✍️ دکتر محمدرضا منجذب
t.me/drmonjazeb
🔹 یکی از مشکلات مهم محقق در تخمین مدل، معنادار نشدن ضریب یا ضرایب مدل و معنادار نشدن مدل در کل هست. همواره محققین در این حالت بدنبال علت یا علت ها هستند. شناسایی علت ها می تواند در مرتفع کردن مشکل بعضا کمک نماید. دلایل زیر در این خصوص اقامه می گردد:

❄️ اول، داده های جمع آوری شده دچار مشکل هستند و یا به اشتباه جمع آوری شده اند. بعنوان نمونه بسیاری از محققین داده اسمی را بجای حقیقی استفاده می کنند و بالعکس. یا اینکه از داده های مناسبی بعنوان پراکسی استفاده نمی کنند. یا اینکه مثلا از داده های غلط بعنوان تقاضا استفاده می کنند و الی آخر. در این خصوص لازم است داده های جمع آوری شده و ویژگی های آن مطابق تئوری و مقالات بیس باشند.
❄️ دوم، مدل و متغیرهای آن دارای بیس تئوری (قوی) نیست. در این حالت مدلی طراحی می شود و داده هایی به درستی استخراج می شوند، لیکن چون مبنای تئوری مدل ضعیف هست و یا وجود ندارد ، مدل معنادار نمی شود. در این خصوص لازم است دقت لازم بعمل آید تا مدلی طراحی گردد بر مبنای تئوری قوی و محرز، و مدل هایی که مبنای تئوریک ندارند کنار گذاشته شوند.
❄️ سوم، مدل دو مشکل قبلی را ندارد. یعنی هم بیس تئوری خوبی دارد و هم داده ها بدرستی استخراج شده اند. ولی طراحی مدل در تخمین مشکل دارد. بعبارت دیگر مدل تمام خطی در نظر گرفته شده است و تخمین خورده است و معنادار نیست یا ضعیف هست. علت این امر بخاطر این هست که رفتار مدل غیرخطی بوده و به اشتباه خطی تخمین خورده است. بعضا برخی مدل ها از مبنای تئوری غیرخطی برخوردارند مانند منحنی فیلیپس که باید بصورت منحنی هذلولی قائم طراحی شود و تخمین زده شود. یا اینکه تئوری در این خصوص ساکت هست، دراینصورت می توان از آزمون های مختلفی استفاده کرد و طراحی مدل را درست به نگارش درآورد. آزمون های چون ریست رمزی،. Mwd، نستد و نان نستد، و … .
❄️ چهارم، مشکلات قبلی بر مدل عارض نشده است ولی شکل متغیرها باید تغییر کند. مثلا در استفاده از قیمت حقیقی برق در مدل تقاضای برق به چند طریق میتوان در مدل استفاده کرد. از جمله شاخص قیمت برق تقسیم بر شاخص قیت، یا شاخص قیمت برق تقسیم بر شاخص قیمت گاز بعنوان کالای جایگزین و … . در این حالت بطور معمول باید حالتهای مختلف را طراحی کرد و در مدل بکار برد تا به پاسخ مطلوب رسید.
❄️ پنجم، با فرض اینکه مدل دچار مشکلات قبلی نباشد، احتمال اینکه از نظر مدلسازی اشکالات اقتصادسنجی بر مدل عارض شده باشد زیاد است. از جمله نداشتن فروض کلاسیک و غیره در مدل های سری زمانی (https://t.me/drmonjazeb/124)و یا پانل (https://t.me/drmonjazeb/132)که آزمونهای متفاوت دارند: همچون وجود خودهمبستگی، واریانس ناهمسانی، نرمال نبودن جملات خطا، حذف متغیر مهم یا وجود متغیر زائد، وجود همخطی و الی آخر. بطور معمول در این موارد بهتر از بررسی فروض کلاسیک کار را شروع کنیم و اگر در اینجا مشکلات مدل برطرف شد بسنده خواهیم کرد. در غیراینصورت سایر موارد را بررسی خواهیم کرد.
❄️ ششم، در صورتیکه با دقت لازم تمامی موارد بالا بررسی و لحاظ گردید، و سپس در مدل ضریبی معنادار نبود در اینصورت باید چنین نتیجه گرفت که این تئوری در کشور یا کشورهای مورد بررسی مصداق ندارد و این خود بعنوان یک نتیجه قابل گزارش است.

t.me/drmonjazeb