انواع روش های آنالیز آماری در اقتصادسنجی

اقتصادسنجی مجموعه‌ای از تکنیک‌های آماری و ریاضی هستند که برای بررسی روابط اقتصادی، اندازه‌گیری اثر متغیرها، پیش‌بینی روندها و آزمون فرضیه‌های اقتصادی به کار می‌روند. از مهم‌ترین روش‌های تحلیل در اقتصادسنجی می‌توان به رگرسیون خطی، رگرسیون چندگانه، روش حداقل مربعات معمولی (OLS)، تحلیل سری زمانی، داده‌های تابلویی (Panel Data)، رگرسیون لجستیک، مدل‌های ARIMA و آزمون‌های اقتصادسنجی اشاره کرد.

انتخاب روش مناسب به نوع داده، هدف پژوهش، تعداد متغیرها، ماهیت رابطه میان متغیرها و مفروضات آماری بستگی دارد. در این مقاله از آکادمی ساپتز، مهم‌ترین روش‌های آنالیز آماری در اقتصادسنجی، کاربرد هر روش و معیارهای انتخاب تکنیک مناسب را بررسی می‌کنیم.

آنالیز آماری در اقتصادسنجی چیست؟

آنالیز آماری در اقتصادسنجی به مجموعه روش‌هایی گفته می‌شود که با استفاده از آمار، ریاضیات و داده‌های اقتصادی، روابط میان متغیرها را شناسایی و اندازه‌گیری می‌کنند.

اقتصادسنجی در واقع تلاش می‌کند مفاهیم و نظریه‌های اقتصادی را با استفاده از داده‌های واقعی آزمون، اندازه‌گیری و پیش‌بینی کند. برای مثال، اگر پژوهشگر بخواهد بررسی کند که افزایش درآمد چه اثری بر میزان مصرف خانوار دارد، می‌تواند از یک مدل رگرسیون استفاده کند.

به‌صورت ساده، فرآیند تحلیل اقتصادسنجی معمولاً شامل مراحل زیر است:

1. تعریف مسئله و سؤال پژوهش
2. شناسایی متغیرهای وابسته و مستقل
3. جمع‌آوری و آماده‌سازی داده‌ها
4. انتخاب مدل اقتصادسنجی مناسب
5. برآورد پارامترهای مدل
6. انجام آزمون‌های آماری و تشخیصی
7. تفسیر ضرایب و نتایج
8. بررسی اعتبار و برازش مدل
9. ارائه نتیجه‌گیری و پیشنهادهای پژوهش

بنابراین، انتخاب روش آماری مناسب یکی از مهم‌ترین مراحل انجام یک پژوهش اقتصادسنجی است.

مهم‌ترین انواع روش‌های آنالیز آماری در اقتصادسنجی

روش‌های اقتصادسنجی را نمی‌توان به یک تکنیک خاص محدود کرد. نوع تحلیل بر اساس ساختار داده و هدف پژوهش انتخاب می‌شود.

۱. تحلیل رگرسیون خطی

رگرسیون خطی یکی از پرکاربردترین روش‌های تحلیل آماری در اقتصادسنجی است. در این روش تلاش می‌شود رابطه میان یک متغیر وابسته و یک یا چند متغیر مستقل برآورد شود.

در ساده‌ترین حالت، مدل رگرسیون خطی به شکل زیر بیان می‌شود:

Y = β₀ + β₁X + ε

در این رابطه، Y متغیر وابسته، X متغیر مستقل، β ضرایب مدل و ε جمله خطا است.

برای مثال، پژوهشگر می‌تواند رابطه میان سرمایه‌گذاری و نرخ بهره یا رابطه میان درآمد و مصرف خانوار را با استفاده از رگرسیون بررسی کند.

۲. رگرسیون چندگانه

زمانی که متغیر وابسته تحت تأثیر چند عامل قرار دارد، از رگرسیون چندگانه استفاده می‌شود.

برای مثال، قیمت مسکن ممکن است تحت تأثیر عواملی مانند درآمد خانوار، نرخ بهره، متراژ، موقعیت جغرافیایی و سن ساختمان باشد.

در چنین شرایطی، مدل می‌تواند چندین متغیر مستقل را هم‌زمان وارد تحلیل کند.

مزیت اصلی رگرسیون چندگانه این است که امکان بررسی اثر هر متغیر را با کنترل سایر متغیرهای موجود در مدل فراهم می‌کند.

۳. روش حداقل مربعات معمولی (OLS)

روش حداقل مربعات معمولی یا OLS یکی از مهم‌ترین روش‌های برآورد ضرایب در مدل‌های رگرسیونی است.

هدف OLS یافتن ضرایبی است که مجموع مربعات خطاهای مدل را حداقل کنند. این روش در بسیاری از مطالعات اقتصادسنجی به‌عنوان نقطه شروع تحلیل مورد استفاده قرار می‌گیرد.

با این حال، اعتبار نتایج OLS به برقرار بودن برخی مفروضات آماری وابسته است. بنابراین صرف اجرای رگرسیون کافی نیست و پژوهشگر باید مفروضات مدل را نیز بررسی کند.

۴. تحلیل سری زمانی

سری زمانی (Time Series) به داده‌هایی گفته می‌شود که در طول زمان ثبت شده‌اند؛ مانند نرخ تورم سالانه، نرخ ارز ماهانه، تولید ناخالص داخلی، قیمت سهام یا حجم صادرات.

در تحلیل سری زمانی، علاوه بر رابطه بین متغیرها، ترتیب زمانی مشاهدات نیز اهمیت دارد.

از مهم‌ترین موضوعات در تحلیل سری زمانی می‌توان به موارد زیر اشاره کرد:

• روند (Trend)
• نوسان‌های فصلی
• خودهمبستگی
• ایستایی
• شوک‌های اقتصادی
• پیش‌بینی مقادیر آینده

۵. مدل‌های AR و ARIMA

مدل‌های AR، MA و ARIMA از روش‌های شناخته‌شده در تحلیل و پیش‌بینی سری‌های زمانی هستند.

مدل AR از مقادیر گذشته متغیر برای توضیح مقدار فعلی استفاده می‌کند. مدل ARIMA نیز با ترکیب مؤلفه‌های خودرگرسیونی، تفاضل‌گیری و میانگین متحرک می‌تواند برای مدل‌سازی و پیش‌بینی بسیاری از سری‌های زمانی به کار رود.

برای مثال، در برخی مطالعات می‌توان از این مدل‌ها برای پیش‌بینی تورم، فروش، نرخ ارز یا شاخص‌های اقتصادی استفاده کرد.

۶. تحلیل داده‌های تابلویی (Panel Data)

داده‌های تابلویی یا Panel Data ترکیبی از داده‌های مقطعی و زمانی هستند.

فرض کنید عملکرد اقتصادی ۳۰ استان در یک دوره ۱۰ ساله بررسی شود. در این حالت، هم اطلاعات مربوط به واحدهای مختلف و هم تغییرات آنها در طول زمان در اختیار پژوهشگر قرار دارد.

از مدل‌های رایج داده‌های تابلویی می‌توان به موارد زیر اشاره کرد:

مدل اثرات ثابت (Fixed Effects)

در مدل اثرات ثابت، تفاوت‌های ثابت و مشاهده‌نشده میان واحدهای مورد بررسی در مدل کنترل می‌شوند.

مدل اثرات تصادفی (Random Effects)

در مدل اثرات تصادفی، تفاوت‌های میان واحدها به‌صورت مؤلفه‌ای تصادفی در نظر گرفته می‌شوند.

انتخاب میان اثرات ثابت و تصادفی باید بر اساس ماهیت داده و آزمون‌های مناسب، از جمله آزمون هاسمن، انجام شود.

۷. رگرسیون لجستیک

زمانی که متغیر وابسته ماهیت دوحالتی یا طبقه‌ای داشته باشد، رگرسیون خطی معمولاً انتخاب مناسبی نیست.

برای مثال، اگر هدف پژوهش بررسی احتمال ورشکستگی یا عدم ورشکستگی یک شرکت باشد، متغیر وابسته می‌تواند دو مقدار داشته باشد.

در چنین شرایطی، رگرسیون لجستیک (Logistic Regression) می‌تواند برای برآورد احتمال وقوع یک رویداد استفاده شود.

کاربردهای این روش در مطالعات اقتصادی شامل بررسی احتمال:

• ورشکستگی شرکت
• نکول وام
• بیکاری
• مشارکت در بازار کار
• خرید یا عدم خرید یک محصول

است.

۸. آزمون‌های ایستایی و ریشه واحد

یکی از موضوعات مهم در تحلیل سری‌های زمانی، بررسی ایستایی (Stationarity) است.

اگر یک سری زمانی ویژگی‌های آماری خود را در طول زمان حفظ نکند، استفاده مستقیم از آن در برخی مدل‌های رگرسیونی ممکن است نتایج گمراه‌کننده ایجاد کند.

برای بررسی ایستایی، آزمون‌هایی مانند:

• آزمون دیکی–فولر تعمیم‌یافته (ADF)
• آزمون فیلیپس–پرون (PP)
• آزمون KPSS

کاربرد دارند.

تشخیص ایستایی قبل از برآورد بسیاری از مدل‌های سری زمانی اهمیت زیادی دارد.

۹. آزمون هم‌انباشتگی و مدل تصحیح خطا

ممکن است چند متغیر اقتصادی در سطح خود نامانا باشند اما در بلندمدت رابطه تعادلی مشخصی با یکدیگر داشته باشند. در چنین شرایطی مفهوم هم‌انباشتگی (Cointegration) اهمیت پیدا می‌کند.

آزمون‌های هم‌انباشتگی به پژوهشگر کمک می‌کنند مشخص کند آیا بین متغیرهای اقتصادی یک رابطه بلندمدت وجود دارد یا خیر.

در صورت وجود رابطه هم‌انباشتگی، می‌توان از مدل‌هایی مانند مدل تصحیح خطا (ECM) برای بررسی هم‌زمان روابط کوتاه‌مدت و بلندمدت استفاده کرد.

۱۰. مدل VAR

مدل خودرگرسیون برداری (VAR) زمانی کاربرد دارد که چند متغیر اقتصادی به‌صورت پویا بر یکدیگر اثر بگذارند.

برای مثال، رابطه میان تورم، نرخ بهره و تولید ممکن است یک رابطه یک‌طرفه ساده نباشد و هر متغیر بر رفتار سایر متغیرها اثر بگذارد.

VAR امکان بررسی چنین روابط پویایی را فراهم می‌کند و در تحلیل‌های اقتصاد کلان و مطالعات سری زمانی کاربرد گسترده‌ای دارد.

آزمون علیت گرنجر

یکی از آزمون‌های مرتبط با مدل‌های VAR، آزمون علیت گرنجر (Granger Causality) است.

این آزمون بررسی می‌کند آیا اطلاعات گذشته یک متغیر می‌تواند به پیش‌بینی بهتر متغیر دیگر کمک کند یا خیر.

نکته مهم این است که «علیت گرنجر» الزاماً به معنای اثبات رابطه علت و معلولی به معنای فلسفی یا تجربی نیست؛ بلکه بیشتر به توان پیش‌بینی اطلاعات گذشته یک متغیر برای متغیر دیگر اشاره دارد.

آزمون‌های مهم در تحلیل اقتصادسنجی

پس از برآورد مدل، بررسی کیفیت و اعتبار آن اهمیت زیادی دارد. برخی از آزمون‌های رایج عبارت‌اند از:

آزمون معناداری ضرایب

آزمون t معمولاً برای بررسی معناداری یک ضریب مشخص استفاده می‌شود.

آزمون معناداری کلی مدل

آزمون F می‌تواند برای ارزیابی معناداری کلی مدل رگرسیون به کار رود.

ضریب تعیین R²

R² نشان می‌دهد چه بخشی از تغییرات متغیر وابسته توسط متغیرهای موجود در مدل توضیح داده می‌شود. البته R² به‌تنهایی معیار کافی برای قضاوت درباره مناسب بودن یک مدل اقتصادسنجی نیست.

آزمون ناهمسانی واریانس

در صورت وجود ناهمسانی واریانس (Heteroskedasticity)، واریانس جمله خطا در مشاهدات مختلف یکسان نیست. آزمون‌هایی مانند Breusch-Pagan و White می‌توانند برای بررسی این مسئله مورد استفاده قرار گیرند.

آزمون خودهمبستگی

در داده‌های سری زمانی، وجود ارتباط میان خطاهای دوره‌های مختلف می‌تواند نتایج استنباط آماری را تحت تأثیر قرار دهد. آزمون‌هایی مانند Durbin-Watson و Breusch-Godfrey برای بررسی خودهمبستگی کاربرد دارند.

آزمون چندهمخطی

چندهمخطی (Multicollinearity) زمانی رخ می‌دهد که متغیرهای مستقل مدل ارتباط خطی بالایی با یکدیگر داشته باشند. شاخص‌هایی مانند VIF می‌توانند برای بررسی این مشکل استفاده شوند.

چگونه روش مناسب آنالیز آماری در اقتصادسنجی را انتخاب کنیم؟

انتخاب روش تحلیل باید بر اساس ویژگی‌های پژوهش انجام شود و نمی‌توان یک روش واحد را برای تمام مطالعات اقتصادسنجی مناسب دانست.

بنابراین پیش از انتخاب روش، باید مشخص شود که نوع داده چیست، هدف پژوهش چیست و متغیر وابسته چه ماهیتی دارد.

نرم‌افزارهای پرکاربرد برای تحلیل اقتصادسنجی

برای اجرای روش‌های آماری و اقتصادسنجی، نرم‌افزارهای مختلفی مورد استفاده قرار می‌گیرند. از جمله:

• EViews برای تحلیل‌های اقتصادی و سری زمانی
• Stata برای تحلیل داده‌های مقطعی، تابلویی و اقتصادسنجی
• R برای تحلیل آماری و مدل‌سازی پیشرفته
• Python برای تحلیل داده، مدل‌سازی آماری و یادگیری ماشین
• SPSS برای برخی تحلیل‌های آماری و پژوهش‌های کمی

انتخاب نرم‌افزار باید متناسب با نوع داده، مدل مورد استفاده و سطح پیچیدگی تحلیل انجام شود.

اشتباهات رایج در آنالیز آماری اقتصادسنجی

یکی از اشتباهات رایج این است که پژوهشگر صرفاً بر اساس نام روش یا نرم‌افزار، مدل آماری را انتخاب کند. روش اقتصادسنجی باید از مسئله پژوهش و ساختار داده‌ها شروع شود، نه از نرم‌افزار.

از دیگر خطاهای رایج می‌توان به موارد زیر اشاره کرد:

• استفاده از رگرسیون بدون بررسی مفروضات آن
• بی‌توجهی به ایستایی داده‌های سری زمانی
• تفسیر R² به‌عنوان تنها معیار کیفیت مدل
• نادیده گرفتن خودهمبستگی و ناهمسانی واریانس
• انتخاب متغیرهای مستقل بدون مبنای نظری
• تفسیر همبستگی به‌عنوان رابطه علّی
• اجرای آزمون‌های متعدد بدون منطق نظری و روش‌شناختی
• گزارش نتایج نرم‌افزار بدون تفسیر اقتصادسنجی

یک تحلیل اقتصادسنجی معتبر باید علاوه بر ارائه خروجی نرم‌افزار، منطق انتخاب مدل، آزمون‌های تشخیصی و تفسیر اقتصادی نتایج را نیز توضیح دهد.

جمع‌بندی

انواع روش‌های آنالیز آماری در اقتصادسنجی ابزارهایی برای تبدیل داده‌های اقتصادی به شواهد قابل تحلیل و تصمیم‌گیری هستند. رگرسیون خطی و چندگانه، OLS، تحلیل سری زمانی، ARIMA، داده‌های تابلویی، رگرسیون لجستیک، VAR، آزمون‌های ایستایی، هم‌انباشتگی و مدل تصحیح خطا از مهم‌ترین روش‌هایی هستند که در پژوهش‌های اقتصادسنجی مورد استفاده قرار می‌گیرند.

انتخاب روش مناسب به هدف پژوهش، نوع متغیرها، ساختار داده‌ها، تعداد دوره‌های زمانی، وجود یا نبود رابطه بلندمدت و مفروضات آماری بستگی دارد. بنابراین، اجرای یک مدل در نرم‌افزارهایی مانند EViews، Stata، R یا Python به‌تنهایی به معنای انجام تحلیل اقتصادسنجی صحیح نیست؛ بلکه پژوهشگر باید بتواند روش مناسب را انتخاب، اعتبار مدل را بررسی و نتایج را از نظر آماری و اقتصادی تفسیر کند.

در پژوهش‌های دانشگاهی، انتخاب صحیح روش آنالیز آماری می‌تواند نقش تعیین‌کننده‌ای در اعتبار نتایج، آزمون فرضیه‌ها و کیفیت فصل چهارم پایان‌نامه یا مقاله علمی داشته باشد.