روش حداقل مربعات معمولی (Ordinary Least Squares - OLS)، سنگ بنای اقتصادسنجی و پرکاربردترین روش برای برآورد ضرایب مدل‌های رگرسیون خطی است. EViews به عنوان یکی از نرم‌افزارهای پیشرو در تحلیل‌های اقتصادسنجی، پیاده‌سازی قدرتمندی از این روش را ارائه می‌دهد.


مقدمه: هدف OLS

هدف اصلی OLS، یافتن بهترین خط رگرسیونی است که رابطه بین یک متغیر وابسته (توضیح‌داده‌شده) و یک یا چند متغیر مستقل (توضیح‌دهنده) را به بهترین شکل ممکن نشان دهد. “بهترین شکل ممکن” در اینجا به معنای یافتن ضرایبی است که مجموع مربعات باقیمانده‌ها (Residuals) را حداقل کند. باقیمانده‌ها همان تفاوت بین مقادیر مشاهده‌شده متغیر وابسته و مقادیر پیش‌بینی‌شده توسط مدل هستند.


فروض کلاسیک OLS

برای اینکه برآوردهای OLS دارای بهترین ویژگی‌ها باشند (یعنی نااریب، سازگار و کارا باشند - ویژگی‌های BLUE: Best Linear Unbiased Estimators)، مجموعه‌ای از فروض باید برقرار باشند:

  1. خطی بودن در پارامترها
  2. نمونه‌گیری تصادفی
  3. عدم وجود هم‌خطی کامل
  4. میانگین شرطی صفر جمله خطا
  5. همسانی واریانس (Homoskedasticity)
  6. عدم وجود خودهمبستگی (No Autocorrelation)
  7. نرمال بودن جمله خطا (اختیاری برای نمونه‌های بزرگ)


برآورد در EViews: پیاده‌سازی مفهومی

EViews فرآیند برآورد OLS را بسیار کاربرپسند کرده است. در EViews، کافی است کاربر مدل رگرسیونی خود را (متغیر وابسته و متغیرهای مستقل) تعریف کند. نرم‌افزار به‌صورت خودکار:

  • ضرایب (Coefficients) را برآورد می‌کند.
  • خطاهای استاندارد (Standard Errors) هر ضریب را محاسبه می‌کند.
  • آماره t (t-statistic) و مقدار احتمال (p-value) مربوط به معنی‌داری آماری هر ضریب را گزارش می‌دهد.
  • آماره F (F-statistic) و مقدار احتمال آن را برای معنی‌داری کلی مدل گزارش می‌دهد.
  • ضریب تعیین و ضریب تعیین تعدیل‌شده را برای سنجش قدرت توضیح‌دهندگی مدل ارائه می‌کند.
  • اطلاعات تشخیصی مهمی مانند آماره دوربین-واتسون (Durbin-Watson Statistic) برای بررسی خودهمبستگی، و همچنین امکان دسترسی به نمودار باقیمانده‌ها و آزمون‌های واریانس ناهمسانی را فراهم می‌کند.


مزایا و محدودیت‌ها

مزایا:

  • سادگی: درک و پیاده‌سازی آن آسان است.
  • نااریبی و کارایی (تحت فروض): برآوردهای OLS تحت فروض کلاسیک، بهترین برآوردهای خطی نااریب هستند.
  • گسترش‌پذیری: مبنای بسیاری از روش‌های پیشرفته‌تر اقتصادسنجی است.

محدودیت‌ها:

  • حساسیت به فروض: نقض فروض کلاسیک می‌تواند منجر به برآوردهای ناکارا و استنباط‌های آماری نادرست شود.
  • حساسیت به داده‌های پرت: داده‌های پرت می‌توانند به شدت بر ضرایب OLS تأثیر بگذارند.
  • عدم توانایی در مدلسازی روابط غیرخطی: ذاتاً برای روابط خطی طراحی شده است (اگرچه با تبدیل متغیرها می‌توان روابط غیرخطی خاصی را خطی کرد).
  • مشکلات در حضور درون‌زایی: اگر متغیرهای مستقل با جمله خطا همبستگی داشته باشند (نقض فرض میانگین شرطی صفر خطا)، برآوردهای OLS اریب و ناسازگار خواهند بود.

جمع‌بندی

OLS یک ابزار قدرتمند و اساسی در تحلیل‌های اقتصادسنجی است که EViews آن را به شکلی کارآمد در اختیار کاربران قرار می‌دهد. درک فروض آن و قابلیت‌های EViews برای تشخیص نقض فروض، برای انجام تحلیل‌های معتبر و استخراج نتایج قابل اتکا ضروری است.

کلیدواژه ها : حداقل‌مربعات‌معمولی-OLS-EViews-ایویوز-رگرسیون‌خطی-مدل‌اقتصادسنجی-برآورد‌ضرایب-متغیر‌وابسته-متغیر‌مستقل-باقیمانده‌ها-Residuals-مجموع‌مربعات‌خطا-Sum‌of‌Squared‌Residuals-فروض‌کلاسیک-BLUE-نااریب-سازگار-کارا-همسانی‌واریانس-Homoskedasticity-خودهمبستگی-Autocorrelation-نرمال‌بودن‌خطا-ضریب‌تعیین-R‌squared-آماره‌t-آماره‌F-Durbin-Watson-خطای‌استاندارد-Standard‌Errors-درون‌زایی-Endogeneity