در برآورد مدلهای رگرسیونی، یکی از فروض مهم کلاسیک این است که جملات خطا از یکدیگر مستقل باشند. به بیان دیگر، خطای یک مشاهده نباید با خطای مشاهده دیگر ارتباط داشته باشد. زمانی که بین خطاهای مدل در دورههای مختلف ارتباط وجود داشته باشد، پدیدهای به نام خودهمبستگی یا Autocorrelation رخ میدهد. این مشکل بیشتر در دادههای سری زمانی دیده میشود و اگر نادیده گرفته شود، میتواند اعتبار نتایج رگرسیون را کاهش دهد. در نرمافزار ایویوز، آزمون خودهمبستگی یکی از مهمترین مراحل بررسی فروض کلاسیک رگرسیون به شمار میرود.
خودهمبستگی چیست
خودهمبستگی به وضعیتی گفته میشود که در آن مقدار خطاهای یک دوره تحت تأثیر خطاهای دورههای قبل یا بعد قرار میگیرد. در چنین شرایطی، باقیماندههای مدل بهطور کامل تصادفی نیستند و یک الگوی زمانی میان آنها وجود دارد. این موضوع نشان میدهد که مدل نتوانسته تمام ساختار موجود در دادهها را بهدرستی توضیح دهد. در مدلهای اقتصادی که دادهها در طول زمان ثبت میشوند، وجود روند، شوکهای ماندگار، یا حذف برخی متغیرهای مهم میتواند موجب بروز خودهمبستگی شود.
اهمیت آزمون خودهمبستگی
اهمیت بررسی خودهمبستگی از آنجا ناشی میشود که در صورت وجود این مشکل، ضرایب OLS هرچند ممکن است همچنان بدون تورش باقی بمانند، اما دیگر کارا نخواهند بود. همچنین خطاهای استاندارد ضرایب بهدرستی برآورد نمیشوند و در نتیجه، آزمونهای t و F اعتبار کافی نخواهند داشت. این مسئله ممکن است باعث شود پژوهشگر درباره معنیداری متغیرها یا قدرت توضیحدهندگی مدل به نتایج اشتباه برسد. بنابراین، آزمون خودهمبستگی برای اطمینان از صحت استنباط آماری و کیفیت نهایی مدل ضروری است.
نشانههای وجود خودهمبستگی
در عمل، خودهمبستگی معمولاً با مشاهده برخی نشانهها قابل حدس است. یکی از این نشانهها، الگوهای منظم در نمودار باقیماندههاست. اگر خطاها بهصورت خوشهای یا دارای روند ظاهر شوند، احتمال وجود خودهمبستگی مطرح میشود. همچنین در دادههای سری زمانی، پایین بودن مقدار آماره دوربین–واتسون نسبت به مقدار مرجع میتواند نشانهای از خودهمبستگی مثبت باشد. البته تشخیص قطعی این مسئله باید با آزمونهای رسمی انجام شود.
روشهای آزمون خودهمبستگی در ایویوز
ایویوز چند ابزار مهم برای بررسی خودهمبستگی در اختیار کاربر قرار میدهد. معروفترین آنها آزمون دوربین–واتسون است که معمولاً در خروجی اصلی رگرسیون نمایش داده میشود. این آزمون عمدتاً برای تشخیص خودهمبستگی مرتبه اول کاربرد دارد. اگر مقدار آماره دوربین–واتسون به 2 نزدیک باشد، معمولاً نشانه نبود خودهمبستگی است. مقادیر کمتر از 2 به خودهمبستگی مثبت و مقادیر بیشتر از 2 به خودهمبستگی منفی اشاره دارند.
روش مهم دیگر در ایویوز آزمون بروش–گادفری است. این آزمون نسبت به دوربین–واتسون انعطاف بیشتری دارد و میتواند خودهمبستگی در مراتب بالاتر را نیز بررسی کند. از آنجا که در بسیاری از مدلهای اقتصادی، وابستگی خطاها ممکن است محدود به وقفه اول نباشد، آزمون بروش–گادفری در کاربردهای حرفهایتر اهمیت بیشتری دارد.
آزمون دوربین–واتسون
آماره دوربین–واتسون یکی از اولین شاخصهایی است که پژوهشگر پس از تخمین مدل در ایویوز مشاهده میکند. این آماره بین 0 تا 4 قرار میگیرد. اگر مقدار آن نزدیک به 2 باشد، نشانه آن است که خطاها استقلال نسبی دارند. اگر این مقدار به صفر نزدیک شود، خودهمبستگی مثبت و اگر به 4 نزدیک شود، خودهمبستگی منفی مطرح میشود. با این حال، این آزمون محدودیتهایی نیز دارد؛ برای مثال در مدلهایی که متغیر وابسته با وقفه وارد شده باشد، نتایج آن چندان قابل اتکا نیست.
آزمون بروش–گادفری
آزمون بروش–گادفری یکی از دقیقترین روشها برای بررسی خودهمبستگی در ایویوز است. این آزمون بر پایه رگرسیون باقیماندهها بر وقفههای خودشان و سایر متغیرهای مدل انجام میشود. مزیت اصلی آن این است که میتواند خودهمبستگی با مراتب مختلف را تشخیص دهد و محدودیتهای آزمون دوربین–واتسون را ندارد. در ایویوز، پژوهشگر میتواند با تعیین تعداد وقفههای موردنظر، این آزمون را اجرا کرده و بر اساس مقدار احتمال تصمیم بگیرد که آیا خودهمبستگی در مدل وجود دارد یا خیر.
دلایل بروز خودهمبستگی
خودهمبستگی معمولاً تصادفی ایجاد نمیشود، بلکه نشانهای از وجود مشکل در ساختار مدل است. یکی از دلایل اصلی، حذف متغیرهای مهمی است که اثرات آنها در طول زمان باقی میماند. انتخاب فرم تابعی نامناسب، وجود روند زمانی در دادهها، استفاده از دادههای سری زمانی بدون ایستا کردن مناسب، و برخی خطاهای اندازهگیری نیز میتوانند باعث بروز این مشکل شوند. بنابراین، مشاهده خودهمبستگی به پژوهشگر هشدار میدهد که باید در مشخصسازی مدل دقت بیشتری داشته باشد.
راهکارهای رفع خودهمبستگی
در صورت وجود خودهمبستگی، چند راهکار قابل استفاده است. یکی از رایجترین روشها، اصلاح ساختار مدل از طریق افزودن متغیرهای حذفشده یا وارد کردن وقفههای مناسب است. گاهی نیز تفاضلگیری یا استفاده از دادههای ایستا میتواند به کاهش خودهمبستگی کمک کند. در برخی موارد، پژوهشگر از روشهای برآوردی جایگزین مانند GLS یا تخمین با خطاهای استاندارد تعدیلشده استفاده میکند. انتخاب روش مناسب بستگی به علت اصلی بروز خودهمبستگی و ماهیت دادهها دارد.
جمعبندی
آزمون خودهمبستگی در ایویوز یکی از مهمترین بخشهای بررسی فروض کلاسیک رگرسیون، بهویژه در دادههای سری زمانی است. وجود خودهمبستگی نشان میدهد که خطاهای مدل از یکدیگر مستقل نیستند و این مسئله میتواند اعتبار استنباط آماری را کاهش دهد. ایویوز با ارائه ابزارهایی مانند آماره دوربین–واتسون و آزمون بروش–گادفری، امکان تشخیص دقیق این مشکل را فراهم میکند. بررسی این آزمون به پژوهشگر کمک میکند تا از صحت ساختار مدل اطمینان حاصل کرده و در صورت لزوم، اصلاحات لازم را انجام دهد. بیتوجهی به خودهمبستگی ممکن است نتایج مدل را گمراهکننده کند، بنابراین توجه به آن برای هر تحلیلگر اقتصادسنجی ضروری است.
کلیدواژه ها : آزمون خودهمبستگی-خودهمبستگی در ایویوز-Autocorrelation Test-آزمون دوربین واتسون-Durbin Watson Test-آزمون بروش گادفری-Breusch Godfrey Test-خطاهای سری زمانی-فروض کلاسیک رگرسیون-باقیمانده های رگرسیون-تحلیل سری زمانی در ایویوز-EViews Time Series-اقتصادسنجی در ایویوز-آموزش ایویوز-اعتبار آزمون t و F-رگرسیون سری زمانی-تشخیص خودهمبستگی خطاها
