پیاده‌سازی (مفهومی) در EViews

پس از درک ماهیت و پیامدهای واریانس ناهمسانی، گام بعدی در تحلیل‌های اقتصادسنجی، پیاده‌سازی روش‌های تشخیص و رفع آن در محیط نرم‌افزارهایی مانند EViews است. این بخش به تشریح رویکردهای مفهومی EViews در مواجهه با این چالش می‌پردازد.

۱. تشخیص واریانس ناهمسانی

EViews ابزارهای قدرتمندی برای تشخیص وجود واریانس ناهمسانی فراهم می‌کند. به‌طور مفهومی، این ابزارها عمدتاً بر پایه آزمون‌های آماری هستند که فرض صفر آن‌ها همسانی واریانس است. از جمله مهم‌ترین این آزمون‌ها می‌توان به موارد زیر اشاره کرد:

• آزمون وایت (White Test): این آزمون یکی از عمومی‌ترین روش‌ها برای تشخیص واریانس ناهمسانی است و نیازی به دانستن فرم دقیق ناهمسانی واریانس ندارد. EViews نتایج این آزمون را به‌صورت آماره‌های ${\chi }^2$χ2 (کای‌دو) ارائه می‌دهد.
• آزمون بروش-پاگان-گادفری (Breusch-Pagan-Godfrey Test): این آزمون در شرایطی کاربرد دارد که تصور می‌شود واریانس خطا به یک یا چند متغیر توضیحی مرتبط است.

در EViews، پس از برآورد مدل رگرسیون، معمولاً می‌توان از طریق ابزارهای تشخیصی (Diagnostics) به این آزمون‌ها دسترسی پیدا کرد. بررسی نمودار باقیمانده‌ها (Residuals) نیز یک روش بصری و شهودی برای شناسایی الگوهای ناهمسانی واریانس است.

۲. پیامدها و لزوم تصحیح

همان‌طور که قبلاً اشاره شد، واریانس ناهمسانی بر تورش ضرایب برآوردشده تأثیری ندارد، اما منجر به برآوردهای ناکارآ از خطاهای استاندارد (Standard Errors) و در نتیجه آماره‌های t و F می‌شود. در EViews، این بدان معناست که مقادیر p-value که برای سنجش معنی‌داری آماری ضرایب استفاده می‌شوند، قابل اعتماد نخواهند بود و ممکن است به اشتباه فرضیه‌هایی را رد یا قبول کنیم.

۳. روش‌های رفع واریانس ناهمسانی

EViews دو رویکرد اصلی را برای مواجهه با واریانس ناهمسانی ارائه می‌دهد:

الف) استفاده از خطاهای استاندارد مقاوم (Robust Standard Errors)

این رویکرد، رایج‌ترین و ساده‌ترین راه حل در EViews است. به جای تلاش برای تغییر ساختار مدل یا داده‌ها، EViews امکان محاسبه خطاهای استاندارد را به گونه‌ای فراهم می‌کند که نسبت به واریانس ناهمسانی مقاوم باشند. این روش تحت عنوان “خطاهای استاندارد واریانس-کوواریانس مقاوم” (Heteroskedasticity Consistent Covariance Matrix) شناخته می‌شود که متد “وایت” (White) یکی از انواع آن است. با فعال‌سازی این گزینه در EViews هنگام برآورد مدل، خطاهای استاندارد و آماره‌های t و F به‌درستی محاسبه می‌شوند و می‌توان به نتایج آزمون فرض‌ها اعتماد کرد.

ب) حداقل مربعات تعمیم‌یافته (Generalized Least Squares - GLS) / حداقل مربعات وزنی (Weighted Least Squares - WLS)

در شرایطی که محقق اطلاعاتی درباره شکل دقیق واریانس ناهمسانی داشته باشد (مثلاً بداند که واریانس خطا متناسب با مربع یکی از متغیرهای توضیحی است)، می‌تواند از روش‌های GLS یا WLS استفاده کند. در این روش‌ها، به مشاهداتی که خطای کمتری دارند وزن بیشتری و به مشاهداتی که خطای بیشتری دارند وزن کمتری داده می‌شود تا کارایی برآورد بهبود یابد. EViews امکان پیاده‌سازی این روش‌ها را، به‌ویژه در صورتی که تابع وزن‌دهی مشخص باشد، فراهم می‌آورد.

۴. واریانس ناهمسانی در داده‌های پانلی

در تحلیل داده‌های پانلی در EViews، مسئله واریانس ناهمسانی رایج است و اغلب به شکل “واریانس ناهمسانی بین‌مقطعی” (Cross-Sectional Heteroskedasticity) بروز می‌کند. در این موارد، EViews گزینه‌هایی برای برآورد “خطاهای استاندارد مقاوم پانلی” (Panel Robust Standard Errors) یا “خطاهای استاندارد خوشه‌ای” (Cluster Standard Errors) ارائه می‌دهد که هم‌زمان ناهمسانی واریانس و همبستگی درون‌خوشه‌ای را تصحیح می‌کنند.

جمع‌بندی:

EViews ابزارهای جامعی برای شناسایی و تصحیح واریانس ناهمسانی فراهم می‌کند. درک این ابزارها و انتخاب رویکرد مناسب (استفاده از خطاهای استاندارد مقاوم یا برآورد با WLS/GLS) برای اطمینان از اعتبار و صحت نتایج اقتصادسنجی و استنتاج‌های سیاستی ضروری است.

کلیدواژه ها : پیاده‌سازی‌EViews-واریانس‌ناهمسانی-تشخیص‌ناهمسانی-آزمون‌وایت-White‌Test-آزمون‌بروش‌پاگان-Breusch-Pagan‌Test-خطاهای‌استاندارد‌مقاوم-Robust‌Standard‌Errors-ماتریس‌کوواریانس‌مقاوم-Heteroskedasticity‌Consistent‌Covariance‌Matrix-حداقل‌مربعات‌تعمیم‌یافته-GLS-حداقل‌مربعات‌وزنی-WLS-داده‌های‌پانلی-Panel‌Data-خطاهای‌استاندارد‌خوشه‌ای-Cluster‌Standard‌Errors-p-value-آماره‌t-آماره‌F