⏱ زمان مطالعه: 9 دقیقه
تحلیل آماری با ایویوز (EViews) یکی از ارکان اصلی پژوهش‌های تجربی در حوزه‌های علوم اقتصادی، مدیریت مالی، حسابداری و مهندسی صنایع است. این نرم‌افزار تخصصی با تمرکز بر داده‌های سری زمانی و تابلویی (پانل دیتا)، ابزارهایی را در اختیار پژوهشگر قرار می‌دهد که نرم‌افزارهایی مانند SPSS یا SmartPLS اساساً برای آن طراحی نشده‌اند. در نگارش فصل چهارم پایان‌نامه‌ها و مقالات علمی‌پژوهشی، پیاده‌سازی گام‌به‌گام آزمون‌های اقتصادسنجی در محیط ایویوز، ضامن اعتبار علمی نتایج و پذیرش آن‌ها در داوری‌های سخت‌گیرانه دانشگاهی است.
جایگاه نرم‌افزار ایویوز در پژوهش‌های تجربی و پایان‌نامه‌ها
پژوهش‌های دانشگاهی بسته به ماهیت فرضیه‌ها و ساختار داده‌ها، به ابزارهای متفاوتی نیاز دارند. زمانی که داده‌ها از نوع پرسشنامه‌ای باشند، نرم‌افزارهای تحلیل عاملی و مدل‌سازی معادلات ساختاری نظیر ایموس یا اسمارت پی‌ال‌اس به کار می‌آیند؛ اما هنگامی که متغیرها ماهیت تاریخی، روندی یا مقطعی در طول زمان دارند، تحلیل آماری با ایویوز وارد عمل می‌شود. هسته اصلی این نرم‌افزار بر پایه محاسبات اقتصادسنجی بنا شده و رابط کاربری منعطف آن امکان کدنویسی، تخمین معادلات تک‌متغیره و چندمتغیره، و ترسیم نمودارهای تحلیلی را فراهم می‌سازد.
یکی از دلایل ترجیح ایویوز در پژوهش‌های مالی و اقتصادی، توانایی بالای آن در مدیریت شکست‌های ساختاری، نوسان‌پذیری‌های شدید و الگوهای غیرخطی است. داده‌های بورس اوراق بهادار، متغیرهای کلان مانند نرخ ارز، تورم، نقدینگی و تولید ناخالص داخلی به دلیل همبستگی زمانی، نیازمند متدهایی هستند که فرضیات کلاسیک رگرسیون را با دقت بالا ارزیابی کنند. ایویوز این امکان را می‌دهد که محقق از گام نخست یعنی توصیف آماری، تا پیشرفته‌ترین مراحل تخمین الگوهای خودرگرسیون برداری را در بستری منسجم به انجام برساند.
مطلب مرتبط: سفارش پروپوزال علوم سیاسی
گام اول: ارزیابی مانایی و آزمون‌های ریشه واحد (Unit Root Tests)
ورود متغیرهای ناپایا به مدل رگرسیون خطی منجر به پدیده‌ای به نام رگرسیون کاذب (Spurious Regression) می‌شود. در رگرسیون کاذب، ضریب تعیین بالا و آماره t معنادار به دست می‌آید، در حالی که بین متغیرها هیچ ارتباط واقعی وجود ندارد و فقط روند مشترک زمانی باعث ایجاد همبستگی ظاهری شده است. مکانیزم پایایی ایجاب می‌کند که میانگین، واریانس و کوواریانس متغیر در طول زمان ثابت بماند تا نتایج تخمین قابل اتکا باشد.
برای تشخیص مانایی در ایویوز، آزمون‌های ریشه واحد متعددی تعبیه شده است که پرکاربردترین آن‌ها آزمون دیکی‌فولر تعمیم‌یافته (ADF) و فیلیپس-پرون (PP) هستند. تصمیم‌گیری بر اساس فرضیه صفر صورت می‌گیرد؛ فرضیه صفر در آزمون ADF بیانگر وجود ریشه واحد (ناپایایی) است. اگر مقدار احتمال محاسبه‌شده کمتر از سطح خطای پنج درصد باشد، فرضیه صفر رد شده و متغیر مانا در سطح تلقی می‌شود. در غیر این صورت، با یک‌بار تفاضل‌گیری مجدداً آزمون تکرار می‌شود تا درجه انباشتگی مشخص گردد.
به عنوان نمونه در یک پژوهش فرضی، محققی متغیر نرخ ارز و شاخص کل بورس را از سال ۱۳۹۰ تا ۱۴۰۲ وارد نرم‌افزار می‌کند. در سطح، مقدار احتمال آزمون دیکی‌فولر برای هر دو متغیر بالای ۰.۰۵ است که نشان‌دهنده ناپایایی است. پس از یک‌بار تفاضل‌گیری، مقدار احتمال به کمتر از ۰.۰۱ می‌رسد؛ بنابراین هر دو متغیر انباشته از درجه یک هستند. اشتباه متداول میان پژوهشگران این است که بدون توجه به رفتار متغیر (دارای عرض از مبدأ، روند زمانی یا هیچ‌کدام)، آزمون را اجرا می‌کنند. راهکار عملی، رسم اولیه نمودار خطی متغیر در ایویوز و مشاهده بصری روند داده‌ها پیش از تعیین فرمول آزمون ریشه واحد است.
مطلب مرتبط: رفع خطای هم خطی چندگانه در رگرسیون
گام دوم: تحلیل هم‌انباشتگی و مدل‌های خودهمبسته با وقفه‌های توزیعی (ARDL)
اگر متغیرهای پژوهش ناپایا باشند، تفاضل‌گیری گرچه آن‌ها را مانا می‌کند، اما اطلاعات ارزشمند مربوط به سطح متغیرها و ارتباط بلندمدت میان آن‌ها را از بین می‌برد. مفهوم هم‌انباشتگی (Cointegration) به این معناست که اگرچه تک‌تک متغیرها ممکن است روندی و ناپایا باشند، اما ترکیب خطی آن‌ها ماناست و نیرویی وجود دارد که آن‌ها را در بلندمدت به تعادل می‌رساند. روش‌های یوهانسن-جوسیلیوس و الگوی ARDL دو مسیر عمده برای بررسی این موضوع در ایویوز هستند.
روش ARDL زمانی مزیت ویژه پیدا می‌کند که درجه انباشتگی متغیرها یکسان نباشد؛ به این معنا که برخی متغیرها مانا در سطح و برخی دیگر مانا با یک‌بار تفاضل‌گیری باشند. آزمون کرانه‌ها (Bounds Test) در این الگو به محقق اجازه می‌دهد تا وجود رابطه تعادلی بلندمدت را تایید کند. ضابطه تصمیم در آزمون کرانه‌ها این است که آماره F محاسبه‌شده باید از حد بحرانی بالایی که نرم‌افزار ارائه می‌دهد بزرگ‌تر باشد تا وجود رابطه بلندمدت به اثبات برسد.
مطلب مرتبط: سفارش شبیه سازی دیگسایلنت
یکی از بخش‌های کلیدی در الگوی ARDL، تخمین مدل تصحیح خطا (ECM) است. ضریب این متغیر باید منفی و از نظر آماری معنادار باشد. علامت منفی نشان می‌دهد که عدم تعادل کوتاه‌مدت به سمت تعادل بلندمدت در حال تعدیل است. خطای شایعی که در پروپوزال‌ها و پایان‌نامه‌ها رخ می‌دهد، استفاده از مدل ARDL زمانی است که یکی از متغیرها انباشته از درجه دو باشد. این کار از نظر تئوری نقض آشکار فروض ARDL است و خروجی‌های به دست آمده فاقد ارزش علمی خواهد بود.
تحلیل داده‌های ترکیبی و پانل دیتا در ایویوز
داده‌های پانل (Panel Data) یا تابلویی شامل چندین مقطع (مانند شرکت‌های پذیرفته‌شده در بورس یا کشورهای مختلف) در طول چندین دوره زمانی هستند. این ساختار اطلاعاتی، واریانس و تنوع داده‌ها را افزایش داده و هم‌خطی میان متغیرها را به شدت کاهش می‌دهد. در ایویوز، ورود و چینش صحیح داده‌های پانل نیازمند تنظیم مناسب ساختار ورک‌فایل (Workfile) به صورت متوازن یا نامتوازن است.
- آزمون چاو (اف لیمر): این آزمون برای انتخاب میان روش داده‌های تلفیقی (Pooled OLS) و مدل اثرات تابلویی به کار می‌رود. اگر مقدار احتمال کمتر از ۰.۰۵ باشد، استفاده از مدل تلفیقی رد شده و ساختار تابلویی تایید می‌شود.
- آزمون هاسمن: در صورت تایید داده‌های تابلویی، این آزمون مشخص می‌کند که باید از الگوی اثرات ثابت (Fixed Effects) استفاده کرد یا اثرات تصادفی (Random Effects). تفاوت این دو در ارتباط یا عدم ارتباط اثرات فردی با متغیرهای توضیحی است.
- آزمون وابستگی مقطعی: برای اطمینان از اینکه شوک وارد شده به یک مقطع (مثلاً یک شرکت) روی سایر مقاطع اثر نگذارد، بررسی وابستگی مقطعی ضرورت دارد، به‌ویژه اگر بعد زمانی بزرگ باشد.
فرض کنید پژوهشگری عملکرد مالی ۱۰۰ شرکت دارویی را طی یک دوره ده ساله بررسی می‌کند. آزمون لیمر فرضیه همگن بودن مقاطع را رد می‌کند. سپس در آزمون هاسمن، مقدار آماره کای-دو به همراه مقدار احتمال کمتر از پنج درصد ظاهر می‌شود. نتیجه منطقی، استفاده از مدل اثرات ثابت است؛ زیرا متغیرهای نامشهود مختص هر شرکت (نظیر کیفیت مدیریت داخلی) با متغیرهای مستقل همبستگی دارند. اشتباه متداول در این بخش، عدم بررسی ناهمسانی واریانس مقطعی است که در صورت نادیده گرفتن، انحراف معیار ضرایب را کوچک‌تر از واقعیت نشان می‌دهد و باعث رد نادرست فرضیه‌های صفر می‌شود.
مطلب مرتبط: سفارش پروپوزال مهندسی کامپیوتر
آزمون‌های تشخیصی و صحه‌گذاری بر مفروضات کلاسیک رگرسیون
برآورد مدل تنها نیمی از مسیر است؛ نیم دیگر و چه بسا مهم‌تر، بررسی پسماندها و نقض نشدن فروض کلاسیک قضیه گوس-مارکف است. اگر این فروض نقض شوند، برآوردکننده‌های حداقل مربعات معمولی (OLS) دیگر بهترین برآوردکننده خطی نااریب نخواهند بود. در ایویوز منوی View و بخش Residual Diagnostics ابزارهای جامع برای ارزیابی این مفروضات را دارد.
آزمون همبستگی پیاپی یا خودهمبستگی با استفاده از آزمون بروچ-گادفری (LM Test) بررسی می‌شود. آماره دوربین-واتسون برای مرتبه اول مناسب است، اما آزمون LM وقفه‌های بالاتر را هم پوشش می‌دهد. برای ناهمسانی واریانس، آزمون‌های آرچ (ARCH) و وایت به کار می‌روند. اگر واریانس جملات اخلال ثابت نباشد، فاصله‌های اطمینان نامعتبر می‌شوند. همچنین آزمون جارک-برا برای نرمال بودن توزیع خطاها و آزمون رمزی ریست (Ramsey RESET) برای ارزیابی تصریح صحیح شکل تابعی مدل مورد استفاده قرار می‌گیرند.
مطلب مرتبط: تفاوت ایموس و اسمارت پی ال اس
در صورتی که ناهمسانی واریانس یا خودهمبستگی شناسایی شود، نیازی به حذف مدل نیست. ایویوز امکان استفاده از ماتریس واریانس-کوواریانس سازگار مانند روش وایت (White) یا روش نیوی-وست (HAC) را فراهم کرده است. با فعال‌سازی این گزینه‌ها در پنجره تخمین، خطاهای استاندارد تعدیل می‌شوند و استنباط آماری مجدداً دقیق و معتبر خواهد بود.
مدل‌های خانواده وار (VAR) و توابع عکس‌العمل آنی
زمانی که هیچ‌کدام از متغیرها به طور قطعی برون‌زا تلقی نشوند و ارتباط دوطرفه میان آن‌ها برقرار باشد، الگوی خودرگرسیون برداری (VAR) به عنوان رویکردی استاندارد در ایویوز پیاده‌سازی می‌شود. این الگو متغیرها را در قالب یک سیستم معادله همزمان تخمین می‌زند که در آن، هر متغیر تابعی از وقفه‌های خود و سایر متغیرهای سیستم است.
تعیین طول وقفه بهینه نخستین گام در مدل VAR است. ایویوز معیارهای آکائیک (AIC)، شوارتز بیزین (SC) و حنان-کوئین (HQ) را برای انتخاب مناسب‌ترین وقفه پیشنهاد می‌دهد. پس از برآورد مدل پایدار VAR، دو ابزار تحلیلی بسیار اثرگذار در دسترس محقق قرار می‌گیرد: توابع عکس‌العمل ضربه (Impulse Response Functions) و تجزیه واریانس خطای پیش‌بینی (Variance Decomposition). این ابزارها مشخص می‌کنند که اثر یک شوک استاندارد بر یک متغیر، طی دوره‌های آتی چگونه به سایر متغیرها سرایت می‌کند و سهم هر شوک در نوسانات سیستم چقدر است.
مطلب مرتبط: سفارش شبیه سازی سالیدورک
مقایسه ایویوز با سایر نرم‌افزارهای تحلیل آماری
انتخاب نرم‌افزار باید بر اساس متدولوژی تحقیق و خصوصیات آماری داده‌ها صورت گیرد. جدول زیر تفاوت‌های بنیادین ایویوز را با دیگر نرم‌افزارهای پراستفاده در نگارش پروپوزال و پایان‌نامه نشان می‌دهد:
| معیار مقایسه | EViews | SPSS | SmartPLS | Stata |
|---|---|---|---|---|
| نوع اصلی داده‌ها | سری زمانی و پانل دیتا | مقطعی و پرسشنامه‌ای | مقطعی (پیمایشی) | پانل، مقطعی و خرد |
| مدل‌سازی تخصصی | اقتصادسنجی کلان و مالی | آمار توصیفی و ناپارامتریک | معادلات ساختاری واریانس‌محور | میکرواکونومتریکس و پانل |
| بررسی ریشه واحد و ARDL | بسیار آسان و کامل | محدود و نیازمند ماژول | فاقد پشتیبانی | پشتیبانی کامل از طریق کد |
| سهولت تحلیل نوسان‌پذیری (GARCH) | طراحی اختصاصی با یک کلیک | بسیار ضعیف | فاقد پشتیبانی | نیازمند دستورات متنی |
پرسش‌های متداول در تحلیل آماری با ایویوز
اگر متغیرها در سطح مانا باشند، آیا می‌توان از آزمون هم‌انباشتگی استفاده کرد؟
خیر؛ هم‌انباشتگی ویژه متغیرهایی است که در سطح ناپایا هستند اما پس از تفاضل‌گیری مانا می‌شوند. اگر تمام متغیرها در سطح مانا باشند، تخمین مدل رگرسیون کلاسیک OLS بدون نیاز به آزمون‌های هم‌انباشتگی معتبر خواهد بود و رگرسیون کاذب رخ نمی‌دهد.
مطلب مرتبط: سفارش متدولوژی پایان نامه
تفاوت آزمون علیت گرنجر استاندارد با علیت در مدل‌های تصحیح خطا چیست؟
علیت گرنجر سنتی تنها رابطه علت و معلولی کوتاه‌مدت بین متغیرهای مانا را ردیابی می‌کند. در شرایطی که میان متغیرها هم‌انباشتگی تایید شده باشد، باید از مدل تصحیح خطای برداری (VECM) استفاده کرد که می‌تواند علیت کوتاه‌مدت و بلندمدت را همزمان تحلیل کند.
چرا در داده‌های پانل با وجود معناداری کلی مدل، آماره هاسمن گاهی منفی می‌شود؟
منفی شدن مقدار آزمون هاسمن خطای محاسباتی نرم‌افزار ناشی از عدم همگرایی ماتریس کوواریانس در نمونه‌های کوچک یا وجود هم‌خطی شدید است. در متون مرجع اقتصادسنجی پیشنهاد می‌شود که در این موارد، فرضیه اثرات تصادفی پذیرفته نشود و محقق مدل اثرات ثابت را مبنا قرار دهد.
چگونه طول وقفه بهینه در آزمون‌های ریشه واحد مشخص می‌شود؟
ایویوز به طور پیش‌فرض گزینه‌هایی مبتنی بر معیارهای اطلاعاتی نظیر شوارتز یا آکائیک دارد که بهینه‌ترین تعداد وقفه را برای حذف خودهمبستگی جملات اخلال آزمون برمی‌گزیند. پژوهشگر می‌تواند معیار را روی Schwarz Info Criterion تنظیم کند تا ساختاری با حداقل پارامترهای اضافی انتخاب گردد.
