درمحاسبه واریانس جامعه با توجه به مشاهدات مربوط به سری زمانی، واریانس بدست آمده از مشاهدات بر تعداد داده ها منهای تعداد پارامترها تقسیم می شود.
 
درحالیکه در داده های تلفیقی داریم:
 
که معمولا در این حالت مخرج بزرگ تر شده و بنابراین واریانس محاسبه شده کوچکتر از واریانس بدست آمده از داده های سری زمانی صرف است و بنابراین کارایی تخمین افزایش می یابد. همچنین، چنانچه آزمون F(آزمون معنی دار بودن کل رگرسیون) را در دو حالت، یعنی سری زمانی و تلفیقی مقایسه کنیم خواهیم داشت:
در مدل سری زمانی تنها:
 
درحالیکه در داده های تلفیقی داریم:
 
بوضوح مشخص است که مقدار F در مدل تلفیقی می تواند بزرگتر از مدل سری زمانی باشد. لذا، احتمال معنی دار بودن کل رگرسیون یعنی وجود متغیرهای توضیحی در مدل تلفیقی بیشتر خواهد بود.
مطالعه مشاهدات بصورت پانل دیتا، وضعیت بهتری برای مطالعه و بررسی پویایی تغییرات نسبت به سری زمانی و داده های مقطعی دارد.
روش پانل دیتا می تواند اثراتی که به سادگی توسط سری زمانی و داده های مقطعی آشکار نمی شوند را اندازه گیری کند.
روش پانل دیتا ما را قادر می سازد تا مشکل ترین مدل های رفتاری پیچیده را مطالعه کنیم.
روش پانل دیتا از طریق فراهم کردن تعداد داده های زیاد(تا چندین هزار) تورش را پایین می آورد.

۴-۲-۳-مدل کلی داده های تابلویی

دراینجا با ارائه یک مثال کلی به توضیح داده های پانل می پردازیم. فرض کنیم که P واحد تصمیم مجزا وجود دارد که با شاخص i از ۱ تا P شماره گذاری می شوند. همچنین mدوره زمانی متوالی که با شاخص t از ۱ تا m شماره گذاری می شوند، وجود دارد. بنابراین، مجموع n=Pm مشاهده خواهیم داشت. متغیرها عبارتند از:
= ارزش متغیر وابسته برای واحد iام در دوره tام
= ارزش متغیر توضیحی jام برای واحد iام در دوره tام
 
رگرسیون خطی این پانل، عبارت است از:
 
در این رگرسیون دستگاه عمومی پارامترهای تمام واحدها در تمام زمان ها بیان گردیده است. یکی از معمولی ترین اشکال سازماندهی داده ها در رابطه(۵-۵) براساس واحدهای تصمیم گیری است. بنابراین داریم:
 
همچنین داده ها می توانند به شکل انباشته بصورت زیر بیان گردند:
 
بطوریکه Y دارای رتبه ، X دارای رتبه  و e دارای رتبه  است. همچنین، ممکن است رابطه(۵-۵) بصورت زیر بیان گردد:
 
بطوریکه i یک بردار  از واحدها، اسکالر و می باشند. اختلاف بین مقاطع(بنگاه ها، کشورها، مسیرها، استان ها و …) در نشان داده می شود و در طول زمان ثابت فرض می گردد. اگر فرض ما این باشد که  برای تمام بنگاه ها ثابت است. روش OLS تخمین های کارا و سازگاری از  و بدست خواهد داد. ولی اگر فرض کنیم که در بین مقاطع مختلف اختلاف وجود دارد، باید از روش های دیگری برای تخمین استفاده شود.
اگر مشاهدات مربوط به تک تک مقاطع در دوره های یکسان و ثابت قرار داشته باشد(یعنی تعداد مشاهدات هریک از آنها با هم برابر باشند)، در این حالت می گوییم که پانل تعادلی است. ولی اگر مشاهدات مربوط به تک تک مقاطع با هم متفاوت و در دوره های مختلفی نیز باشند، هرچند ممکن است تعداد مشاهدات یکسان باشد، اما چون در دوره های متفاوت هستند به این حالت پانل غیرتعادلی می گویند.

نوشته ای دیگر :
پویایی های ورشکستگی بانک ها در ایران- قسمت ۴۹

۴-۲-۴-تخمین زننده‌های GMM

جهت آشنایی با تخمین زننده های روش گشتاورهای تعمیم یافته(GMM) ابتدا تخمین روش گشتاورها را بیان می کنیم سپس آن را تعمیم داده و پروسه تخمین GMM را استخراج می نماییم.

۴-۲-۴-۱-روش گشتاورها

روش گشتاورها یک تکنیک تخمین است که بیان می دارد پارامترهای مجهول باید بوسیله انطباق گشتاورهای جامعه(که توابعی از پارامترهای مجهول هستند) با گشتاورهای نمونه ای مناسب تخمین زده شوند. در ابتدا لازم است شرایط گشتاوری را به نحو مطلوبی تعریف نماییم(گرین، ۲۰۰۸).

۴-۲-۴-۲-شرایط گشتاوری

با این فرض که ما نمونه ای از مشاهدات شامل داریم درحالیکه می خواهیم یک پارامتر مجهول بردار با اندازه حقیقی را تخمین بزنیم. فرض کنیم یک بردار پیوسته و تابعی از باشد و وجود داشته باشد و برای همه t و  تعریف شده باشد. براین اساس شرایط گشتاوری به این صورت می باشد:
 
بعنوان مثال هرگاه نمونه از یک توزیع گاما با اندازه های حقیقی  و داشته باشیم، روابط میان گشتاورهای این توزیع و پارامترهای آن عبارتند از:
 
 
براساس تعریف قسمت قبل خواهیم داشت:
 
شرایط گشتاوری عبارتند از:

دانلود کامل پایان نامه در سایت pifo.ir موجود است.