آشنایی با الگوی خودرگرسیونی با وقفه توزیعی ARDL
امروزه اهمیت مدل های رگرسیونی با وقفه همانند مدل خودرگرسیون برداری با وقفه توزیعی در مدل های پیش بینی افزایش می یابد.
در بسیاری از مدلهای اقتصادی و مالی ، تاثیرگذاری متغیر های توضیحی با تاخیر های قابل توجهی مواجه اند.
به عنوان مثال اثر یک سیاست پولی انبساطی بر متغیر های مورد نظر با تاخیر ظاهر می شود.
اثر سرمایه گذاری های جدید بر ایجاد ظرفیت تولید و مقدار تولید دارای تاخیر های قابل توجهی است.
اثر وقایع و اخبار بر قیمت سهام ممکن است دارای تاخیر باشد.
این تاخیر ها می توانند ناشی ازساختار اقتصادی و یا رفتار و واکنش احتیاط آمیز کارگزاران اقتصادی به سیاستها و وقایع باشد.
چه زمانی از مدل خودرگرسیون برداری با وقفه توزیعی ARDL استفاده می کنیم؟
چند فرضیه برای تشخیص مدل خودرگرسیون برداری با وقفه های توزیعی ARDL وجود دارد:
اگر همه متغیرها در سطح مانا باشند I( 0) .
اگر همه متغیرها با تفاضل اول مانا شوند I( 1).
اگر برخی متغیرها در سطح و برخی در تفاضل اول مانا باشند .متغیر ها نباید از نوع I( 2) باشند.
داده ها باید دارای توزیع نرمال باشند.normal distributed
داده ها باید واریانس همسان باشند. heteroskedasticity(HSK )
داده ها باید خود همبسته باشند. autocorrelation
این بحث نشان خواهد داد که چنین مدلهایی میتوانند برای ازمون هم انباشتگی و تخمین بلند مدت بودن مدل و همچنین پویایی کوتاه مدت مدل مورد استفاده قرار گیرند.
حتی در حالتی که متغیرهای مورد بررسی ما مخلوطی از متغیرهای مانا و غیر مانای سریهای زمانی باشند.
فرم کلی یک مدل ARDL به صورت زیر است:
به منظور بررسی روابط بلندمدت و کوتاه مدت بین متغیر وابسته و سایر متغیرهای توضیحی الگو، میتوان ازروشهای همجمعی مانند روش انگل- گرنجر و مدلهای تصحیح خطا ECM استفاده کرد.
استفاده از روش انگل- گرنجر دارای محدودیتهای زیادی است، به طوریکه توزیع حدی برآوردگرهای حداقل مربعات غیرنرمال است (ابونوری و خانعلیپور، 1389 )
در نمونه های کوچک (تعداد مشاهدات کم)به دلیل در نظر نگرفتن واکنشهای پویای کوتاه مدت موجود بین متغیرها، اعتبار لازم را ندارند، چرا که برآوردهای ناشی از آنها بدون تورش نبوده است.
درنتیجه انجام آزمون فرضیه با استفاده از آماره های معمول مثل t معتبر نخواهد بود(فلاحی وخلیلیان، 1388 ).
همچنین روش انگل- گرنجر بر پیش فرض وجود یک بردار همجمعی استوار است و تحت شرایطی که بیش از یک بردار همجمعی وجود داشته باشد، استفاده از این روش منجر به عدم کارایی خواهد شد.
لذا برآوردهای روش ARDL به دلیل پرهیز از مشکلاتی همچون خودهمبستگی و درونزایی، نااریب و کارا هستند (ابونوری و خانعلیپور).
همچنین این روش، روابط بلندمدت و کوتاه مدت بین متغیر وابسته وسایرمتغیرهای توضیحی الگو را به طور همزمان تخمین می زند.
در این مدل متغیر وابسته تحت تأثیر وقفه های این متغیر و سایر متغیرهای مستقل قرار دارد (جلیل و محمود، 2009 ).
یکی از امکانات روش خود توضیح برداری با وقفه های گسترده، برآورد ضرایب مربوط به تعادل بلندمدت است.
اما لازم است کاذب بودن و نبودن ضرایب تعادل بلندمدت بدست آمده مورد بررسی قرار گیرد.
به عبارت دیگر بررسی شود آیا رابطه پویای کوتاه مدت به سمت تعادل بلندمدت گرایش دارد یا خیر.
بدین منظور، فرآیند مدل خودرگرسیونی با وقفه توزیعی با استفاده از روش آزمون کرانه ها به همجمعی که توسط پسران و همکاران( 2001 ) ارائه گردیده، آغاز می شود.
تخمین رابطه ی همجمعی به وسیله ی روش حداقل مربعات معمولی، زمانی که تعداد وقفه های مدل معین شده باشد، ممکن می شود.
نکات مهم
بر اساس مطالعات گسترده ای که در زمینه داده های پرت شده است وجود داده های پرت منجر به خطا در آزمون ریشه واحد و هم انباشتگی می شود.
به همین دلیل در صورت وجود داده های پرت در مدل باید از آزمون ریشه واحد با شکست ساختاری استفاده کنید.
این آزمون در نرم افزار ایویوز نسخه 9 با نام breakpoint breakpoint unit unit root test وجود دارد.
به منظور بررسی نکوئی برازش مدل، آزمونهای فرم تابعی، خودهمبستگی سریالی، ناهمسانی واریانس و نرمالیته مورد آزمون و بررسی قرار خواهد گرفت.
همچنین، پسران و همکاران ( 1997 )، استفاده از آزمون ثبات ساختاری ارائه شده توسط برون و همکاران ( 1975 ) را پیشنهاد نمودند.
برای این منظور از ترسیم نموداری آماره های CUSUM و CUSUMSQ CUSUMSQ استفاده میشود.
اگر مقدار این آماره ها در بین آماره ی کرانهای در سطح 5 درصد قرار داشته باشند، آنگاه فرض صفر آزمون که بیان میکند همه متغیرها در رگرسیون برآورد شده با ثبات هستند، نمی توان رد کرد
اگر می خواهید مدل خودرگرسیون برداری با وقفه توزیعی ARDL را بخوبی با نرم افزار استاتا و ایویوز انجام دهید جهت دانلود فایل ویدیوی آموزشی بر روی لینک زیر کلیک کنید
دیدگاهتان را بنویسید
برای نوشتن دیدگاه باید وارد بشوید.