مدل‌های اقتصادسنجی پویا و پیشرفته در استتا

مفهوم روش GMM در اقتصادسنجی

روش GMM (Generalized Method of Moments) یا «روش تعمیم‌یافته گشتاورها» یکی از مهم‌ترین تکنیک‌های برآورد در اقتصادسنجی مدرن است. منابع انگلیسی بیان می‌کنند که ایده اصلی GMM بر استفاده از شرایط گشتاوری (Moment Conditions) استوار است؛ یعنی روابطی که انتظار می‌رود در جامعه برابر صفر باشند.

به‌طور کلی اگر بردار پارامترها را با $\theta$ نشان دهیم و شرط گشتاوری به‌صورت زیر تعریف شود:

$E\left[z_t{u}_t\right(\theta \left)\right]=0$

در اینجا $z_t$ ابزارها (Instruments) و $u_t$​ جمله خطا هستند. هدف GMM یافتن پارامترهایی است که این شرایط را تا حد ممکن در نمونه برقرار کنند.

مزیت اصلی GMM این است که بدون نیاز به فرض توزیع نرمال خطاها، برآوردهای سازگار ارائه می‌دهد و در حضور ناهمسانی واریانس یا خودهمبستگی نیز قابل استفاده است.

چرا از GMM استفاده می‌کنیم؟

منابع معتبر انگلیسی چند دلیل کلیدی برای استفاده از GMM ذکر می‌کنند:

• وجود درون‌زایی (Endogeneity) در متغیرهای توضیحی
• وجود ناهمسانی واریانس یا خودهمبستگی در خطاها
• محدودیت در فروض کلاسیک OLS
• نیاز به برآورد مدل‌های پویا با وقفه وابسته

در چنین شرایطی، روش حداقل مربعات معمولی (OLS) تورش‌دار و ناسازگار می‌شود، اما GMM با استفاده از ابزارهای معتبر این مشکل را برطرف می‌کند.

انواع مدل‌های GMM در استتا

استتا چند چارچوب مهم برای تخمین مدل‌های GMM ارائه می‌دهد که در منابع انگلیسی به آن‌ها اشاره شده است:

1. GMM مقطعی و سری زمانی

در این حالت، پژوهشگر مستقیماً شرایط گشتاوری را تعریف می‌کند و استتا پارامترها را بر اساس آن‌ها برآورد می‌کند. این روش برای مدل‌های ساختاری یا معادلات غیرخطی بسیار کاربردی است.

2. GMM در داده‌های پانلی پویا (Arellano–Bond)

در داده‌های پانلی که شامل وقفه متغیر وابسته هستند، مدل به‌صورت زیر نوشته می‌شود:

$y_{it}=\alpha y_{it-1}+\beta x_{it}+u_{it}$yit​=αyit−1​+βxit​+uit​

در این مدل، وقفه متغیر وابسته با خطا همبسته است و OLS ناسازگار خواهد بود. روش Arellano–Bond با استفاده از تفاضل‌گیری و ابزارهای درونی (وقفه‌های عمیق‌تر) این مشکل را حل می‌کند.

3. System GMM

منابع انگلیسی نشان می‌دهند که System GMM نسخه بهبود‌یافته Arellano–Bond است. در این روش، هم معادله در تفاضل و هم معادله در سطح به‌طور همزمان برآورد می‌شوند. این کار کارایی را افزایش داده و مشکل ابزارهای ضعیف را کاهش می‌دهد.

مراحل برآورد مدل GMM در استتا

فرآیند کلی تخمین GMM در استتا شامل مراحل زیر است:

1. تعریف مدل و تعیین متغیرهای درون‌زا
2. انتخاب ابزارهای معتبر (درونی یا بیرونی)
3. تعیین نوع ماتریس وزن‌دهی (یک‌مرحله‌ای یا دومرحله‌ای)
4. اجرای برآورد و بررسی نتایج
5. انجام آزمون‌های اعتبار ابزارها

انتخاب ابزارهای مناسب مهم‌ترین بخش تحلیل GMM است، زیرا اعتبار نتایج کاملاً به درستی ابزارها وابسته است.

آزمون‌های تشخیصی در مدل GMM

منابع انگلیسی تأکید می‌کنند که پس از برآورد مدل GMM باید چند آزمون مهم انجام شود:

• آزمون سارگان یا هانسن (Sargan/Hansen Test) برای بررسی اعتبار ابزارها
• آزمون خودهمبستگی مرتبه دوم (AR(2)) در مدل‌های پانلی پویا
• بررسی تعداد ابزارها نسبت به تعداد مقاطع برای جلوگیری از بیش‌برازش ابزارها

اگر آزمون هانسن معنادار شود، نشان‌دهنده نامعتبر بودن ابزارهاست و مدل باید بازنگری شود.

مزایا و محدودیت‌های GMM

مزایا

• سازگار در حضور ناهمسانی واریانس
• مناسب برای مدل‌های پویا
• قابلیت حل مشکل درون‌زایی
• انعطاف‌پذیری بالا در تعریف شرایط گشتاوری

محدودیت‌ها

• حساسیت به انتخاب ابزارها
• احتمال ضعف ابزارها
• مشکل افزایش بیش‌ازحد تعداد ابزارها در داده‌های پانلی

به همین دلیل، منابع انگلیسی توصیه می‌کنند تعداد ابزارها کنترل شده و تحلیل حساسیت انجام شود.

کاربردهای عملی مدل GMM

روش GMM در مطالعات تجربی اقتصاد کاربرد گسترده‌ای دارد، از جمله:

• تحلیل رشد اقتصادی در داده‌های پانلی
• بررسی اثر سرمایه انسانی و سرمایه‌گذاری بر تولید
• مدل‌سازی رفتار مصرف و سرمایه‌گذاری
• تحلیل ساختار سرمایه شرکت‌ها
• بررسی پایداری بدهی عمومی

استتا با ارائه ابزارهای تخصصی برای GMM، امکان تخمین دقیق این مدل‌ها را فراهم می‌کند و پژوهشگران می‌توانند روابط پویا و درون‌زا را به‌صورت معتبر تحلیل کنند.

کلیدواژه ها : مدل GMM در استتا-GMM model in Stata-روش تعمیم‌یافته گشتاورها-Generalized method of moments-مدل پانلی پویا-Dynamic panel model-Arellano Bond estimation-System GMM in Stata-آزمون هانسن-Hansen test-درون‌زایی در اقتصادسنجی-Endogeneity in econometrics-برآورد مدل پویا-Dynamic model estimation