روش حداقل مربعات معمولی (Ordinary Least Squares - OLS) ستون فقرات تحلیل‌های رگرسیون خطی و پرکاربردترین روش برآورد در اقتصادسنجی و بسیاری از رشته‌های علمی دیگر است. EViews به عنوان یک نرم‌افزار تخصصی اقتصادسنجی، پیاده‌سازی این روش را به شیوه‌ای قدرتمند و کاربرپسند فراهم آورده است. در ادامه به معرفی و تشریح مفهومی این روش می‌پردازیم.

۱. مقدمه: هدف و کاربرد OLS

هدف اصلی روش OLS، یافتن بهترین خط رگرسیونی است که رابطه خطی بین یک متغیر وابسته (معمولاً با YYY نشان داده می‌شود) و یک یا چند متغیر مستقل (معمولاً با XXX نشان داده می‌شوند) را به بهترین شکل ممکن توضیح دهد. “بهترین شکل ممکن” در اینجا به معنای یافتن ضرایبی برای متغیرهای مستقل است که مجموع مربعات باقیمانده‌ها (Sum of Squared Residuals - SSR) را به حداقل برساند.

باقیمانده (Residual) به تفاوت بین مقدار مشاهده شده متغیر وابسته و مقدار پیش‌بینی شده آن توسط مدل رگرسیونی گفته می‌شود. به عبارت دیگر، باقیمانده‌ها خطاهای پیش‌بینی مدل هستند. با حداقل کردن مجموع مربعات این خطاها، OLS خطی را پیدا می‌کند که به تمام نقاط داده‌ای “نزدیک‌ترین” باشد.

کاربردها: OLS برای تحلیل روابط علت و معلولی، پیش‌بینی، و اندازه‌گیری تأثیر یک یا چند عامل بر یک پدیده خاص به صورت کمی استفاده می‌شود.

فروض کلاسیک OLS

برای اینکه برآوردهای OLS دارای بهترین ویژگی‌های آماری باشند (مانند نااریبی، سازگاری، و کارایی؛ که مجموعاً تحت عنوان BLUE: Best Linear Unbiased Estimators شناخته می‌شوند)، مجموعه‌ای از فروض باید برقرار باشند. نقض هر یک از این فروض می‌تواند به مشکلات مختلفی در برآورد و استنتاج آماری منجر شود:

  1. خطی بودن در پارامترها
  2. نمونه‌گیری تصادفی
  3. عدم وجود هم‌خطی کامل (Perfect Multicollinearity)
  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 مفهومی OLS در EViews

EViews فرآیند برآورد OLS را بسیار ساده و شهودی کرده است. پس از آماده‌سازی و وارد کردن داده‌ها به Workfile، کاربر می‌تواند با چند گام ساده مدل را برآورد کند:

  1. تعریف معادله: در EViews، کاربر متغیر وابسته و متغیرهای مستقل را در کادر “Equation Specification” تعریف می‌کند (مثلاً Y C X1 X2 X3 که C نشان‌دهنده عرض از مبدأ است).
  2. انتخاب روش برآورد: روش “LS - Least Squares” به عنوان روش پیش‌فرض برای رگرسیون خطی انتخاب می‌شود.
  3. اجرای برآورد: با کلیک بر روی دکمه “OK”، EViews به سرعت محاسبات را انجام داده و نتایج را نمایش می‌دهد.


خروجی‌های اصلی OLS در EViews

پس از برآورد، EViews یک جدول نتایج جامع ارائه می‌دهد که شامل موارد کلیدی زیر است:

  • ضرایب برآوردشده (Coefficients)
  • خطاهای استاندارد (Standard Errors)
  • آماره t (t-statistic)
  • مقادیر احتمال (p-values)
  • ضریب تعیین (
    R^2    R2    )
  • ضریب تعیین تعدیل‌شده (Adjusted R2)
  • آماره F (F-statistic)
  • مقدار احتمال آماره F
  • آماره دوربین-واتسون (Durbin-Watson Statistic)
  • مجموع مربعات پسماندها (Sum Squared Residuals)


مزایا و محدودیت‌های OLS

مزایا:

  • سادگی و سهولت پیاده‌سازی: درک و استفاده از آن نسبتاً آسان است.
  • نااریبی و کارایی (تحت فروض کلاسیک): اگر فروض کلاسیک برقرار باشند، OLS بهترین برآوردهای خطی و نااریب را ارائه می‌دهد.
  • مبنای بسیاری از روش‌های پیشرفته‌تر: بسیاری از روش‌های اقتصادسنجی پیشرفته‌تر بر پایه OLS توسعه یافته‌اند.

محدودیت‌ها:

  • حساسیت به نقض فروض: اگر فروض کلاسیک نقض شوند (مانند وجود واریانس ناهمسانی، خودهمبستگی، یا درون‌زایی)، برآوردهای OLS ممکن است کارایی، نااریبی، یا سازگاری خود را از دست بدهند و منجر به نتایج گمراه‌کننده شوند.
  • حساسیت به داده‌های پرت (Outliers): داده‌های پرت می‌توانند تأثیر نامتناسبی بر برآوردهای OLS داشته باشند.
  • عدم توانایی در مدلسازی روابط غیرخطی پیچیده: OLS اساساً برای روابط خطی طراحی شده است.
  • مشکل 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 بنیادین و قدرتمند در جعبه ابزار هر تحلیلگر داده است که EViews آن را به شکلی کارآمد در اختیار قرار می‌دهد. با این حال، درک عمیق فروض آن و آگاهی از چگونگی تشخیص و رفع نقض این فروض در EViews (از طریق آزمون‌های تشخیصی و استفاده از خطاهای استاندارد مقاوم یا روش‌های دیگر) برای تضمین اعتبار و صحت نتایج تحلیل‌ها 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