راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه ، فصل تجزیه و تحلیل یکی از مهم ترین بخش های پایان نامه است که در آن توانایی های منحصر به فرد تحقیق را نشان می دهید. به همین دلیل است که اغلب تا 40٪ از کل امتیاز را به خود اختصاص می دهد. با توجه به اهمیت این فصل، ایجاد مهارت های خود در تجزیه و تحلیل داده های پایان نامه ضروری است.

به طور معمول، بخش تجزیه و تحلیل خروجی از محاسبات، تفسیر نتایج به دست آمده و بحث در مورد این نتایج را در پرتو تئوری ها و شواهد تجربی قبلی ارائه می دهد. اغلب، این فصل تجزیه و تحلیل داده های کیفی را ارائه می دهد که نیازی به محاسبه ندارد. از آنجایی که انواع مختلفی از طراحی تحقیق وجود دارد، بیایید به هر نوع به صورت جداگانه نگاه کنیم.

راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه
راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه – تزیسمی

فهرست مطالب

پایان نامه چیست؟- راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

گزارش یا تحقیقی است که دانشجویان درباره یک موضوع خاص مرتبط به گرایش تحصیلی شان، برای دریافت مدرک تحصیلی این کار تحقیقی را انجام می دهند. موضوع پایان نامه نه تنها نباید تکراری باشد بلکه باید موضوعات جدید را مورد هدف قرار دهد، پس هر دانشجو موظف به نگارش پایان نامه با موضوع و محتوای جدید هست.
در بسیاری از متون از کلمه «پایان‌نامه» برای نوشتار پایان دوره کارشناسی یا کارشناسی ارشد و از کلمه «تز» یا «رساله» برای نوشتار پایان دوره دکتری استفاده می‌شود. تفاوت «تز» و «رساله دکتری» با پایان‌نامه دوره کارشناسی یا کارشناسی ارشد، جدید بودن و نوآوری پژوهش‌های انجام‌شده و همچنین حجم بیشتر این تحقیقات در دوره دکتری است. به عبارتی دیگر پایان‌نامه دوره کارشناسی یا کارشناسی ارشد گاهی می‌تواند ارائه نتایج پژوهشی توسعه گونه در مطالعات و تحقیقات پیشین باشد اما «تز» یا «رساله» لزوما باید نتایج حاصل از پژوهش ایده‌ای نوین یا ارائه راه حلی برای مسئله‌ای که تاکنون حل نشده بوده‌است، باشد.

راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

1. انواع تحقیق

موضوع پایان نامه ای که انتخاب کرده اید، به میزان قابل توجهی نحوه جمع آوری و تجزیه و تحلیل داده ها را نشان می دهد. برخی از موضوعات دلالت بر جمع آوری داده های اولیه دارند، در حالی که برخی دیگر را می توان با استفاده از داده های ثانویه بررسی کرد. انتخاب یک نوع داده مناسب نه تنها برای توانایی شما برای دستیابی به هدف و اهداف اصلی پایان نامه، بلکه بخش مهمی از فرآیند نگارش پایان نامه نیز حیاتی است، زیرا کل پروژه شما بر آن استوار است.

انتخاب مناسب ترین نوع داده برای پایان نامه شما ممکن است آنقدر که به نظر می رسد ساده نباشد. همانطور که به تحقیق خود ادامه می دهید، جزئیات و تفاوت های ظریف بیشتری را در ارتباط با این یا آن نوع داده کشف خواهید کرد. در برخی موارد، مهم است که تصمیم بگیرید که آیا طرح تحقیق کیفی را دنبال خواهید کرد یا طرح تحقیق کمی.

. تحقیق کیفی در مقابل تحقیقات کمی

تحقیقات کمی
داده های کمی هر داده عددی است که می تواند برای تجزیه و تحلیل آماری و دستکاری های ریاضی استفاده شود. از این نوع داده ها می توان برای پاسخ به سؤالات پژوهشی مانند «چند وقت؟»، «چقدر؟» و «چند؟» استفاده کرد. مطالعاتی که از این نوع داده‌ها استفاده می‌کنند، سؤالات «چه چیزی» را نیز مطرح می‌کنند (مثلاً عوامل تعیین‌کننده رشد اقتصادی چیست؟ بازاریابی تا چه اندازه بر فروش تأثیر می‌گذارد؟ و غیره).

مزیت داده های کمی این است که می توان آنها را تأیید کرد و به راحتی توسط محققان ارزیابی کرد. این امکان تکرار نتایج تحقیق را فراهم می کند. علاوه بر این، حتی داده های کیفی را می توان کمی سازی کرد و به اعداد تبدیل کرد. به عنوان مثال، استفاده از مقیاس لیکرت به محققان این امکان را می دهد که نه تنها درک و نگرش پاسخ دهندگان نسبت به پدیده های خاص را به درستی ارزیابی کنند، بلکه به هر پاسخ فردی کد اختصاص دهند و آن را برای تجزیه و تحلیل گرافیکی و آماری مناسب کنند. همچنین می توان پاسخ های بله/خیر را به متغیرهای ساختگی تبدیل کرد تا آنها را به صورت اعداد ارائه کرد. داده های کمی معمولاً با استفاده از نرم افزارهای تجزیه و تحلیل داده های پایان نامه مانند Eviews، Matlab، Stata، R و SPSS مورد تجزیه و تحلیل قرار می گیرند.

از سوی دیگر، محدودیت قابل توجه روش‌های صرفاً کمی این است که پدیده‌های اجتماعی مورد بررسی در علوم اقتصادی و رفتاری اغلب پیچیده هستند، بنابراین استفاده از داده‌های کمی امکان تحلیل کامل این پدیده‌ها را نمی‌دهد. به این معنا که داده‌های کمی را می‌توان از نظر وسعت و عمق در مقایسه با داده‌های کیفی محدود کرد، که ممکن است امکان توضیح بیشتر در زمینه مطالعه را فراهم کند.

داده های کیفی- راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه
مطالعاتی که از این نوع داده‌ها استفاده می‌کنند معمولاً سؤالات «چرا» و «چگونه» را می‌پرسند (مثلاً چرا بازاریابی رسانه‌های اجتماعی مؤثرتر از بازاریابی سنتی است؟ مصرف‌کنندگان چگونه تصمیمات خرید خود را می‌گیرند؟). این داده های اولیه غیر عددی است که عمدتاً توسط نظرات افراد مربوطه نمایش داده می شود.

داده‌های کیفی همچنین شامل هرگونه داده متنی یا تصویری (اینفوگرافیک) است که از گزارش‌ها، وب‌سایت‌ها و سایر منابع ثانویه جمع‌آوری شده است که شامل تعامل بین محقق و شرکت‌کنندگان انسانی نمی‌شود. نمونه هایی از استفاده از داده های کیفی ثانویه متون، تصاویر و نمودارهایی هستند که می توانید در تجزیه و تحلیل SWOT، تجزیه و تحلیل PEST، تجزیه و تحلیل 4Ps، تجزیه و تحلیل پنج نیروی پورتر، اکثر انواع تحلیل استراتژیک و غیره استفاده کنید. مقالات دانشگاهی، مجلات، کتاب ها و مقالات کنفرانس. همچنین نمونه هایی از داده های کیفی ثانویه هستند که می توانید در مطالعه خود از آنها استفاده کنید.

تجزیه و تحلیل داده های کیفی معمولاً بینش عمیقی در مورد پدیده یا موضوع مورد مطالعه ارائه می دهد زیرا پاسخ دهندگان در توانایی خود برای دادن پاسخ های دقیق محدود نیستند. برخلاف تحقیقات کمی، جمع‌آوری و تجزیه و تحلیل داده‌های کیفی برای استخراج حکایت‌ها، داستان‌ها، و توصیف‌ها و ارزیابی‌های طولانی مردم از محصولات، خدمات، ویژگی‌های سبک زندگی یا هر پدیده دیگری با پایان بازتر است. این به بهترین وجه در مطالعات اجتماعی از جمله مدیریت و بازاریابی استفاده می شود.

خلاصه کردن داده های کیفی همیشه ممکن نیست زیرا نظرات بیان شده توسط افراد چند وجهی است. این امر تا حدی تجزیه و تحلیل داده های پایان نامه را محدود می کند، زیرا همیشه امکان ایجاد پیوندهای علت و معلولی بین عواملی که به صورت کیفی ارائه می شوند وجود ندارد. به همین دلیل است که نتایج تحلیل کیفی به سختی قابل تعمیم است و مطالعات موردی که زمینه های بسیار محدودی را بررسی می کنند اغلب انجام می شود.
برای تجزیه و تحلیل داده های کیفی می توانید از ابزارهایی مانند nVivo و Tableau استفاده کنید.

راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه
راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه – تزیسمی
. تحقیقات اولیه در مقابل ثانویه

اطلاعات اولیه
داده های اولیه داده هایی هستند که قبل از تحقیق شما وجود نداشته اند و شما آنها را از طریق نظرسنجی یا مصاحبه برای فصل تجزیه و تحلیل داده های پایان نامه جمع آوری می کنید. مصاحبه ها این فرصت را برای شما فراهم می کند تا اطلاعات دقیقی از شرکت کنندگان در صنعت در مورد شرکت، مشتریان یا رقبای خود جمع آوری کنید. بررسی های پرسشنامه ای امکان به دست آوردن حجم زیادی از داده ها را از یک جمعیت قابل توجه به روشی مقرون به صرفه فراهم می کند. داده های اولیه معمولاً داده های مقطعی هستند (یعنی داده هایی که در یک نقطه از زمان از پاسخ دهندگان مختلف جمع آوری می شوند). سری های زمانی به ندرت یا تقریباً هرگز در داده های اولیه یافت نمی شوند. با این وجود، بسته به اهداف و اهداف تحقیق، طرح‌های معینی از ابزارهای جمع‌آوری داده‌ها به محققین اجازه می‌دهد تا یک مطالعه طولی انجام دهند.

داده های ثانویه
این داده ها قبلاً قبل از تحقیق وجود دارند، زیرا قبلاً برای اهدافی غیر از اهداف مطالعه شما در منابع رسمی تولید، پالایش، خلاصه شده و منتشر شده اند. داده های ثانویه اغلب در مقایسه با داده های اولیه دارای مشروعیت بیشتری هستند و می توانند به محقق کمک کنند تا داده های اولیه را تأیید کند. این داده های جمع آوری شده از پایگاه های داده یا وب سایت ها است. شرکت کنندگان انسانی را شامل نمی شود. این می تواند هم داده های مقطعی (به عنوان مثال یک شاخص برای کشورها/شرکت های مختلف در یک نقطه از زمان) و هم سری زمانی (مثلاً یک شاخص برای یک شرکت/کشور برای چندین سال) باشد. ترکیبی از داده های مقطعی و داده های سری زمانی، داده های تابلویی است. بنابراین، تنها کاری که یک محقق باید انجام دهد این است که داده هایی را بیابد که برای دستیابی به اهداف تحقیق مناسب ترین باشد.

نمونه هایی از داده های کمی ثانویه قیمت سهام هستند. اطلاعات حسابداری مانند سود، کل دارایی، درآمد و غیره؛ متغیرهای کلان اقتصادی مانند تولید ناخالص داخلی، تورم، بیکاری، نرخ بهره و غیره؛ متغیرهای اقتصاد خرد مانند سهم بازار، نسبت تمرکز و … بر این اساس، موضوعات پایان نامه که به احتمال زیاد از داده های کمی ثانویه استفاده خواهند کرد، پایان نامه های FDI، پایان نامه های ادغام و اکتساب، مطالعات رویداد، پایان نامه های رشد اقتصادی، پایان نامه های تجارت بین الملل، پایان نامه های حاکمیت شرکتی است.

دو محدودیت اصلی داده های ثانویه به شرح زیر است. اولاً، داده‌های ثانویه رایگان در دسترس ممکن است کاملاً با اهداف مطالعه شما مطابقت نداشته باشند، بنابراین مجبور خواهید بود داده‌های اولیه را جمع‌آوری کنید یا اهداف تحقیق را تغییر دهید. دوم، همه داده های ثانویه با کیفیت بالا به رایگان در دسترس نیستند. منابع خوب داده های مالی مانند WRDS، Thomson Bank Banker، Compustat و Bloomberg همگی دسترسی پیش پرداختی را مشخص می کنند که ممکن است برای یک محقق مقرون به صرفه نباشد.

. تحقیق کمی یا کیفی… یا هر دو؟

هنگامی که هدف و اهداف تحقیق خود را فرموله کردید و مرتبط ترین ادبیات در زمینه خود را بررسی کردید، باید تصمیم بگیرید که آیا به داده های کیفی یا کمی نیاز دارید.

اگر می خواهید رابطه بین متغیرها را آزمایش کنید یا فرضیه ها و نظریه ها را در عمل بررسی کنید، بهتر است بر جمع آوری داده های کمی تمرکز کنید. روش‌های مبتنی بر این داده‌ها نتایج قطعی و خشکی را ارائه می‌کنند و زمانی که نیاز دارید حجم زیادی از داده‌ها را به شیوه‌ای مقرون‌به‌صرفه به دست آورید، بسیار مؤثر هستند. روش دیگر، تحقیقات کیفی به شما کمک می کند معانی، تجربه، باورها، ارزش ها و سایر روابط غیر عددی را بهتر درک کنید.

در حالی که استفاده از روش کمی یا کیفی کاملاً اشکالی ندارد، استفاده از آنها با هم به شما امکان می دهد از یک نوع داده با نوع دیگری از داده ها نسخه پشتیبان تهیه کنید و موضوع خود را عمیق تر تحقیق کنید. با این حال، توجه داشته باشید که استفاده از روش‌های کیفی و کمی در ترکیب می‌تواند زمان و تلاش بسیار بیشتری نسبت به برنامه‌ریزی اولیه شما ببرد.

2. انواع تحلیل- راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

. تجزیه و تحلیل آماری پایه

نوع تجزیه و تحلیل آماری که برای فصل نتایج و یافته‌ها انتخاب می‌کنید بستگی به میزانی دارد که می‌خواهید داده‌ها را تجزیه و تحلیل کنید و یافته‌های خود را خلاصه کنید. اگر در موضوعات کمی تحصیل نکنید، اما در رشته علوم اجتماعی پایان نامه بنویسید، تجزیه و تحلیل آماری پایه کافی خواهد بود. چنین تحلیلی بر اساس آمار توصیفی مانند میانگین، میانه، انحراف معیار و واریانس است. سپس می‌توانید با نمایش توزیع متغیرها در قالب نمودارها و نمودارها، تحلیل آماری را با اطلاعات بصری تقویت کنید. با این حال، اگر در یک موضوع کمی مانند حسابداری، اقتصاد یا امور مالی تخصص دارید، ممکن است نیاز به استفاده از تجزیه و تحلیل آماری پیشرفته‌تری داشته باشید.

. تجزیه و تحلیل آماری پیشرفته

برای اجرای یک تحلیل پیشرفته، به احتمال زیاد به نرم افزارهای آماری مانند Matlab، R یا Stata نیاز خواهید داشت. هر برنامه ای را که برای ادامه انتخاب می کنید، مطمئن شوید که به درستی در تحقیقات شما مستند شده است. علاوه بر این، استفاده از یک تکنیک آماری پیشرفته تضمین می کند که شما تمام جنبه های ممکن داده های خود را تجزیه و تحلیل می کنید. به عنوان مثال، تفاوت بین تحلیل رگرسیون پایه و تجزیه و تحلیل در سطح پیشرفته این است که شما باید آزمایش‌های اضافی و کاوش‌های عمیق‌تر مشکلات آماری را با مدل خود در نظر بگیرید. همچنین، باید تمرکز خود را بر روی سؤال و اهداف تحقیق خود نگه دارید زیرا عمیق تر شدن در جزئیات آماری ممکن است شما را از هدف اصلی منحرف کند. در نهایت، هدف پایان نامه شما یافتن پاسخ به سوالات تحقیقی است که تعریف کرده اید.

یکی دیگر از جنبه های مهمی که در اینجا باید در نظر گرفت این است که بخش نتایج و یافته ها تماماً در مورد اعداد نیست. جدا از جداول و نمودارها، اطمینان از اینکه تفسیر یافته های آماری شما دقیق و همچنین برای کاربران جذاب است نیز مهم است. چنین ترکیبی از نرم افزارهای آماری پیشرفته به همراه یک بحث متنی متقاعد کننده، کمک زیادی به اطمینان از استقبال خوب پایان نامه شما می کند. اگرچه استفاده از چنین نرم‌افزارهای آماری پیشرفته‌ای ممکن است خروجی‌های مختلفی را در اختیار شما قرار دهد، اما باید مطمئن شوید که خروجی تجزیه و تحلیل را به درستی ارائه می‌کنید تا خوانندگان نتیجه‌گیری شما را درک کنند.

3. نمونه هایی از روش های تجزیه و تحلیل- راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

. مطالعه رویداد

برای مثال، اگر در حال مطالعه اثرات رویدادهای خاص بر قیمت دارایی های مالی هستید، ارزش دارد که روش مطالعه رویداد را در نظر بگیرید. رویدادهایی مانند ادغام و اکتساب، عرضه محصول جدید، گسترش به بازارهای جدید، اعلام درآمد و عرضه عمومی می‌توانند تأثیر عمده‌ای بر قیمت سهام و ارزش‌گذاری شرکت داشته باشند. مطالعات رویداد روش هایی هستند که برای اندازه گیری تأثیر یک رویداد خاص یا مجموعه ای از رویدادها بر ارزش بازار استفاده می شوند. مفهوم پشت این موضوع تلاش برای درک اینکه آیا بازده های ناگهانی و غیرعادی سهام را می توان به اطلاعات بازار مربوط به یک رویداد نسبت داد.

مطالعات رویداد بر اساس فرضیه بازار کارآمد است. بر اساس این تئوری، در یک بازار سرمایه کارا، تمام اطلاعات جدید و مرتبط بلافاصله در قیمت دارایی های مربوطه منعکس می شود. اگرچه این نظریه به طور کلی قابل اجرا نیست، اما موارد زیادی وجود دارد که در آنها صادق است. مطالعه رویداد مستلزم تجزیه و تحلیل گام به گام تاثیری است که یک اعلامیه خاص بر ارزش گذاری یک شرکت می گذارد. در شرایط عادی، بدون تأثیر رویداد تجزیه و تحلیل شده، فرض می شود که بازده مورد انتظار یک سهم با نرخ بدون ریسک، ریسک سیستماتیک سهام و حق بیمه مورد نیاز سرمایه گذاران تعیین می شود. این شرایط توسط مدل قیمت گذاری دارایی های سرمایه ای (CAPM) اندازه گیری می شود.

در اصل سه نوع اعلان وجود دارد که می تواند مطالعات رویداد را تشکیل دهد. اینها شامل اطلاعیه های شرکتی، اطلاعیه های اقتصاد کلان و همچنین رویدادهای نظارتی است. همانطور که از نام آن پیداست، اعلامیه‌های شرکتی می‌تواند شامل ورشکستگی، فروش دارایی، M&A، کاهش رتبه اعتباری، اعلامیه‌های سود و اعلام سود سهام باشد. این رویدادها معمولاً تأثیر عمده ای بر قیمت سهام دارند، زیرا آنها مستقیماً با شرکت در ارتباط هستند. اعلامیه های اقتصاد کلان می تواند شامل اطلاعیه های بانک مرکزی در مورد تغییرات نرخ بهره، اعلام پیش بینی های تورم و پیش بینی های رشد اقتصادی باشد. در نهایت، اطلاعیه های نظارتی مانند تغییر سیاست ها و اعلام قوانین جدید نیز می تواند بر قیمت سهام شرکت ها تأثیر بگذارد و بنابراین می توان با استفاده از روش مطالعات رویداد اندازه گیری کرد.

یک مسئله مهم در مطالعات رویداد، انتخاب پنجره رویداد مناسب است که در طی آن اعلامیه های تحلیل شده قوی ترین اثر را بر قیمت سهام ایجاد می کنند. با توجه به فرضیه بازار کارآمد، هیچ بازده غیرعادی معنی‌داری از نظر آماری مرتبط با هیچ رویدادی انتظار نمی‌رود. با این حال، در واقعیت، ممکن است قبل از اعلام رسمی شایعاتی وجود داشته باشد و برخی سرمایه گذاران ممکن است بر اساس چنین شایعاتی عمل کنند. علاوه بر این، سرمایه گذاران ممکن است در زمان های مختلف به دلیل تفاوت در سرعت پردازش اطلاعات و واکنش واکنش نشان دهند. برای در نظر گرفتن همه این عوامل، پنجره های رویداد معمولاً یک دوره کوتاه قبل از اعلام را برای توضیح شایعات و یک دوره نامتقارن بعد از اعلام را ثبت می کنند.

به منظور قوی‌تر و معنادارتر کردن مطالعات رویدادها، تعداد زیادی از موارد مشابه یا مرتبط مورد تجزیه و تحلیل قرار می‌گیرند. سپس بازده غیرعادی انباشته شده و اهمیت آماری آنها ارزیابی می شود. آماره t اغلب برای ارزیابی اینکه آیا میانگین بازده غیرعادی متفاوت از صفر است یا خیر استفاده می شود. بنابراین، محققانی که از مطالعات رویداد استفاده می‌کنند، نه تنها به اثرات مثبت یا منفی رویدادهای خاص، بلکه به تعمیم نتایج و اندازه‌گیری اهمیت آماری بازده‌های غیرعادی نیز توجه دارند.

راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه
راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه – تزیسمی
. تجزیه و تحلیل رگرسیون- راهنمای کامل برای تجزیه و تحلیل داده های پایان نامه

تجزیه و تحلیل رگرسیون یک روش ریاضی است که برای تعیین اینکه چگونه متغیرهای کاوش شده به هم مرتبط هستند، استفاده می شود. به طور خاص می توان به سوالات زیر پاسخ داد. کدام عوامل موثرترین هستند؟ کدام یک را می توان نادیده گرفت؟ عوامل چگونه با یکدیگر تعامل دارند؟ و سوال اصلی این است که یافته ها چقدر قابل توجه هستند؟

نوعی که اغلب در مطالعات پایان نامه استفاده می شود، تحلیل رگرسیون حداقل مربعات معمولی (OLS) است که پارامترهای روابط خطی بین متغیرهای بررسی شده را ارزیابی می کند. به طور معمول، سه شکل از تجزیه و تحلیل OLS استفاده می شود.

تجزیه و تحلیل طولی زمانی اعمال می شود که یک شی منفرد با چندین ویژگی در یک دوره زمانی طولانی بررسی شود. در این مورد، مشاهدات نشان دهنده تغییرات همان ویژگی ها در طول زمان است. نمونه هایی از نمونه های طولی پارامترهای کلان اقتصادی در یک کشور خاص، ترجیحات و تغییرات در ویژگی های سلامتی افراد خاص در طول زندگی آنها و غیره است. شهرها در یک لحظه خاص از زمان شباهت اصلی بین مطالعات طولی و مقطعی این است که داده ها در یک بعد، یعنی در طول دوره های زمانی (روزها، هفته ها، سال ها) یا در سراسر اشیاء هستند.

با این حال، اغلب موردی است که ما نیاز به بررسی داده هایی داریم که در دو بعد تغییر می کنند، هم در بین اشیا و هم در دوره های زمانی. در این مورد، باید از تحلیل رگرسیون پانل استفاده کنیم. تمایز اصلی آن از دو مورد ذکر شده در بالا این است که مشخصات هر شی (شخص، شرکت، کشور) در نظر گرفته شده است.

مراحل متداول تحلیل رگرسیون به شرح زیر است:

. با آمار توصیفی داده ها شروع کنید. این کار برای نشان دادن دامنه مشاهدات داده های موجود در نمونه و شناسایی نقاط پرت بالقوه انجام می شود. یک روش معمول این است که برای جلوگیری از تحریف نتایج تجزیه و تحلیل، از شر موارد پرت خلاص شوید.
. چند خطی بودن بالقوه را تخمین بزنید. این پدیده با همبستگی قوی بین متغیرهای توضیحی مرتبط است. چند خطی بودن یک ویژگی نامطلوب نمونه است زیرا نتایج رگرسیون، به ویژه اهمیت متغیرهای خاص، ممکن است تحریف شود. هنگامی که چند خطی تشخیص داده شد، ساده ترین راه برای حذف آن حذف یکی از متغیرهای همبسته است.
. رگرسیون ها را اجرا کنید. ابتدا، اهمیت کلی مدل با استفاده از آماره F برآورد می شود. پس از آن، معناداری ضریب متغیر خاص با استفاده از آماره t ارزیابی می شود.
. آزمایش های تشخیصی را فراموش نکنید. آنها برای شناسایی عیوب بالقوه نمونه که می تواند بر نتایج رگرسیون تأثیر بگذارد، انجام می شود.

برخی از تفاوت های ظریف باید ذکر شود. هنگامی که یک تحلیل رگرسیون سری زمانی OLS انجام می شود، انجام یک باتری کامل از تست های تشخیصی از جمله آزمون خطی بودن امکان پذیر است (رابطه بین متغیرهای مستقل و وابسته باید خطی باشد). homoscedasticity (باقیمانده های رگرسیون باید واریانس یکسانی داشته باشند). استقلال مشاهدات؛ نرمال بودن متغیرها؛ همبستگی سریال (نباید الگوی در یک سری زمانی خاص وجود داشته باشد). این تست ها برای مدل های رگرسیون طولی در اکثر ابزارهای نرم افزاری مانند Eviews و Stata موجود است.

. خودرگرسیون برداری

مدل خودرگرسیون برداری (VAR) مدلی است که اغلب در تجزیه و تحلیل آماری استفاده می‌شود، که روابط متقابل بین چندین متغیر را که همگی درون‌زا هستند بررسی می‌کند. بنابراین یک ویژگی خاص این مدل این است که مقادیر تاخیری متغیرهای به کار گرفته شده را به عنوان رگرسیون در بر می گیرد. این اجازه می دهد تا نه تنها اثرات آنی، بلکه اثرات پویا در روابط تا n تاخیر را نیز تخمین بزنیم.

در واقع، یک مدل VAR از k معادلات رگرسیون OLS تشکیل شده است که k تعداد متغیرهای استفاده شده است. هر معادله متغیر وابسته خود را دارد در حالی که متغیرهای توضیحی مقادیر تاخیری این متغیر و سایر متغیرها هستند.

. انتخاب طول تاخیر بهینه
معیارهای اطلاعاتی (IC) برای تعیین طول تاخیر بهینه استفاده می شود. رایج ترین آنها معیارهای آکایک، هانا-کوین و شوارتز هستند.

. تست ثابت بودن
یک روش پرکاربرد برای تخمین ثابت بودن، آزمون دیکی-فولر افزوده و آزمون فیلیپس-پرون است. اگر متغیری غیر ثابت است، اولین تفاوت باید گرفته شود و از نظر ثابت بودن به همان روش آزمایش شود.

. آزمون همگرایی
متغیرها ممکن است غیر ثابت باشند اما به یک ترتیب یکپارچه شده باشند. در این مورد، آنها را می توان با یک مدل تصحیح خطای برداری (VECM) به جای VAR تجزیه و تحلیل کرد. آزمون هم انباشتگی یوهانسن برای بررسی اینکه آیا متغیرهای ادغام شده با یک مرتبه یک بردار (بردار) یکپارچه مشترک دارند یا خیر انجام می شود. اگر متغیرها هم انباشته باشند، VECM به جای مدل VAR در تحلیل زیر اعمال می شود. VECM برای سری های غیر ثابت غیر تبدیل شده اعمال می شود در حالی که VAR با ورودی های تبدیل شده یا ثابت اجرا می شود.

. تخمین مدل
یک مدل VAR با تعداد تأخیرها و ضرایب انتخاب شده با خطاهای استاندارد اجرا می‌شود و آمار t مربوطه برای ارزیابی اهمیت آماری محاسبه می‌شود.

تست های تشخیصی
در مرحله بعد، مدل برای همبستگی سریال با استفاده از آزمون بروش-گادفری، برای ناهمسانی با استفاده از آزمون بروش-پاگان و برای پایداری مورد آزمایش قرار می‌گیرد.

. توابع پاسخ ضربه ای (IRF)
IRF ها برای نمایش گرافیکی نتایج یک مدل VAR و نمایش اثرات متغیرها بر روی یکدیگر استفاده می شوند.

. آزمون علیت گرنجر
متغیرها ممکن است به هم مرتبط باشند، اما ممکن است هیچ رابطه علّی بین آنها وجود نداشته باشد، یا اثر ممکن است دوطرفه باشد. آزمون گرنجر ارتباط علّی بین متغیرها را نشان می‌دهد و جهت علیت را بر اساس تعامل مقادیر فعلی و گذشته یک جفت متغیر در سیستم VAR نشان می‌دهد.

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *