاد و تعداد مقاطع کم باشد. در این صورت تعداد مشاهدات (n ) برابر است با تعداد سال‬های مورد نظر (t ) ضرب در تعداد داده‬های مقطعی در یک سال (n ) (آذر و مومنی، 1389). در این تحقیق از تکنیک داده‬های تابلویی استفاده شده است.
3-11 مزایای استفاده از داده های تابلویی
استفاده از داده‬های تابلویی دارای مزایای فراوانی است. در ذیل پاره‬ای از این مزایا معرفی می گردد:
از آن جایی که داده‬های تابلویی به افراد، بنگاه ها، کشورها و … طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می‌شود. تکنیک های تخمین با داده‬های تابلویی می توانند این ناهمسانی واریانس را با متغیرهای تکی خاص مورد بررسی و ملاحظه قرار دهند.