مدل‌های اقتصادسنجی

✅ تدوین فصول اول، دوم، سوم و چهارم پایان نامه و رساله. دکتر علی حسین صمدی ✅کتاب اصول پایان نامه نویسی 💠 کانال مدل های اقتصادسنجی

🔵 با سلام. لینک کانال‌ها و گروه‌های مفید به شرح زیر است: ♦️کانال تخصصی اقتصاد ♦️کانال گفتار اقتصادی ♦️کانال مدل های اقتصادسنجی ♦️کانال دکتر محمدرضا منجذب ♦️رویدادهای اقتصادی ♦️کانال با اساتید اقتصاد ♦️ گروه تحلیل اقتصادی ♦️گروه ایویوز، استاتا و اقتصادسنجی ♦️ کانال تخصصی اقتصاد

✔️ MIDAS GARCH in EViews 💠کانال مدل های اقتصادسنجی

💠 JDemetra+ Seasonal Adjustment in EViews 🔴 کانال مدل های اقتصادسنجی

https://t.me/Economicspeech

✳️ Financial bubble testing in EViews 🔵 کانال مدل های اقتصادسنجی

⭕️ Quantile Autoregressive Distributed Lag (QARDL) in EViews مطلب مرتبط 👈 فایل های کوانتایل 🔶کانال مدل های اقتصادسنجی

❇️ تخمین مدل گارچ با استفاده از 👈 پایتون ❇️ اکسل داده ها و کد پایتون 🔶کانال مدل های اقتصادسنجی

❇️ اهمیت اقتصادسنجی در اقتصاد ❇️دکتر سیده فاطمه رزمی کارل پوپر، یکی از فیلسوفان بزرگ قرن بیستم، نظریه‌‌‌ها را مانند شبکه‌‌‌هایی می‌داند که درصدد هستند تا «جهان» را با عقلانی کردن و توضیح دادن دریابند. هر روزه شاهد هستیم که دانشمندان و محققان به دنبال کشف واقعیت با استفاده از نظریه‌ها هستند. در مورد اقتصاد نیز به دنبال کشف «واقعیت اقتصادی» با استفاده از تئوری‌های اقتصادی هستیم. رویکردهای متفاوتی در نظریه‌های اقتصادی وجود دارد (اقتصاد نئوکلاسیک، اقتصاد رفتاری، نهادگرایی، پساکینزی و...) و برای ارزیابی و برقرای ارتباط نیازمند ابزارها و روش‌های خاصی هستیم. اقتصادسنجی می‌تواند کمک موثری در رسیدن به این هدف باشد. واژه اقتصادسنجی (econometrics) از دو واژه econo (اقتصاد) و meter (سنجش) تشکیل شده است؛ به این معنی که با حوزه‌ای سروکار داریم که به اندازه‌گیری‌های اقتصادی می‌پردازد. اقتصادسنجی شاخه‌ای از علم اقتصاد است که روش‌های آماری، نظریه اقتصادی و مدل‌های ریاضی را برای تجزیه و تحلیل و درک پدیده‌های اقتصادی ترکیب می‌کند و به ابزار قدرتمندی تبدیل شده است که در پیش‌بینی روندهای اقتصادی آینده و در توسعه سیاست‌هایی که می‌تواند نتایج اقتصادی را بهبود بخشد، استفاده می‌شود. اقتصادسنجی به اقتصاددانان اجازه می‌دهد تا پارامترها را تخمین بزنند، نظریه‌ها را آزمایش کنند و براساس داده‌ها پیش‌بینی کنند. اقتصادسنجی برای مطالعه طیف گسترده‌ای از پدیده‌های اقتصادی مانند تورم، بیکاری، رشد اقتصادی و تجارت بین‌المللی استفاده شده است و در سال‌های اخیر به دلیل پیچیدگی روزافزون سیستم‌های اقتصادی و نیاز به پیش‌بینی‌‌‌ها و توصیه‌‌‌های سیاستی دقیق اهمیت بیشتری پیدا کرده است. مثلا برای تاثیر سیاست پولی یا مالی بر بخش‌های مختلف اقتصاد و در بخش اقتصاد بین‌الملل نیازمند استفاده از مدل‌های اقتصادسنجی هستیم. در اکثر تصمیم‌گیری‌ها یا انتخاب‌های اقتصادی، دانستن ارتباط بین متغیرهای اقتصادی خاص یا حتی جهت رابطه کافی نیست و باید مقدار و اهمیت مربوط به آن را نیز به دست بیاوریم. یعنی باید بتوانیم بگوییم تغییر یک متغیر چقدر بر متغیر دیگر تاثیر می‌گذارد. اقتصاد‌سنجی به «چقدر» پاسخ می‌دهد، یعنی به پارامترهای اقتصادی ناشناخته مقادیر می‌دهد و آنها را با تکنیک‌های ریاضی براساس داده‌های موجود محاسبه می‌کند. اقتصاد‌سنجی به تجزیه و تحلیل پدیده‌ها و نظریه‌های اقتصادی می‌پردازد و علاوه بر اندازه‌گیری، عمیق‌ترین تحلیل‌ها را از پدیده‌های اقتصادی انجام می‌دهد و مقایسه‌ها، تفسیرها و پیشنهادهایی را براساس ارقام به ما ارائه می‌دهد. تئوری اقتصادی مجموعه‌ای از فرضیه‌های کیفی را به ما ارائه می‌دهد، در حالی که اقتصاد‌سنجی ارزیابی‌های کمّی را نیز به این فرضیه‌ها ضمیمه می‌کند. مثلا رابطه بین تورم و بیکاری که به‌عنوان منحنی فیلیپس شناخته می‌شود می‌گوید که در شرایط استفاده کامل از عوامل تولید در اقتصاد، با کاهش بیکاری، انتظار می‌رود تورم افزایش یابد. اقتصادسنجی این گزاره‌‌‌های نظری را فرضیه می‌گیرد و براساس داده‌‌‌های مرتبط سعی در اثبات درستی یا نادرستی آنها دارد و با ارائه مبنای تجربی آنها را مدل‌‌‌سازی می‌کند و برای پدیده‌‌‌های مورد تحلیل به ما مقادیر کمّی می‌دهد. برای این منظور از مدل‌های مختلفی در اقتصادسنجی استفاده می‌شود. این مدل‌ها می‌توانند خطی یا غیر‌خطی باشند و می‌توانند متغیرها و معادلات متعددی را شامل شوند. به‌عنوان مثال، یک مدل رگرسیون خطی ساده ممکن است برای مطالعه رابطه بین درآمد و تحصیلات استفاده شود، در حالی که یک مدل پیچیده‌تر ممکن است برای مطالعه تاثیر متغیرهای متعدد بر رشد اقتصادی استفاده شود./دنیای اقتصاد 🔶کانال مدل های اقتصادسنجی

🔴 نرم افزار مناسب برای تخمین مدل GVAR ♦️برای تخمین مدل‌های GVAR (خودتوضیح برداری جهانی یا Global Vector Autoregressive)، از نرم‌افزارها و زبان‌های برنامه‌نویسی اقتصادسنجی مختلفی استفاده می‌شود. انتخاب نرم‌افزار بستگی به میزان تسلط شما به برنامه‌نویسی و نیازهای پژوهشتان دارد. در ادامه مهم‌ترین نرم‌افزارهایی که برای تخمین این مدل استفاده می‌شوند را معرفی می‌کنم: ۱. متلب (MATLAB) - استانداردترین و محبوب‌ترین ابزار رایج‌ترین نرم‌افزار برای تخمین مدل‌های GVAR، متلب است. دلیل این امر، وجود یک جعبه‌ابزار رسمی، قدرتمند و رایگان به نام GVAR Toolbox است. سازندگان: این جعبه‌ابزار توسط الساندرو گالسی (Alessandro Galesi) و ونسا اسمیت (L. Vanessa Smith) و با حمایت پروفسور محمدهاشم پسران (از مبدعان مدل GVAR) توسعه یافته است. مزیت اصلی: این تولباکس دارای یک رابط کاربری مبتنی بر نرم‌افزار اکسل (Excel) است؛ به این معنی که کاربر داده‌های خود را در اکسل وارد می‌کند و تنظیمات را از طریق یک منوی گرافیکی انجام می‌دهد. بنابراین نیاز به هیچ‌گونه دانش کدنویسی در متلب ندارید. ۲. نرم‌افزار R (متن‌باز و قدرتمند) زبان R به دلیل رایگان بودن و داشتن پکیج‌های آماری متنوع، دومین گزینه پرکاربرد برای این مدل است: پکیج BGVAR: یکی از معروف‌ترین و قوی‌ترین پکیج‌ها در R است که برای تخمین مدل‌های GVAR با رویکرد بیزی (Bayesian GVAR) استفاده می‌شود. این پکیج امکانات بسیار پیشرفته‌ای برای تحلیل توابع عکس‌العمل آنی (IRF) و پیش‌بینی دارد. پکیج MultiATSM: این پکیج نیز شامل توابعی برای تخمین پایه‌ای مدل‌های GVAR و VARX است. ۳. نرم‌افزار EViews (ای‌ویوز) نرم‌افزار EViews به صورت پیش‌فرض (Built-in) دستور مستقیمی به نام GVAR ندارد. از آنجا که ساختار مدل GVAR مبتنی بر برآورد مدل‌های VAR و تصحیح خطای برداری (VECM) برای هر کشور و سپس پیوند دادن آن‌ها از طریق یک ماتریس وزن (مثل وزن‌های تجاری) است، می‌توان آن را با کدنویسی در محیط EViews پیاده کرد. برخی افزونه‌ها (Add-ins) نیز توسط کاربران نوشته شده‌اند، اما از نظر جامعیت به پای GVAR Toolbox متلب نمی‌رسند. ۴. زبان پایتون (Python) در پایتون، برخلاف R و متلب، پکیج اختصاصی و مشهوری که تمام فرآیند GVAR را به صورت خودکار انجام دهد وجود ندارد. اقتصادسنجی‌دانان در پایتون معمولاً از کتابخانه statsmodels برای تخمین VAR/VECM استفاده می‌کنند و بخش ترکیب ماتریس‌های کشوری (مراحل دوم GVAR) را به صورت دستی با numpy و pandas برنامه‌نویسی می‌کنند. ۵. نرم‌افزار Stata (استتا) در استتا نیز شرایط تقریباً مشابه EViews است. استتا ابزارهای فوق‌العاده‌ای برای VAR و Panel VAR دارد، اما برای پیاده‌سازی کامل GVAR باید از دستورات پیشرفته برنامه‌نویسی ماتریسی (Mata) کمک گرفت. کدام را انتخاب کنیم؟ اگر می‌خواهید بدون درگیر شدن با کدنویسی پیچیده، مدل استاندارد GVAR را تخمین بزنید، مستقیماً به سراغ GVAR Toolbox در MATLAB بروید. اگر رویکرد مدل‌سازی شما بیزی (Bayesian) است یا می‌خواهید روی الگوریتم‌ها کنترل بیشتری داشته باشید، از زبان R (پکیج BGVAR) استفاده کنید. 💠 کانال مدل های اقتصادسنجی

🔵 با سلام. لینک کانال‌ها و گروه‌های مفید به شرح زیر است: ♦️کانال تخصصی اقتصاد ♦️کانال گفتار اقتصادی ♦️کانال مدل های اقتصادسنجی ♦️کانال دکتر محمدرضا منجذب ♦️رویدادهای اقتصادی ♦️کانال با اساتید اقتصاد ♦️ گروه تحلیل اقتصادی ♦️گروه ایویوز، استاتا و اقتصادسنجی ♦️ کانال تخصصی اقتصاد

🔅مدل مارکف 🌐 کانال دکتر منجذب

⭕️ Eviews: Detrending a series using Hodrick Prescott Filter 💠 کانال مدل های اقتصادسنجی

https://t.me/Economicspeech

✳️ Panel CADF Unit Root Test STATA 💠 کانال مدل های اقتصادسنجی

📉 منحنی لافر و وضعیت مالیات در ایران 🔴 دکتر محمدرضا منجذب لینک مطلب بصورت نوشتاری 🔴 کانال دکتر منجذب

🔴 تخمین مدل ARDL با متغیر I(2) 🔶 در این شرایط انجام آزمون هم‌جمعی ARDL به شکل استاندارد آن امکان‌پذیر نیست. رویکرد آزمون کرانه‌ها (Bounds Testing) در مدل ARDL که توسط پسران و همکاران (۲۰۰۱) توسعه یافته است، یک پیش‌فرض بسیار مهم و غیرقابل اغماض دارد: تمامی متغیرهای وارد شده در مدل باید یا در سطح مانا باشند I(0)، یا در تفاضل اول مانا شوند I(1)، و یا ترکیبی از این دو باشند. حضور حتی یک متغیر که در تفاضل دوم مانا می‌شود — یعنی متغیر I(2) است — باعث می‌شود مقادیر بحرانی (Critical Values) جدول پسران کاملاً بی‌اعتبار شوند. در نتیجه، آمارۀ F محاسبه‌شده قابل تفسیر نیست و نمی‌توانید به نتایج وجود یا عدم وجود رابطه بلندمدت (Cointegration) اعتماد کنید. راهکارهای پیشنهادی برای حل این مشکل برای اینکه بتوانید به کار خود ادامه دهید، یکی از مسیرهای زیر را بررسی کنید: بررسی وجود شکست ساختاری (Structural Breaks): این محتمل‌ترین دلیل است. در بسیاری از مواقع، متغیرهایی که در آزمون‌های استانداردی مثل دیکی-فولر تعمیم‌یافته (ADF) یا فیلیپس-پرون (PP) به عنوان I(2) شناسایی می‌شوند، در واقع متغیرهای I(1) هستند که در سری زمانی آن‌ها یک یا چند شکست ساختاری وجود دارد. آزمون‌های استاندارد توانایی تشخیص این شکست‌ها را ندارند و به اشتباه متغیر را ناپایدارتر نشان می‌دهند. راه‌حل: از آزمون‌های ریشه واحد که شکست ساختاری را لحاظ می‌کنند (مانند آزمون Zivot-Andrews برای یک شکست یا Clemente-Montañés-Reyes برای دو شکست) استفاده کنید. تبدیل متغیرها (Transformation): اگر از مقادیر خام متغیرها استفاده می‌کنید، تبدیل آن‌ها به لگاریتم طبیعی (ln) اغلب می‌تواند واریانس را تثبیت کرده و مرتبه انباشتگی را از I(2) به I(1) کاهش دهد. استفاده از تفاضل متغیر I(2): می‌توانید به جای خود متغیر، تفاضل اول آن را وارد مدل کنید. اگر متغیر اصلی I(2) باشد، تفاضل اول آن I(1) خواهد بود و مشکل برای مدل ARDL حل می‌شود. البته باید توجه داشته باشید که این کار تفسیر اقتصادی متغیر را تغییر می‌دهد (مثلاً به جای استفاده از «سطح قیمت»، از «نرخ تورم» استفاده می‌کنید). 🔵 کانال مدل های اقتصادسنجی