دلایل معنادار نشدن مدل های اقتصادسنجی

🔹 یکی از مشکلات مهم محقق در تخمین مدل، معنادار نشدن ضریب یا ضرایب مدل و معنادار نشدن مدل در کل هست. همواره محققین در این حالت بدنبال علت یا علت ها هستند. شناسایی علت ها می تواند در مرتفع کردن مشکل بعضا کمک نماید. دلایل زیر در این خصوص اقامه می گردد:

❄️ اول، داده های جمع آوری شده دچار مشکل هستند و یا به اشتباه جمع آوری شده اند. بعنوان نمونه بسیاری از محققین داده اسمی را بجای حقیقی استفاده می کنند و بالعکس. یا اینکه از داده های مناسبی بعنوان پراکسی استفاده نمی کنند. یا اینکه مثلا از داده های غلط بعنوان تقاضا استفاده می کنند و الی آخر. در این خصوص لازم است داده های جمع آوری شده و ویژگی های آن مطابق تئوری و مقالات بیس باشند.

❄️ دوم، مدل و متغیرهای آن دارای بیس تئوری (قوی) نیست. در این حالت مدلی طراحی می شود و داده هایی به درستی استخراج می شوند، لیکن چون مبنای تئوری مدل ضعیف هست و یا وجود ندارد ، مدل معنادار نمی شود. در این خصوص لازم است دقت لازم بعمل آید تا مدلی طراحی گردد بر مبنای تئوری قوی و محرز، و مدل هایی که مبنای تئوریک ندارند کنار گذاشته شوند.

❄️ سوم، مدل دو مشکل قبلی را ندارد. یعنی هم بیس تئوری خوبی دارد و هم داده ها بدرستی استخراج شده اند. ولی طراحی مدل در تخمین مشکل دارد. بعبارت دیگر مدل تمام خطی در نظر گرفته شده است و تخمین خورده است و معنادار نیست یا ضعیف هست. علت این امر بخاطر این هست که رفتار مدل غیرخطی بوده و به اشتباه خطی تخمین خورده است. بعضا برخی مدل ها از مبنای تئوری غیرخطی برخوردارند  مانند منحنی فیلیپس که باید بصورت منحنی هذلولی قائم طراحی شود و تخمین زده شود. یا اینکه تئوری در این خصوص ساکت هست، دراینصورت می توان از آزمون های مختلفی استفاده کرد و طراحی مدل را درست به نگارش درآورد. آزمون های چون ریست رمزی،. Mwd، نستد و نان نستد، و ... .

❄️ چهارم، مشکلات قبلی بر مدل عارض نشده است ولی شکل متغیرها باید تغییر کند. مثلا در استفاده از قیمت حقیقی برق در مدل تقاضای برق به چند طریق میتوان در مدل استفاده کرد. از جمله شاخص قیمت برق تقسیم بر شاخص قیت، یا شاخص قیمت برق تقسیم بر شاخص قیمت گاز بعنوان کالای جایگزین و ... . در این حالت بطور معمول باید حالتهای مختلف را طراحی کرد و در مدل بکار برد تا به پاسخ مطلوب رسید.

❄️ پنجم، با فرض اینکه مدل دچار مشکلات قبلی  نباشد، احتمال اینکه از نظر مدلسازی اشکالات اقتصادسنجی بر مدل عارض شده باشد زیاد است. از جمله نداشتن فروض کلاسیک و غیره در مدل های سری زمانی  و یا پانل  که آزمونهای متفاوت دارند: همچون وجود خودهمبستگی، واریانس ناهمسانی، نرمال نبودن جملات خطا، حذف متغیر مهم یا وجود متغیر زائد، وجود همخطی و الی آخر. بطور معمول در این موارد بهتر از بررسی فروض کلاسیک کار را شروع کنیم و اگر در اینجا مشکلات مدل برطرف شد بسنده خواهیم کرد. در غیراینصورت سایر موارد را بررسی خواهیم کرد.

❄️ ششم، در صورتیکه با دقت لازم تمامی موارد بالا بررسی و لحاظ گردید، و سپس در مدل ضریبی معنادار نبود در اینصورت باید چنین نتیجه گرفت که این  تئوری در کشور یا کشورهای مورد بررسی مصداق ندارد و این خود بعنوان یک نتیجه قابل گزارش  است .                                                                                                                     

نکاتی در مورد «پیش‌بینی» در اقتصاد/حامد قدوسی

خوش‌بختانه سواد و اطلاعاتم در این حوزه‌ها صفر (یا حداقل زیر میانگین جامعه) است. در نتیجه در مورد قیمت آینده ارز و نفت و طلا و بورس و بیت‌کوین و مسکن و تشخیص حباب بودن یا نبودن آن‌ها تحلیلی نداشته‌ام‌ و تا جایی که بتوانم هم نخواهم داشت. نگرانی هم بابت غلط بودن پیش‌بینی‌ام ندارم.

خوانندگان گرامی سوالات و نقدهای بسیار خوبی طرح کردند و از جمله پرسیدند پس اقتصاد و اقتصادسنجی به چه درد می‌خورد؟

در پاسخ گفتم: یک مغالطه منطقی این است که بگوییم مدل‌های اقتصادسنجی در پیش‌بینی قیمت بیت‌کوین و طلا شکست می‌خورند، پس اقتصادسنجی به درد نمی‌خورد! البته برخی اقتصادخوانده‌ها هم در خلق این مغالطه شریک هستند چون اقتصادسنجی را به همین عنوان به جامعه می‌فروشند.

در واقعیت یکی از کاربردهای مهم اقتصادسنجی «آزمون کردن» این «فرض» است که «آیا اساسا این قیمت‌ها قابل پیش‌بینی هستند یا نه» و خود اقتصادسنجی به این جواب می‌رسد که در اکثر موارد «خیر»! (توضیح فنی: کار اصلی اقتصادسنجی آزمون درست نظریه‌ها بر اساس شواهد مبتنی بر داده‌ها است.(

دوست جامعه‌شناس فرهیخته‌ای هم به درستی اشاره کردند که «جواب این است که علم اقتصاد به درد این می خورد که به جامعه بشری بگوید دقیقا دنبال پیش بینی پذیری چه پدیده های نباشد!»

باز دوستان گرامی نکات و سوالات و نقدهای بسیار خوبی طرح کردند. از جمله پرسیدند که پس علمی که نمی‌تواند پیش بینی کند به چه دردی می‌خورد و آیا اساسا علم (ابطال‌پذیر) هست؟

توضیح دادیم که لزوما این طور نیست. کار علم اقتصاد تبیین روابط علی بین متغیرها است. اتفاقا مدل‌های تبیین‌گر را خیلی خوب می‌توانیم ابطال کنیم (کاری که همه علوم می‌کنند). مدل را تحت شرایط مختلف ورودی قرار می‌دهیم و مقدار «تخمین‌زده شده با مدل» را با «واقعیت» مقایسه می‌کنیم ولی نه روی زمان بل‌که روی فضای حالت.

گفتند پس مدل اقتصادی که می‌گویید «تبیین‌گر» است چیست؟ از این توضیح استفاده کردیم: مدل اقتصادی چیست و چه چیزی نیست؟ در ساده‌ترین حالت ما داریم می‌گوییم که «تابعی» کشف کرده‌ایم که رابطه بین یک متغیر و متغیر دیگر را (با یک جمله خطای (e تبیین می‌کند. پس Y=F(X,e) که در واقعیت X مثلا می‌تواند میزان سرمایه‌گذاری روی تغذیه کودکان و Y دست‌مزد آنان در بزرگ‌سالی باشد. یا مثلا X میزان رشد نقدینگی  و Y تورم است.

ادعای اقتصاددانان این است که «تابع» F را کشف کرده‌اند (تبیین نظری روابط بین متغیرهای مختلف) و طبعا در طول زمان با رشد فهم ما از دنیای واقع تابع (F)، از جمله خطا یعنی e کاسته شده و به ورودی‌های شناخته‌ شده مدل اضافه می‌شود. ولی دانستن تابع F به هیچ وجه به این معنی نیست که من اگر مجموعه اطلاعات زمان t را داشته باشم (همه چیز را الان بدانم)، بتوانم مقدار Y_{t+1 را پیش‌بینی کنم. چرا؟ چون برای «پیش‌‌بینی» مقدار دوره بعد Y باید مقدار دوره بعد X را داشته باشم. ما می‌توانیم «تبیین‌گر» خیلی خوبی باشیم ولی «پیش‌بینی»‌‌گری خاصی روی زمان نداشته باشیم. (و البته بنا به توضیح دوستی، در برخی مدل‌های خاص مثل سری-زمانی ممکن است Y همان X_{t+1باشد ولی این حالت خیلی خاص است.(

مثلا می‌توانیم خیلی خوب توضیح بدهیم که اگر دولت سیاست الف را اجرا کند نتیجه چه خواهد شد. خود این دانش خیلی مفید است و به درد درک دنیا و تحلیل سیاست‌ها و طراحی سیاست بهینه می‌آید و ابطال‌پذیر هم هست. ولی نمی‌توانیم بگوییم که فردا چه خواهد شد (پیش‌بینی) چون نمی‌دانیم که دولت قرار است فردا چه کار کند. شبیه پزشکی که می‌گوید اگر ویروس فلان بیاید چه اتفاقی برای سلامت مردم می‌افتد و چه کار باید بکنند. ولی این پزشک هیچ قدرتی برای پیش‌بینی این که آیا ویروس فردا می‌آید یا نه ندارد.

مراحل تخمین مدل های پانل دیتا/محمدرضا منجذب

⭕️ 1- ارایه آمار توصیفی از داده‌ها (میانگین نما …، همبستگی بین متغیرها و چند نمودار یک بعدی و دو بعدی همراه با تحلیل).

⭕️ 2- آزمون مانایی از داده‌ها و در صورت لزوم تبدیل داده‌ها به مانا + تشخیص نوع مدل اعم از panel ardl+panel ols+...

⭕️ 3- در صورتی که همه متغیرها در سطح مانا نباشند و با تفاضل گیری همگی مانا شدند: آزمون هم انباشتگی یوهانسن (یا کائو،پدرونی و…) انجام شود. در صورت وجود هم انباشتگی میان متغیرهای مدل نیازی به مانا کردن داده‌ها نیست. تشخیص ران صحیح مدل در این مرحله الزامی است.  پس از اثبات وجود هم انباشتگی در مدل به تعیین بردار هم انباشتگی از طریق یکی از روش‌های تخمین پانل ( DOLS،GMM ،FMOLSو… ) پرداخت. در این صورت باید با توجه به مطابقت مدل تخمینی با شرایط هر یک از این روش‌ها اقدام کرد. در صورتی که از طریق روش‌های مزبور تخمین میزنیم ،  آزمون‌ها و روش‌های تخمین خاص خود را دارند دیگر نیازی به طی کردن مراحل ۴ تا۹ نیست.

⭕️ 4- آزمون اف لیمر برای استفاده از پولین دیتا یا پانل دیتا در تخمین مدل.

⭕️ 5- اگر مدل بر مبنای پانل دیتا تایید شد، سپس آزمون هاسمن در بررسی اثرات ثابت و اثرات تصادفی انجام می‌شود. در اثرات ثابت خطای تخمین ناشی از عرض ازمبدا و در اثرات تصادفی عرض از مبدا  تصادفی در نظر گرفته می‌شود. در اینجا آزمون تکمیلی بروش پاگان برای انتخاب بین مدل پولینگ و اثرات تصادفی نیز توصیه میشود.

⭕️ 6- تخمین مجدد مدل.

⭕️ 7- آزمون خودهمبستگی (وولدریچ) و واریانس ناهمسانی (نسبت درست نمایی Likelihood Ratio) از مدل نهایی انتخاب شده و در صورت لزوم اعمال تغییر لازم در مدل. (نرم افزار استاتا این دو آزمون را انجام می‌دهد)

⭕️ 8- آزمون نرمال بودن جمله اخلال، در صورتی که نرمال نبود ایجاد تغییرات لازم (از جمله استفاده از متغیر مجازی همراه با توجیه و استدلال اقتصادی و سپس تفسیر آن در مدل).

⭕️ 9- تخمین نهایی مدل بدون اشکال، تفسیر نتایج و بررسی تفاوت کشور (شرکت) هدف با سایر کشورها (شرکت‌ها).

⭕️ 10-بررسی فرضیات مدل + ران مدلی که تمامی ضرایب آن معنادارست و تفسیر آن.                                                                                                                                                                                 

اگر متغیری از رگرسیون حذف شود اثر آن کجا میرود؟/ ساسان قاراخانی

 

👈 هر متغیر را میتوان به دو جز تقسیم کرد(بخش ثابت که همان میانگین متغیر است و بخش تصادفی که همان نوسانات متغیر حول میانگینش می باشد)

🔴 وقتی متغیری از رگرسیون حذف میشود;

☑️ بخش ثابت(میانگین آن) به عرض از مبدا اضافه می شود

🔔 نکته مهم) پس عرض از مبدا به مفهوم اثر میانگین متغیرهای حذف شده(یا لحاظ نشده) در مدل است

🔴🔴 پس بی معنا شدن عرض از مبدا در رگرسیون نشانه خوبی است چون نشان میدهد میانگین متغیرهایی که در مدل نیستند بر متغیر وابسته اثر چندانی ندارند و متغیرهای داخل رگرسیون به درستی انتخاب شدند

☑️ بخش تصادفی متغیر حذف شده وارد پسماند(u) میشود

🔔 نکته) در صورتی که متغیر حذف شده حداقل با یک متغیر مستقل داخل رگرسیون ایجاد همخطی کرده باشد حذف آن سبب تورش ضرایب برآوردی میشود(تورش ناشی از حذف متغیر)

آثار حذف متغیر از رگرسیون در شرایط برقراری فروض کلاسیک و در عمل(واقعیت)

⭕️ در شرایط برقراری فروض کلاسیک(عدم همخطی) با حذف متغیر- ضرایب برآوردی همچنان نااریب باقی خواهند ماند

ولی در عمل(یا به علت نقص ابزار  و یا به علت عدم وجود هیچ دو سری زمانی مستقل، که البته تفاوتی هم نمیکند) حذف یکی از متغیرها، تورش ناچیزی را ایجاد خواهد نمود