مدل‌های رگرسیونی:پایان نامه درمورد پیش بینی واردات برنج

دانلود پایان نامه

اشکال تبعی مدل‌های رگرسیونی

این اشکال شامل مدل­های باکشش ثابت (لگاریتم دو­سویه) و مدل­های نیمه لگاریتمی است. حال به توضیح هرکدام از این مدل­ها می­پردازیم. (نوفرستی، 1376: 128)

  • مدل‌های با کشش ثابت (لگاریتم خطی[1]) یا لگاریتم لگاریتمی[2] (لگاریتم از دو سو[3])

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 (2-1)  است.

(2-1)                                                                      LnYi = α + β2Ln Xi + Ui

 

که  Ln مبین لگاریتم طبیعی است و 1α = Ln β است.

  • مدل‌های نیمه لگاریتمی[4] (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 2α، تغییر نسبی یا متناسب ثابت در Y را به ازاء تغییر شکل مطلق در X اندازه می‌گیرد.

(2-2)                                                                         LnYi = α1 + β2 Xi + Ui

اگر توضیحی (X) لگاریتمی باشد به آن Lin-Log گویند که در این دسته از مدل‌ها، ضریب زاویه 2β، تغییر مطلق در Y را به ازاء یک تغییر نسبی در X اندازه می‌گیرد.

(2-3)                                                                        Yi = β1 + β2 Ln Xi + Ui

  • مدل‌های معکوس

این دسته از مدل‌ها از نظر متغیر X غیرخطی است چون به­صورت معکوس در مدل وارد شده است ولی از نظر پارامترهای 1β و 2β خطی است و بنابراین یک مدل رگرسیون خطی است. مدل معکوس به­صورت رابطه (2-4) نشان داده می­شود.

(2-4)                                                                         Yi = β1 + β2 (1/Xi) + Ui

این مدل ویژگی‌های زیر را دارا هستند: هم­چنان­که X به­طور نامحدود افزایش می‌یابد جزء (Xi/1) 2β به­طرف صفر میل می‌کند به­طوری­که 2β ثابت است و Y به طور مجانبی یا حدی به مقدار 1β گرایش می‌یابد.

 

2-6  ماهیت تحلیل رگرسیونی

رگرسیون ابزار اصلی اقتصادسنجی است. به­طور کلی می‌توان گفت، تحلیل‌های رگرسیون به مطالعه‌ی وابستگی یک متغیر (متغیر وابسته[5]) به یک یا چند متغیر دیگر (متغیر توضیحی[6]) 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، 1389: 48)

[1] . log-Linear

[2] . Log-Log

[3] . Double-Log

[4] . Semi-Log models

[5] . Dependent – Variables

[6] . Explanatory – Variables

دانلود پایان نامه
این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.