روش حداقل مربعات معمولی

روش حداقل مربعات معمولی

روش حداقل مربعات معمولی

4-3-3 کشش درآمدی و کشش قیمتی تابع تقاضای برق
کشش های قیمتی و درآمدی مدل AIDS به صورت زیر محاسبه می شود:
کشش درآمدی مدل (داوودی،1385) AIDS:
4- 10
کشش قیمتی خودی مدل (گرین، الستون،1990) AIDS:
4- 11
4-3-4 معیار تغییر جبرانی و معیار تغییر معادل
معیار تغییر جبرانی و تغییر معادل در مدل AIDS به صورت زیر محاسبه می شود:
معیار تغییر جبرانی مدل AIDS:
4- 12
معیار تغییر معادل مدل AIDS:
4- 13
4-4 برآورد مدل
در این پژوهش برای برآورد مدل و آزمون فرضیه ها از روش داده های ترکیبی استفاده شده است که در حالت کلی به شکل زیر است:
4- 14
در رابطه فوق نشان دهنده متغیر وابسته، متغیرهای توضیحی مشاهده شده و نشان دهنده متغیرهای توضیحی غیرقابل مشاهده اثرگذار بر متغیر وابسته برای هر مقطع است که برای توضیح بهتر، این دسته از متغیرها از مقادیر اجزا خطا جدا شده است. i نشان دهنده مقطع ها یا واحدهای مشاهده شده، t نشان دهنده ی دوره زمانی و j و p نشان دهنده تفاوت بین متغیرهای مشاهده نشده و مشاهده شده در مدل است. نماد نشانگر خطای برآورد داده های ترکیبی است که تمامی شرایط مربوط به جملات خطا تحت فرضیات گوس – مارکف را داراست. همچنین جمله روند نشان دهنده تغییرات جمله ثابت در طول زمان است.
این مدل به مدل داده های ترکیبی دو طرفه معروف است. به عبارتی دیگر، اگر جمله ثابت همراه با روند تغییر کند، روش داده های ترکیبی را روش دو طرفه میگویند. اگر جمله روند در مدل نباشد، این مدل به مدل تجزیه و تحلیل داده های ترکیبی یک طرفه معروف است. همچنین در صورت ثابت بودن تغییرات متغیرها در طول زمان، می توان به جای جمله روند از متغیرهای مجازی استفاده کرد. به این مدل، مدل حداقل مربعات متغیرهای مجازی ( LSDV ) گفته می شود.
از آنجا که متغیرهای Z قابل اندازه گیری نیستند ، می توان مجموع همه ی آن ها را به صورت یک متغیر نشان داد که در این صورت معادله 4-14 را می توان به صورت زیر بازنویسی کرد.
4- 15
که در آن مجموع تمامی متغیرهای اثرگذار بر متغیر مورد بررسی است که قابل اندازه گیری نیستند. اگر با هر کدام از متغیرهای توضیحی دیگر X وابسته باشد، برآورد و تحلیل از طریق این معادله، دارای تورش مربوط به متغیرهای برآورد نشده خواهد بود. حتی اگر اثر متغیرهای مشاهده نشده به هیچ کدام از متغیرهای توضیحی وابسته نباشد، وجود این متغیرها منجر به برآورد ناکارا و ناسازگار خطای تخمین خواهد شد. اما با استفاده از روش هایی مانند مدل اثر ثابت، مدل اثر تصادفی و مدل رگرسیون به ظاهر نامرتبط(SUR) در تخمین داده های ترکیبی سری زمانی-مقطعی، مشکل عدم کارایی و ناسازگاری تخمین وجود نخواهد داشت(حسن خانی، 1392).
اگر کل داده ها با یکدیگر ترکیب و با روش حداقل مربعات معمولی(OLS) تخمین زده شود، مدل داده های یکپارچه شده به دست می آید. به عبارتی دیگر، در بررسی داده های مقطعی و سری های زمانی، اگر ضرایب اثر مقطعی و اثر زمانی معنادار نشود، می توان داده ها را با یکدیگر ترکیب کرده و به وسیله یک رگرسیون حداقل مربعات معمولی تخمین زد. از آنجا که در اکثر داده های ترکیبی، اغلب ضرایب مقطع ها یا سری های زمانی معنی دار است، این مدل که به مدل رگرسیون ترکیب شده معروف است کمتر مورد استفاده قرار گرفته است( یافی، 2003، به نقل از زراءنژاد و انواری، 1384).
در رابطه با مدل های مورد استفاده در تحقیق حاضر می توان به طور ساده مدل های زیر را ارائه کرد:
مدل مخارج خطی
4- 16

 

مدیر

داغ ترین ها

No description. Please update your profile.

~~||~~Comments Are Closed~~||~~