مفهوم ناهمسانی واریانس در مدلهای رگرسیونی
در مدلهای رگرسیونی یکی از فروض اساسی این است که واریانس خطاها در تمام سطح متغیرهای توضیحی ثابت باشد. این فرض در منابع انگلیسی با عنوان Homoskedasticity شناخته میشود. اگر واریانس خطاها تغییر کند و مقدار آن بسته به مقدار متغیرهای مستقل افزایش یا کاهش یابد، با پدیده ناهمسانی واریانس یا Heteroskedasticity مواجه میشویم. این مشکل باعث میشود برآورد واریانس ضرایب نادرست شود و آزمونهای آماری مانند t و F دیگر بهطور قابل اعتماد عمل نکنند. از این رو منابع اقتصادسنجی تأکید دارند که پیش از تحلیل نهایی، این فرض مهم باید بررسی شود.
اهمیت تشخیص ناهمسانی واریانس
اگر ناهمسانی واریانس در مدل وجود داشته باشد، ضرایب رگرسیون همچنان بدون تورش باقی میمانند، اما انحراف معیار و خطاهای استاندارد بهدرستی برآورد نمیشوند. نتیجه این وضعیت آن است که پژوهشگر ممکن است بهاشتباه تصور کند یک متغیر معنادار است یا اثر قابل توجهی دارد، در حالی که این نتیجه ناشی از خطای محاسباتی است. منابع انگلیسی اشاره میکنند که ناهمسانی واریانس بهویژه در دادههای مقطعی مانند دادههای خانوار، قیمتها یا درآمدها بسیار رایج است و نادیده گرفتن آن میتواند کل تحلیل را تحت تأثیر قرار دهد.
روشهای تشخیص ناهمسانی واریانس در استتا
نرمافزار استتا ابزارهای مختلفی برای بررسی ناهمسانی واریانس ارائه میدهد که بیشتر آنها بر اساس آزمونهای شناختهشده در ادبیات اقتصادسنجی طراحی شدهاند. این ابزارها عمدتاً بر پایه باقیماندههای مدل رگرسیونی کار میکنند و بررسی میکنند که آیا پراکندگی خطاها به مقدار متغیرهای مستقل وابسته است یا خیر. از میان روشهای رایج در منابع انگلیسی میتوان به آزمونهای Breusch-Pagan، White و Harvey اشاره کرد که همگی در استتا در دسترس هستند و برای تحلیل دقیقتر مورد استفاده قرار میگیرند.
آزمون Breusch-Pagan
آزمون Breusch-Pagan از جمله روشهای شناختهشده برای بررسی ناهمسانی واریانس است. این آزمون بر اساس یک رگرسیون کمکی اجرا میشود که در آن واریانس باقیماندهها به عنوان تابعی از متغیرهای مستقل بررسی میشود. اگر نتایج نشان دهند که این رابطه معنادار است، فرض ناهمسانی واریانس تأیید میشود. این آزمون در منابع انگلیسی به عنوان ابزاری دقیق برای تحلیل دادههای مقطعی معرفی شده و در استتا نیز اجرای آن بسیار رایج است.
آزمون White
آزمون White یک روش کلیتر و انعطافپذیرتر برای بررسی ناهمسانی واریانس است زیرا علاوه بر متغیرهای اصلی، توانهای دوم و متقاطع متغیرها را نیز در نظر میگیرد. در نتیجه توانایی بالایی در شناسایی شکلهای پیچیده ناهمسانی واریانس دارد. یکی از مزیتهای این آزمون این است که نیاز به فرض شکل خاص برای رابطه واریانس و متغیرهای مستقل ندارد. به همین دلیل منابع انگلیسی این آزمون را به عنوان گزینهای قدرتمند برای دادههایی با ساختار پیچیده معرفی میکنند.
آزمون Harvey
آزمون Harvey یکی از روشهای مبتنی بر تبدیل لگاریتمی برای تحلیل ناهمسانی واریانس است. این آزمون بررسی میکند که آیا لگاریتم باقیماندههای مدل با متغیرهای توضیحی رابطه دارد یا خیر. در بسیاری از منابع انگلیسی این روش به عنوان راهکاری مناسب برای دادههایی معرفی میشود که رفتار واریانس آنها با رشد متغیرهای مستقل تغییر میکند. استتا نیز امکان اجرای این آزمون را برای تحلیل دقیقتر فراهم کرده است.
تفسیر نتایج آزمون ناهمسانی واریانس
در بیشتر آزمونها فرض صفر بر این اصل استوار است که ناهمسانی واریانس وجود ندارد. اگر مقدار احتمال کمتر از سطح خطای تعیینشده باشد، فرض صفر رد میشود و نتیجه گرفته میشود که مدل دارای ناهمسانی واریانس است. در این صورت لازم است پژوهشگر برای اصلاح مدل اقدام کند؛ زیرا باقیماندن این مشکل باعث میشود آزمونهای استنباطی اعتبار خود را از دست بدهند.
راهکارهای مقابله با ناهمسانی واریانس
در صورت تشخیص ناهمسانی واریانس، چند راهکار برای اصلاح مدل پیشنهاد میشود. یکی از رایجترین روشها استفاده از خطاهای استاندارد مقاوم است که در منابع انگلیسی با عنوان Robust Standard Errors معرفی میشوند. این روش بدون تغییر مدل، خطاهای استاندارد را به گونهای اصلاح میکند که اثر ناهمسانی واریانس کاهش یابد. روش دیگر تبدیل متغیرها مانند استفاده از لگاریتم است که میتواند پراکندگی دادهها را کاهش دهد. همچنین در برخی موارد میتوان از روشهای تخمین جایگزین مانند GLS استفاده کرد که بهطور مستقیم ناهمسانی واریانس را در فرآیند تخمین لحاظ میکند.
کلیدواژه ها : آزمون ناهمسانی واریانس-آزمون Heteroskedasticity-ناهمسانی واریانس در استتا-Heteroskedasticity in Stata-آزمون بروش پاگان-Breusch Pagan test-آزمون وایت-White test-آزمون هاروی-Harvey test-تشخیص ناهمسانی واریانس-Robust standard errors-اقتصادسنجی در Stata-
