پاورپوینت فصل ششم 6 (آزمونهای خاص تصریح، مدل تغییر ساختاری و علیت ) کتاب اقتصادسنجی (مقدماتی) همراه با کاربرد Eviews 8 و Srata 12 (جلد 1) مولف دکتر علی سوری ,

پاورپوینت فصل ششم 6 (آزمونهای خاص تصریح، مدل تغییر ساختاری و علیت  ) کتاب اقتصادسنجی (مقدماتی) همراه با کاربرد Eviews 8 و Srata 12 (جلد 1) مولف دکتر علی سوری در قالب ppt و در 88 اسلاید و قابل ویرایش

فهرست مطالب
مقدمه
همخطی
مفهوم همخطی
مشکلات ناشی از همخطی
شناسایی همخطی
راه های کاهش همخطی
فرم تابعی نادرست
حذف متغیرهای مهم
ورود متغیرهای نامربوط
آزمونهای ثبات ضرایب
آزمون نقطه شکست چاو
آزمون پیش بینی چاو
آزمونهای بازگشتی
پیش بینی یک قدمی
آزمون مجموع تجمعی خطاهای بازگشتی (CUSUM)
آزمون مجموع مجذور تجمعی خطاهای بازگشتی (CUSUMQ)
متغیرهای مجازی
خطای اندازه گیری متغیرها
علیت

١-٦ مقدمه
در تخمین معادلات مسائل و موضوعات خاصی وجود دارد که متفاوت از مباحث قبلی است. بدین منظور در این فصل به موضوعات خاصی میپردازیم که معمولاً در تخمین ضرایب معادلات با آن مواجه میشویم این موضوعات در اغلب موارد موجب تورش در ضرایب برآوردی و یا بی اعتبار شدن آزمونهای فرضیه میشود که لازم است اقداماتی در جهت رفع آنها صورت گیرد. این موضوعات شامل همخطی و مشکلات مربوط به آن فرم تابعی ،غلط، حذف متغیرهای مهم، افزودن متغیرهای نامربوط، ثبات ضرایب خطای اندازه گیری و علیت است.
٢-٦ همخطی
١-٢-٦ مفهوم همخطی در تخمین پارامترها با استفاده از روش OLS فرض ضمنی این است که متغیرهای توضیحی با یکدیگر همبستگی خطی ندارد همبستگی خطی بین متغیرها موسوم به همخطی است که در فصل سوم اشاره مختصری به آن شد. همان طور که قبلاً دیدیم تخمین ضرایب معادله رگرسیون به صورت 𝛽 ̂=〖(𝑋^′ 𝑋)〗^(−1) 𝑋′𝑦است. وضعیت همخطی بستگی به ماهیت ماتریس X'X و یا ماتریس X دارد در این خصوص سه حالت وجود دارد :

۱- اگر همخطی کامل وجود داشته باشد بدین معنی است که بین دو یا چند ستون از ماتریس X'X ترکیب خطی وجود دارد یعنی بین دو یا چند متغیر توضیحی رابطه خطی وجود دارد و لذا دترمینان ماتریس X'X برابر با صفر شده و نمیتوان ضرایب معادله رگرسیون را برآورد نمود. این حالت بیانگر آن است که لااقل یکی از متغیرهای توضیحی، ترکیب خطی از سایر متغیرهای توضیحی است. به عبارت دیگر در ماتریس X یکی از ستونها ترکیبی از یک یا چند ستون دیگر است. به عنوان مثال اگر X2t ترکیب خطی از سایر متغیرها باشد، بدان معنا است که X حاوی هیچ اطلاعات مفید و جدیدی نیست زیرا اطلاعات آن صرفاً از متغیرهای دیگر به دست آمده است. به عوان مثال برای برآورد K ضریب بایستی K ستون (متغیر) مستقل در ماتریس X داشته باشیم لذا اگر یکی از ستونها (متغیرها) ترکیب خطی از بقیه ستون ها باشد، آنگاه یکی از اطلاعات ما مفید نخواهد بود باین بدان معنا است که اطلاعات و داده ها کمتر از تعداد ضرایب است و لذا امکان برآورد ضرایب وجود نخواهد داشت.
۲- حالت دیگر این است که هیچ گونه رابطه خطی بین متغیرها وجود نداشته باشد. در این حالت کوواریانس یا ضریب همبستگی بین متغیرهای توضیحی صفر میشود. همان طور که در فصل سوم دیدیم، ماتریس X'X تبدیل به یک ماتریس قطری شده و تخمین هر یک از ضرایب هیچ ارتباطی با سایر ضرایب ندارد.
3-حالت عمومی و متداول این است که همبستگی بین متغیرهای توضیحی بین صفر و یک است. بدیهی است که در این حالت مشکل هنگامی به وجود می‌آید که همخطی شدید باشد و همبستگی بین متغیرهای توضیحی نسبتاً بزرگ باشد. اگر چه همخطی مشکلاتی را در تخمین پارامترها ایجاد می‌کند ولی بر خواص تخمین زننده های OLS تأثیری ندارد.

٢-٢-٦ مشکلات ناشی از همخطی
در فصل سوم دیدیم که در یک رگرسیون دو متغیره اگر بین دو متغیر توضیحی همخطی وجود داشته باشد ضریب همبستگی آنها (r23) افزایش مییابد و این موجب افزایش واریانس تخمین زننده های OLS می.شود افزایش واریانس نیز به نوبه خود باعث میشود که فاصله اطمینان پارامترها، عریض تر شود از طرف دیگر چون واریانس تخمین زننده ها افزایش می‌یابد، لذا موجب بی معنی شدن ضرایب میشود و t آنها را غالباً کاهش میدهد.
در صورت وجود همخطی علی رغم اینکه مقادیر کوچک است ولی R2 بزرگ است. وجود این وضعیت بدان معنا است که یک رابطه خطی بین متغیرهای توضیحی وجود دارد که توانسته است تغییرات متغیر وابسته را به خوبی توضیح دهد توجه شود که مقدار t برای معنادار بودن یک ضریب به کار میرود ولی مقدار F برای معنی دار بودن همه ضرایب است. ممکن است این دو (یعنی F یا R2 بزرگ ولی t کوچک) متناقض به نظر آید ولی توجه داریم که در اینجا رابطه خطی بین متغیرهای توضیحی است. بدین منظور ابتدا کوواریانس بین 𝛽 ̂_2 و 𝛽 ̂_3 را در نظر بگیرید که عبارت است از:
(1-6)