
مختصری درباره داده های تابلویی:
انواع داده هایی که عموماً برای تحلیلهای تجربی به کار برده میشوند، در سه گروه مورد بحث و بررسی قرار میگیرند:
- داده های سری زمانی
- داده های مقطعی
- داده های تلفیقی سری زمانی و مقطعی
در داده های سری زمانی مقادیر یک یا چند متغیر را طی یک دوره زمانی مشاهده می کنیم (برای مثال GDP طی چند فصل یا چند سال). در داده های مقطعی، مقادیر یک یا چند متغیر برای چند واحد یا مورد نمونهای در یک زمان یکسان جمعآوری میشود (برای مثال نرخهای جرم و جنایت برای سی استان ایران در در یک سال معین).
داده های تابلویی ترکیبی از دادههای مقطعی و سری زمانی می باشد، یعنی اطلاعات مربوط به داده های مقطعی در طول زمان مشاهده میشود. بدین صورت که چنین داده هایی 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 می باشد. در مجموع، داده های تابلویی دارای مزایای فراوانی نسبت به دادههای مقطعی یا سری زمانی هستند که برخی از مهمترین آنها عبارتند از:
داده های مقطعی و سری زمانی صرف، ناهمسانیهای فردی را لحاظ نمی کنند، لذا ممکن است که تخمین تورش داری به دست دهند، در حالی که در روش پانل میتوان با لحاظ کردن متغیرهای مخصوص انفرادی[۴] این ناهمسانیها را لحاظ کرد.
داده های تابلویی دارای اطلاعات بیشتر، تغییرپذیری بیشتر، همخطی کمتر، درجه آزادی بالاتر و کارایی بالاتر نسبت به سری زمانی و داده های مقطعی می باشند. به خصوص اینکه یکی از روشهای کاهش همخطی، ترکیب داده های مقطعی و زمانی به صورت دادههای تابلویی میباشد.
با مجموعه داده های تابلویی، می توان اثراتی را شناسائی و اندازه گیری کرد که در دادههای مقطعی محض یا سری زمانی خالص قابل شناسایی نیست. گاهی استدلال میشود داده های مقطعی، رفتارهای بلندمدت را نشان می دهند، در حالی که در داده های سری زمانی بر اثرات کوتاه مدت تاکید میشود. با ترکیب این دو خصوصیت در داده های تابلویی، که خصوصیت متمایز پانل دیتاست، ساختار عمومی تر و پویاتری را می توان تصریح و برآورد کرد(اشرفزاده و مهرگان، ۱۳۸۷، ص ۴۱).
داده های تابلویی که بر حسب بنگاهها، خانوارها و افراد جمع آوری میشوند، ممکن است دقیقتر از داده های مشابه اندازه گیری شده در سطح کلان باشند. بنابراین، تورشی که ممکن است در داده های کلان حاصل شود، در دادههای تابلویی حداقل میگردد (Baltagi ,2005, P.4-7).
داده های پانلی از طریق فراهم کردن تعداد دادههای زیاد، تورش را پائین میآورد(Gujarati, 2004, p.638).
مطالعه مشاهدات به صورت دادههای پانلی، وضعیت بهتری برای مطالعه و بررسی پویایی تغییرات نسبت به سری زمانی و مقطعی داراست.
مزایای این روش در مقایسه با روش های سری زمانی و مقطعی عبارتند از:
الف: به محقق این امکان را می دهد که ارتباط بین متغیرها و حتی واحدهای انفرادی و به عبارتی مقاطع در طول زمان در نظر گرفته و به بررسی آنها بپردازد.
ب: این روش توانایی کنترل اثرات انفرادی مقاطع که قابل مشاهده نمی باشد را داراست. (بالتاجی ۲۰۰۵) زیرا در روش حداقل مربعات معمولی یعنی زمانی که داده ها به صورت سری زمانی، مقطعی ترکیب شده باشد،یعنی در رابطه زیر ui برابر با ۱α در نظر گرفته شده و در نتیجه اثرات انفرادی مقاطع یکسان فرض شده و نتایج دچار اریب ناهمگنی ناشی از یکسان بودن این اثرات می گردد. (بالتاجی ۲۰۰۵). در روش دادههای تابلویی برای رفع این مشکل، محدودیت یکسان بودن اثرات انفرادی حذف می شود.
تفاوت مدل های common effect، Random effect و fixed effect از نظر جزء ثابت و جزء اختلال
به طور کلی، یک مدل رگرسیونی در قالب مدل داده های تابلویی به شکل زیر میباشد:
Yit=α۱+β۱X1it+β۲X2it+…+βkXkit+wit i=1,2,…..
Wit=ui+vt+eit t=1,2,…
دراینجا i مقاطع و t زمان را نشان می دهد . ui دارای میانگین صفر و واریانس ثابت میباشد.ui الزاما متغیر تصادفی نمی باشد. اگرui عددی ثابت، همچون α۱، برای تمام مقاطع باشد، مدل اثرات مشترک یا رگرسیون تلفیقی بوده، و اگر عددی ثابت اما متفاوت برای مقاطع، همچون αiباشد، اثرات ثابت خواهد بود و در غیر این صورت، زمانی که ui تصادفی باقی بماند، به آن اثرات تصادفی اطلاق می شود. eit نیز جزء اختلال است.
ارتباط مدل های state- space و random effect
مدل های دیگری نیز وجود دارد که در آن تفاوت در ثابت یا تصادفی بودن ضرایب زاویه در مقاطع می باشد. همچون مدل های فضای حالت، که این نوع مدل ها نسبت به مدل های فوق الذکر کاربردهای کمتری دارد.
آزمون های آماری تشخیص مدل های common effect، Random effect و fixed effect از یکدیگر
آزمون f (تشخیص بین مدل اثرات مشترک و اثرات ثابت یا تصادفی) و آزمون هاسمن (تشخیص بین اثرات ثابت و تصادفی)
آزمون f فرضیه H0 مبنی بر یکسان بودن عرض از مبداها برای تمامی مقاطع را آزمون می کند.
درصورتی که F محاسبه شده از F جدول بزرگتر باشد فرضیه H0 رد می شود. در صورت پذیرش فرض نامساوی بودن عرض از مبداها، لازم است به منظور تعیین روش براورد اثرات ثابت یا تصادفی از آزمون هاسمن استفاده شود. آزمون هاسمن فرضیهH0 مبنی بر برابری برآوردکننده های اثرات ثابت و تصادفی را آزمون می کند. پذیرش فرضیه H0 به معنی ناهمبستگی بین جملات اختلال و متغیرهای توضیحی است که در این صورت مدل اثرات تصادفی براوردهای کارایی را ارائه خواهد داد.
همچنین بخوانید: داده های تابلویی در Eviews
پینگ بک: برف
پینگ بک: آموزش تخمین مدل های پانل دیتا با کمک نرم افزار ایویوز ( Eviews ) - ویکونومی
با سلام
چطوری میتوانم داده های مربوط به جامعه آماری داده های مربوط به مدل تحقیق بانکداری اسلامی ومتعارف در کشورهای عمان، عربستان،امارات متحده عربی،
ایران ومالزی طی دوره زمانی ۲۰۱۶ ۲۰۰۶ را بدست بیارم
ممنون
جستجوی مقالات در elsevier و مشاهده منابع
بانک جهانی
بانک مرکزی هر کشور
موفق باشید