پیش بینی واردات برنج با روش های ARIMA و هالت وینترز- قسمت ۶

  1. مدل‌های با کشش ثابت (لگاریتم – خطی[۱۴]) یا لگاریتم – لگاریتمی[۱۵] (لگاریتم از دو سو[۱۶])

این مدلها مکرراً در مطالعات مربوط به تقاضا جهت تخمین کشش‌های قیمتی و درآمدی تقاضا استفاده میشود. این دسته از مدل‌ها هم از نظر لگاریتم متغیرها (X،Y) و هم از نظر پارامترها (β , α) خطی هستند بنابراین می‌توان بهوسیله روش OLS آن را تخمین زد. به خاطر این خطی بودن است که این چنین مدل‌هایی، مدل‌های لگاریتم – خطی، لگاریتم از دو سو یا لگاریتم – لگاریتمی نام گرفته‌اند.
از مهمترین ویژگی این دسته از مدل‌ها آن است که در ضرایب زاویه و کشش یکی هستند، بهطوریکه ضرایب هر یک از متغیرهای توضیحی در مدل، کشش Y را نسبت به X یا درصد تغییر در Y را به ازای یک درصد تغییر در X اندازه می‌گیرد.
شکل کلی مدل بهصورت رابطه (۲-۱) است.
(۲-۱) LnYi = α + β۲Ln Xi + Ui
که Ln مبین لگاریتم طبیعی است و ۱α = Ln β است.

  1. مدل‌های نیمه لگاریتمی[۱۷] (Log-Lin و Lin-Log)

در این دسته از مدل‌ها تنها یکی از از دو متغیر Y و X در شکل لگاریتمی است که شامل دو مدل است.
اگر متغیر وابسته (Y) لگاریتمی باشد به آن Log-Lin گویند که در این دسته از مدل‌ها، ضریب زاویه ۲α، تغییر نسبی یا متناسب ثابت در Y را به ازاء تغییر شکل مطلق در X اندازه می‌گیرد.
(۲-۲) LnYi = α۱ + β۲ Xi + Ui
اگر توضیحی (X) لگاریتمی باشد به آن Lin-Log گویند که در این دسته از مدل‌ها، ضریب زاویه ۲β، تغییر مطلق در Y را به ازاء یک تغییر نسبی در X اندازه می‌گیرد.
(۲-۳) Yi = β۱ + β۲ Ln Xi + Ui

  1. مدل‌های معکوس

این دسته از مدل‌ها از نظر متغیر X غیرخطی است چون بهصورت معکوس در مدل وارد شده است ولی از نظر پارامترهای ۱β و ۲β خطی است و بنابراین یک مدل رگرسیون خطی است. مدل معکوس بهصورت رابطه (۲-۴) نشان داده میشود.
(۲-۴) Yi = β۱ + β۲ (۱/Xi) + Ui
این مدل ویژگی‌های زیر را دارا هستند: همچنانکه X بهطور نامحدود افزایش می‌یابد جزء (Xi/1) ۲β بهطرف صفر میل می‌کند بهطوریکه ۲β ثابت است و Y به طور مجانبی یا حدی به مقدار ۱β گرایش می‌یابد.
۲-۶ ماهیت تحلیل رگرسیونی
رگرسیون ابزار اصلی اقتصادسنجی است. بهطور کلی می‌توان گفت، تحلیل‌های رگرسیون به مطالعه‌ی وابستگی یک متغیر (متغیر وابسته[۱۸]) به یک یا چند متغیر دیگر (متغیر توضیحی[۱۹]) می‌پردازد که با تخمین یا پیش‌بینی مقدار متوسط یا میانگین مقادیر متغیر نوع اول در حالتی که مقادیر متغیر نوع دوم معلوم یا معین شده باشند (در نمونه‌گیری تکراری) صورت می‌پذیرد به عنوان مثال یک کارشناس اقتصادی امور کشاورزی در مطالعه‌ی وابستگی بازده یک محصول مثلاً گندم به دما، بارندگی، میزان نور و حاصلخیزی از تحلیل رگرسیونی استفاده می‌کند. بنابراین، یک تحلیل وابستگی می‌تواند پیشگویی یا پیش‌بینی متوسط بازده محصول را با توجه به اطلاعات مفروض در مورد متغیرهای توضیحی، میسر سازد. (نیرومند و دیگران، ۱۳۸۹: ۴۸)
۲-۷ ماهیت داده‌ها برای تحلیل رگرسیونی
صحت هر تحلیل اقتصادسنجی سرانجام به قابلیت دسترسی به داده‌های صحیح بستگی خواهد داشت. برای تحلیل‌های تجربی عموماً سه نوع داده قابل دسترسی است: (همان منبع، ۴۸)

  1. داده‌های سری‌های زمانی[۲۰]
  2. داده‌های مقطعی[۲۱]
  3. داده‌های مرکب[۲۲] یا تابلویی[۲۳]

داده‌های سری‌های زمانی: مقادیر یک یا چند متغیر که در طی یک دوره زمانی گردآوری می‌شوند ماننده داده‌های تولید ناخالص ملی (GNP)، اشتغال، بیکاری، عرضه‌ی پول و غیره که با نماد t نشان می‌دهند. چنین داده‌هایی می‌توانند در فواصل منظم زمانی مانند روزانه، هفتگی، ماهانه، فصل و سالانه گردآوری شوند. همچنین می‌توانند کمی (قیمت، درآمد و عرضه‌ی پول) یا کیفی (مرد و زن، شاغل و غیر شاغل، متأهل و مجرد، سفید و سیاه) باشند.
داده‌های مقطعی: مقادیر یک یا چند متغیر برای چند واحد (خانواده، بنگاه، ایالت) و یا مقادیر یک یا چند متغیر برای مورد نمونه‌ای (جمع‌آوری داده‌های نرخ تورم) در یک زمان مشخص (یکسان) را گویند که با نماد i نشان می‌دهند. مانند سرشماری پنج ساله جمعیت توسط مرکز آمار و غیره.
داده‌های مرکب یا تابلویی: عناصر هر دو دسته داده‌های مقطعی و سری‌های زمانی وجود دارد و در واقع این داده ترکیبی از داده‌های سری زمانی و مقطعی است که دارای ابعاد فضایی (مکانی) و زمانی است که با نماد t i نشان می‌دهند.
۲-۸ روششناسی رگرسیونی
تحلیل رگرسیونی در معنای وسیع کلمه با پیمودن مراحل زیر شکل میگیرد:
۱- بیان تئوری یا فرضیه.
۲- تعیین و تصریح مدل اقتصادسنجی بهمنظور آزمون تئوری.
۳- تخمین (مقادیر عددی) پارامترهای مدل انتخابی از داده‌های موجود.
۴- ارزیابی (استنتاج آماری)
۵- پیش‌بینی یا پیشنگری و تعمیم‌دهی.

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.