که فرض می شود  ها دارای توزیع نرمال با میانگین صفر و واریانس  است .
۳-۹) روش تجزیه و تحلیل داده ­ها
برای تجزیه و تحلیل داده های تحقیق و برآورد مدل ها، از رویکرد داده های ترکیبی^[۴] استفاده شده است. داده ­های ترکیبی اصولا به حرکت واحدهای مقطعی طی زمان اشاره دارند. مدل­های مبتنی بر این نوع داده ­ها را مدل های رگرسیون داده ­های ترکیبی نامیده می­ شود.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

به طور کلی می­توان گفت داده ­های ترکیبی تحلیل­های تجربی را به شکلی غنی می­سازند در صورت استفاده از داده های سری زمانی یا مقطعی این امکان وجود ندارد. واقع استفاده از داده‌های مقطعی برای چند سال متوالی نتایج بهتر و قابل‌اعتمادتری را در بر­دارد و قدرت توضیح دهندگی مدل را افزایش می‌دهد. مزایای استفاده از داده ­های ترکیبی عبارتند از:
الف) از آنجا که داده ­های ترکیبی به افراد، بنگاه ها، ایالات، کشورها و از این قبیل واحدها طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می شود.
ب) با ترکیب مشاهدات سری زمانی و مقطعی، داده ­های ترکیبی با اطلاعات بیشتر، تغییرپذیری بیشتر، همخطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیشتر ارائه می نمایند.
ج) با مطالعه مشاهدات مقطعی تکراری، داده های ترکیبی به منظور مطالعه پویایی تغییرات مناسب تر و بهترند.
د) داده های ترکیبی تاثیراتی که نمی توان به سادگی در داده های مقطعی و سری زمانی مشاهده کرد، بهتر معین می کنند.
و) داده های ترکیبی ما را قادر می سازند تا مدل های رفتاری پیچیده تر را مطالعه کنیم.
ه) داده های ترکیبی با ارائه داده برای هزاران واحد، می توانند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه ها حاصل می شود، حداقل سازد (ابریشمی، ۱۳۷۲).
در رویکرد داده های ترکیبی، روی عرض از مبدا و ضریب شیب مدل زیر محدودیت ها و فرضیاتی در نظر گرفته می شود:
(۳-۱۰)
که در آن متغیر وابسته، مجموعه متغیرهای مستقل و جمله خطای مدل است. رویکرد داده های ترکیبی معمولاً شامل سه الگوی مقید^[۵]، اثرات ثابت^[۶] و اثرات تصادفی^[۷] است.
۳-۹-۱) الگوی مقید
در الگوی مقید عرض از مبدا در مدل رگرسیون برای تمامی مقاطع زمانی (مثلاً سال) و مکانی (مثلاً شرکت) یکسان در نظر گرفته می شود. از محاسن الگوی مقید، سادگی برآورد آن است و از معایب آن، ناتوانی این الگو برای در نظر گرفتن ویژگی­های خاص هر مقطع است. این الگو در حالت ساده به صورت زیر است:
(۳-۱۱)
۳-۹-۲) الگوی اثرات ثابت
در مدل اثرات ثابت، عرض از مبدا در مدل رگرسیون به این دلیل بین سال ها یا شرکت ها متفاوت در نظر گرفته می شود که هر سال یا شرکت، ویژگی های خاص خود را داراست. الگوی اثرات ثابت در شرایطی مناسب است که عرض از مبدا خاص سال یا شرکت با یک یا چند متغیر توضیحی همبستگی داشته باشد (ابریشمی، ۱۳۷۲).
(۳-۱۲)
۳-۹-۳) الگوی اثرات تصادفی
در مدل اثرات تصادفی فرض می­ شود که عرض از مبدا یک واحد تکی، انتخابی تصادفی از جامعه­ای بزرگتر با یک میانگین ثابت است. بدین ترتیب عرض از مبدا تکی، به صورت انحرافی از این میانگین ثابت بیان می­ شود. اثرات تصادفی در شرایطی مناسب است که عرض از مبدا (تصادفی) هر واحد مقطعی با متغیرهای توضیحی همبستگی نداشته­باشد (ابریشمی، ۱۳۷۲). این مدل در حالت ساده به شکل زیر ارائه می شود:
(۳-۱۳)
(۳-۱۴)
۳-۱۰) آزمون های انتخاب نوع الگو
در این روش، برای انتخاب نوع روش برآورد مدل، ابتدا آزمون F چاو^[۸]به صورت زیر اجرا شده است:
(۳-۱۵)
(۳-۱۶)
در مدل های مزبور  و  به ترتیب ضریب تعیین و مجموع مربعات باقیمانده‌های حاصل از مدل اثرات ثابت و  و  به ترتیب ضریب تعیین و مجموع مربعات باقیمانده‌های حاصل از مدل Pooled است. N، تعداد مقاطع (در اینجا شرکت‌ها) و T طول دوره زمانی (یعنی سال‌ها) می‌باشد. در صورت رد فرضیه صفر، مدل با روش اثرات ثابت^[۹] و در غیر این صورت مدل را با روش Pooled برآورد می‌شود.
در صورت انتخاب مدل اثرات ثابت، باید با بهره گرفتن از آزمون هاسمن^[۱۰] آن را در مقابل مدل اثرات تصادفی^[۱۱] به صورت زیر آزمون کرد:
(۳-۱۷)
در مدل مزبور؛  ضرایب شیب در مدل اثرات ثابت،  ضرایب شیب در مدل اثرات تصادفی و  نماد واریانس است. این آماره از توزیع χ^۲ برخوردار است.در صورت رد فرضیه صفر، مدل به روش اثرات ثابت برآورد می شود. در غیر این صورت، به روش اثرات تصادفی عمل می شود (افلاطونی و نیکبخت، ۱۳۸۹).
۳-۱۱) آزمون فروض کلاسیک رگرسیون
در این تحقیق، برای آزمون هریک از فرضیه ­ها با بهره گرفتن از رگرسیون از داده ­های ترکیبی که ترکیبی از داده های سری زمانی و مقطعی می باشد، استفاده شده است. همچنین از آزمون t برای بررسی معنا داری ضرایب و آزمون F برای معنا داری کل مدل استفاده شده و همچنین از  تعدیل شده برای ارتباط بین متغییرهای وابسته و مستقل استفاده شده است. که به توضیح هریک به تفضیل می پردازیم.
۳-۱۱-۱) آزمون معنی دار بودن در الگوی رگرسیون
در رگرسیون چندگانه دو یا چند متغیر مستقل وجود دارد و لازم است که برای مشخص شدن معنی دار بودن آن ها، دو آزمون انجام گیرد.ابتدا آزمون معنی دار بودن معادله رگرسیون و در مرحله بعد آزمون معنی دار بودن هر کدام از ضرایب متغیرهای مستقل در معادله.
۳-۱۱-۲) آزمون معنی دار بودن معادله رگرسیون
در یک معادله رگرسیون چندگانه، چنان چه هیچ گونه رابطه ای میان متغیر وابسته و متغیر های مستقل وجود نداشته باشد، می بایست تمامی ضرایب متغیرهای مستقل در معادله، مساوی صفر باشند.بدین ترتیب ما می توانیم معنی دار بودن معادله رگرسیون را آزمون کنیم. این کار با بهره گرفتن از آمارهF با فرض های زیر صورت می گیرد(عباسی نژاد، ۱۳۸۰ و ذوالنور، ۱۳۷۴).
معادله رگرسیون معنی دار نیست H₀ : β_۱= β_۲= ۰۰۰= β_k=0
معادله رگرسیون معنی دار است H₁ : β_i≠ ۰: i = 1,2,000,k
چنان چه در سطح اطمینان ۹۵% (خطای ۵%= α )آماره Fمحاسبه شده از معادله رگرسیون کوچک تر از مقدارF بدست آمده از جدول باشد فرض H₀را نمی توان رد کرد و در غیر این صورتH₀ رد می شود. واضح است که در صورت رد شدن H₀ ، معادله رگرسیون معنی دار خواهد بود.
۳-۱۱-۳) آزمون معنی دار بودن ضرایب
بعد از آزمونمعنی دار بودن رگرسیون، بایستی معنی دار بودن هر کدام از ضرایب آزمون گردد. هدف از انجام این آزمون آن است که مشخص شود آیا در سطح اطمینان مورد نظر ضریب محاسبه شده مخالف صفر است یا خیر؟ فرض های این آزمون به شرح زیر است(ذوالنور، ۱۳۷۴).
ضریب جامعه صفر است. H₀ : β_i = ۰
ضریب جامعه مخالف صفر استH₁ : β_۱≠ ۰
برای آزمون این فرضیه ها از آماره t استفاده می شود. اگر در سطح اطمینان ۹۵% (خطای ۵% = α) آماره بدست آمده از آزمون کوچک تر از t بدست آمده از جدول با همان درجه آزادی باشد، فرض H₀تأیید شده و در غیر این صورت رد می شود. در این آزمون عدم ردH₀ به مفهوم بی معنی بودن ضریب مورد نظر و رد H₀به معنی معنی دار بودن ضریب مورد نظر است.
۳-۱۱-۴) تحلیل همبستگی
تحلیل همبستگی ابزاری است آماری که بوسیله آن می توان درجه ای را که یک متغیر به متغیر دیگری، از نظر خطی مرتبط است اندازه گیری کرد. همبستگی را معمولاً با تحلیل رگرسیون بکار می برند. همبستگی معیاری است که برای تعیین میزان ارتباط دو متغیر استفاده می شود.در همبستگی درباره دو معیار بحث می شود:ضریب تعیین و ضریب همبستگی(آذر و مؤمنی، ۱۳۸۱).
برای بررسی آن که در یک مدل رگرسیون، جملات خطا خود همبسته می باشند یا خیر، آزمون هایی طراحی شده است. در این میان آزمونی که بیش تر مورد استفاده قرار می گیرد، آزمون دوربین واتسون است.آزمون دوربین-واتسون ^[۱۲]بر مدل خطای خود همبسته مرتبه اول مبتنی می باشد.این مدل به صورت زیر است:
_t = ρε_t-1 + υ _tε
ρ :پارامتر خود همبستگی با مقدار ۱≥ρ≥۱-
:υ_t متغیر مستقل با فرض) N ~υ _t