پاورپوینت فصل دوازدهم 12 ( تخمینهای مقید ) اقتصاد سنجی (ویژه رشته اقتصاد) مدرسان شریف دکتری مؤلفين یوسف محمدزاده - احمد رسولی ,

پاورپوینت فصل دوازدهم 12 ( تخمینهای مقید ) اقتصاد سنجی (ویژه رشته اقتصاد) مدرسان شریف دکتری مؤلفين یوسف محمدزاده - احمد رسولی

در قالب ppt, و در 42 اسلاید و قابل ویرایش

فهرست مطالب
12-1- مقدمه
12-2- بیان مسأله
12-3- مقادیر ثابت پارامترها به عنوان محدودیتهای تخمین
12-3-1- مثالهایی از قیدهای ضرایب
12-4- تخمینهای مقید در حالت کلی
12-5- آزمونهای مبتنی بر محدودیتها.
12-5-1- آزمون چاو، مبتنی بر آنالیز واریانس
12-5-2- آزمون چاو مبتنی بر پیش بینی
12-5-3-آزمون تغییر ساختاری آزمونهای چاو
12-5-4- آزمون ثبات تعیین ضرایب برای تغییر حجم نمونه
12-6-آزمون رابطه خطی بین پارامترها
12-6-1- آزمونهای محدودیتهای صفری
12-6-2- آزمون محدودیتهای غیر صفری

۱-۱۲ مقدمه
تا اینجا برای تخمین β در یک مدل رگرسیونی Y=Xβ+u هیچ گونه شرطی را در تخمین پارامترها در نظر نگرفته ایم به این گونه تخمین ها، تخمین‌های «غیر مقید» یا آزاد می‌گویند. اما در مواردی قبل از شروع تخمین و با استفاده از نظریه های اقتصادی، بعضاً یک یا چند رابطه خاص بین تخمین پارامترهای مدل برقرار است؛ قاعدتاً باید پارامترها چنان تخمین زده شوند که نتایج برآوردها در محدودیت یا محدودیت‌های مفروض صدق کند. در این حالت گفته می‌شود تخمین‌های مذکور «مقید» هستند؛ یعنی تخمین β مشروط به وجود یک یا چند محدودیت برای پارامترهای بدست آمده است.
۲-۱۲- بیان مسأله
سوالی که در ذهن مطرح می‌شود آن است که چگونه در مدل رگرسیون Y=Xβ+u می‌توان تعداد r فرضیه را به طور همزمان آزمون کرد؟ در تخمین‌های مقید مدل را نباید به صورت یک مدل آزاد تخمین زد بلکه باید محدودیت‌های Rβ=r را در تخمین β کاملاً در نظر داشت. استفاده از روش تخمین‌های مقید در امور زیادی کاربرد دارد در این فصل به آزمون تغییر ساختاری که خود این آزمون با دو روش آزمون آنالیز واریانس و آزمون پیش بینی قابل بررسی است، می‌پردازیم.

مثالی که در مورد تخمین‌های مقید معمولاً ذکر می‌شود تخمین تابع کاب داگلاس با شرط بازده ثابت نسبت به مقیاس است؛ زیرا باید مدل را چنان تخمین زد که مجموع ضرایب عوامل تولید کار و سرمایه برابر یک .باشد موارد دیگری که می‌توان برای تخمین‌های مقید در نظر گرفت، این است که فرض شود یک مدل رگرسیون به صورت غیر مقید تخمین زده شود و فرضیه وجود یک یا چند رابطه بین پارامترها را آزمون نماییم. اگر فرضیه H0، یعنی درستی این رابطه ها رد نشد باید دوباره مدل را تخمین زد اما این بار تخمین پارامترها باید مقید به وجود این محدودیت ها باشد. در این فصل فرض بر این است که محدودیت‌های ،مفروض همگی خطی هستند.
مهمترین نکته در تخمین‌های مقید این است که همواره می‌توان آنها را به مسئله حداقل سازی مقید (Unrestricted leastest) » تبدیل کرد. به عبارت دیگر همان گونه که تخمین پارامترها در یک مدل رگرسیون غیر مقید همان حداقل سازی مجموع مربعات پسماند است، به همین ترتیب تخمین‌های مقید نیز در واقع حداقل نمودن مجموع مربعات پسماند مشروط به وجود محدودیت‌های مفروض است.