مزایای استفاده از ضریب هم بستگی

مدل ardl

مطالعه تاثیر رهبری استراتژیک،توسط منابع انسانی ومنابع مالی برپیاده سازی برنامه های کوتاه مدت وبلند مدت استفاده از زغال سنگ درصنایع- مطلب شماره ۱۵

Posted on سپتامبر 24, 2021 اکتبر 18, 2022 Author مدیر اصلی دیدگاه‌ها برای مطالعه تاثیر رهبری استراتژیک،توسط منابع انسانی ومنابع مالی برپیاده سازی برنامه های کوتاه مدت وبلند مدت استفاده از زغال سنگ درصنایع- مطلب شماره ۱۵ بسته هستند

ودار پراکنش دارای حالات مختلفی است و همواره بین ۱و۱- تعریف می شود و هر چه قدر مطلق ضریب همبستگی به عدد ۱ نزدیک تر باشد، می توان گفت اختلاف مقادیر پیش بینی شده با مقادیر واقعی کمتر خواهد بود، یعنی معادله رگرسیون از خطای کمتر و اعتبار بیشتری برخوردار است. ضریب همبستگی به صورت زیر محاسبه می شود:

۳-۸-۲ ضریب تشخیص یا تبیین
شاخصی است که نشان دهنده اعتبار معادله رگرسیون است به عبارت دیگر این شاخص درصد تغییرات بیان شده توسط معادله رگرسیون را نشان می دهد یعنی آن که مقدار آن، درصد انطباق مقادیر پیش بینی شده با مقادیر واقعی را نشان خواهد داد.
بدیهی است که خطای معادله یا خطای پیش بینی معادله برابر است با که به ضریب عدم تشخیص یا عدم تبیین معروف است. پس عدم تشخیص که با e(error) نشان داده می شود بیانگر درصد تغییرات y است که توسط x در نظر گرفته شده توسط معادله رگرسیون، بیان نمی گردد. ملاک انتخاب متغیر مستقل مناسب ضریب تشخیص است. چنانچه بخواهیم از بین متغیرهای مستقل مختلف، بهترین آنها را انتخاب کنیم، ملاک را بر بزرگترین ضریب تشخیص خواهیم گذاشت.اگر بهترین متغیر مستقل انتخاب شده از سطح قابل قبول ضریب تشخیص برخوردار نباشد، به آن معنی است که تعمیم روند گذشته و پیش بینی y براساس یک متغیر مستقل امکان پذیر نیست. بلکه باید ترکیبی از متغیرهای مستقل (حداقل دو متغیر) را پیدا نمود تا ضریب تشخیص به حد قابل قبول رساند.
از آنجایی که برای آزمون آماری، دراین تحقیق فرضیه ها به عنوان فرض جایگزین در نظر گرفته شده اند، زمانی فرضیه تایید می شود که F محاسبه شده از F جدول بزرگتر باشد.
۳-۸-۳ آزمون معنی دار بودن متغیر مستقل
برای بررسی معنی دار بودن ضریب متغیر مستقل در هر مدل از آماره t استفاده شده است. برای محاسبه این آماره از فرمول زیر استفاده می شود:

: ضریب تخمین، : ضریب مورد آزمون،
: انحراف معیار ضریب تخمین، : مجذور اختلاف بین مشاهدات واقعی و برآوردی،
: تعداد مشاهدات، : تعداد پارامترها.
آماره t بدست آمده با t جدول که با درجه آزادی n-k در سطح اطمینان ۹۵% محاسبه شده مقایسه می شود، چنانچه قدر مطلق t محاسبه شده از t جدول بزرگتر باشد، ضریب مورد نظر معنی دار خواهد بود که دلالت بر وجود ارتباط بین متغیر مستقل و وابسته است.
۳-۸-۴ آزمون خود همبستگی
خود همبستگی زمانی رخ می دهد که خطاها با هم رابطه داشته باشند. به بیان دیگر جمله خطای مربوط به یک مشاهده تحت تاثیر جمله خطای یک مشاهده دیگر قرار دارد. اغلب در داده های مقطعی انتظار می رود که متغیر مستقل یک مشاهده فقط بر متغیر وابسته همان مشاهده تاثیر گذارد و با مشاهدات دیگر ارتباطی نداشته باشد. برخی از دلایل وجود آزمون خود همبستگی عبارتند از :
الف) در برخی موارد یک متغیر مهم حذف شده است و همین مساله باعث خود همبستگی می شود.
ب) در مواردی تبدیل داده ها به اجزای مختلف باعث خود همبستگی می شود.
ج) درمواردی که شکل مدل غلط است و دچار تورش تصریح از نوع شکل مدل هستیم خود همبستگی به وجود می آید.
برای تشخیص خود همبستگی از آماره دوربین- واتسون استفاده می شود که طبق فرمول زیر محاسبه می گردد:

: جمله خطا در زمان t

متن کامل فایل های پایان نامه در سایت feko.ir موجود است.

تحلیل همبستگی پیرسون و همبستگی اسپیرمن در SPSS

تحلیل همبستگی پیرسون و همبستگی اسپیرمن از پرکاربردترین و ساده‌ترین تحلیل‌ها در SPSS هستند. برای آشنایی بیشتر مزایای استفاده از ضریب هم بستگی پژوهشگران و اشاره به جزئیات غالباً ناگفته درباره این آزمون، در این بخش این دو تحلیل را به شما معرفی خواهیم کرد.

گاهی اوقات پژوهشگری علاقه دارد بداند که چه رابطه‌ای بین دو متغیر وجود دارد. برای مثال آیا بین میزان بارش در ۱۰ نقطه با میزان رشد گیاهان در این ۱۰ نقطه رابطه‌ای وجود دارد یا خیر. یا اینکه آیا بین میزان افسردگی افراد با میزان عزت نفس فرد رابطه‌ای وجود دارد یا نه. برای این منظور می‌توان از آزمون‌های همبستگی استفاده کرد. آزمون‌های همبستگی به دو دسته کلی پارامتریک (تحلیل همبستگی پیرسون) و ناپارامتریک (تحلیل همبستگی اسپیرمن) تقسیم می‌شوند. البته چند تحلیل همبستگی ناپارامتریک دیگر نیز وجود دارد که به دلیل کاربرد کم در اینجا توضیحی درباره آن‌ها ارائه نخواهد شد.

تفاوت تحلیل همبستگی پیرسون و همبستگی اسپیرمن

برای بررسی همبستگی باید حداقل دو متغیر داشته باشید. اگر داده‌های شما در سطح فاصله‌ای یا نسبی باشند مانند نمره افسردگی، شادکامی، سن، قد، میزان پرش یک ورزشکار و … از تحلیل همبستگی پیرسون استفاده خواهد شد. همچنین اگر داده‌های شما به صورت رتبه‌ای باشند مانند تحصیلات، سال ورود به دانشگاه، مرتبه شغلی و … از تحلیل همبستگی اسپیرمن استفاده خواهد شد.

نکته مهم: برخی از مزایای استفاده از ضریب هم بستگی متغیرها را می‌توان هم به صورت فاصله‌ای یا نسبی به کار برد و هم به صورت رتبه‌ای. برای مثال اگر شما سن آزمودنی‌های خود را به صورت عدد (برای مثال ۲۶، ۲۷، ۲۸) ثبت کرده باشید این متغیر فاصله‌ای است اما اگر به صورت طیف قرار داده باشید (برای مثال ۰ تا ۱۰ سال، ۱۰ تا ۲۰ سال، ۲۰ تا ۳۰ سال) در این صورت این متغیر رتبه‌ایی است.

ضریب همبستگی چه معنایی دارد؟

ضریب همسبتگی همیشه عددی بین ۱ تا ۱- است. ضریب همبستگی بین ۰ تا ۱ به معنی داشتن همبستگی مثبت است و هرچه این ضریب به ۱ نزدیک‌تر باشد همبستگی قوی‌تر است. همبستگی مثبت یعنی با افزایش نمره یک متغیر نمره متغیر دیگر نیز افزایش می‌یابد، مثلاً با افزایش نمره افسردگی نمره اضطراب نیز افزایش می‌یابد. ضریب همبستگی بین ۰ تا ۱- به معنی داشتن همبستگی منفی بین دو متغیر است و هرچه عدد به ۱- نزدیک‌‎تر باشد یعنی همبستگی منفی قوی‌تر است. همبستگی منفی یعنی با کاهش نمره یک متغیر نمره متغیر دیگر کاهش می‌یابد، مثلاً با افزایش افسردگی میزان شادکامی کاهش می‌یابد.

نحوه تفسیر ضریب همبستگی

در بالا گفتیم که ضریب همبستگی بین ۱ تا ۱- است. اما اعداد این ضریب چه معنایی دارند؟ برای مثال ضریب همبستگی ۰٫۴۷ نشان دهنده ارتباط قوی بین دو متغیر است یا ارتباط ضعیف؟ برای تفسیر ضریب همبستگی می‌توان از راهنمای زیر استفاده کرد که در بسیاری از کتاب‌های آماری آمده است:

– ضریب بین ۰ تا ۰٫۲۹ نشان دهنده همبستگی ضعیف

– ضریب بین ۰٫۳۰ تا ۰٫۶۹ نشان دهنده همبستگی متوسط

– ضریب بین ۰٫۷۰ تا ۱ نشان دهنده همبستگی قوی

برخی از موضوعاتی که با استفاده از تحلیل همبستگی انجام گرفته‌اند آورده شده است:

– رابطه بین سلامت روانی با نمره درسی

– رابطه بین جذابیت با اعتماد دیگران به فرد

– رابطه بین رضایت مشتریان از پاسخگویی پرسنل با میزان خرید آنان از فروشگاه

– رابطه بین عزت نفس با ابتلا به بیماری روانی در دانش آموزان

– رابطه بین ساعات استفاده از اینترنت با نمره کسب شده توسط دانشجویان

نحوه اجرای تحلیل همبستگی پیرسون در SPSS

مثال: فرض کنید که پژوهشگری قصد دارد رابطه بین نمره تحصیلی یک فرد را با میزان اعتیاد اینترنتی او به دست آورد. برای این منظور او نمرات ۲۰ نفر را ثبت می‌کنید و با استفاده از پرسشنامه اعتیاد اینترنتی، نمره اعتیاد اینترنتی این ۲۰ نفر را نیز به دست می‌آورد. در ادامه تحلیل مربوط به این مثال را خواهید دید.

در منوی بالای SPSS به این مسیر بروید:

در کادر باز شده دو متغیر خود را انتخاب و از سمت چپ به سمت راست منتقل کنید. سپس تیک گزینه Pearson را زده و سپس Ok را بزنید.

خروجی SPSS برای شما نشان داده خواهد شد.

در خروجی ظاهر شده تلاقی سطر اول با ستون دوم با سطر دوم با ستون اول نتایج شما خواهد بود. عدد اول نشان دهنده ضریب همبستگی از که عددی بین ۱ تا ۱- خواهد بود. عدد دوم نشان دهنده معناداری یا P-Value است که اگر کمتر از ۰٫۰۵ باشد نشان دهنده معنی دار بودن رابطه بین دو متغیر است. در اینجا ضریب همبستگی بین نمره افراد با میزان اعتیاد اینترنتی آنان ۰٫۷۳۷- است. این ضریب همبستگی نشان می‌هد که بین این دو متغیر رابطه همبستگی منفی وجود دارد، یعنی با افزایش اعتیاد اینترنتی نمره فرد کاهش می‌یابد. همچنین با توجه به میزان Sig یا همان معناداری، مشاهده می‌شود که رابطه این دو متغیر معنادار می‌باشد.

نحوه اجرای تحلیل همبستگی اسپیرمن در SPSS

مثال: فرض کنید که پژوهشگری قصد دارد رابطه بین میزان تحصیلات و میزان درآمد را بسنجد. برای این منظور او تحصیلات (زیردیپلم، دیپلم، دانشگاهی) و میزان درآمد (۱ تا ۲ میلیون، ۲ تا ۳ میلیون و ۳ تا ۴ میلیون) تعدادی از افراد را گردآوری می‌کند. تحلیل مربوط به این مثال در زیر آمده است.

در منوی بالای SPSS به این مسیر بروید:

در کادر باز شده دو متغیر خود را انتخاب و از سمت چپ به سمت راست منتقل کنید. سپس تیک گزینه Spearman را زده و سپس Ok را بزنید.

خروجی SPSS برای شما نشان داده خواهد شد.

در خروجی ظاهر شده تلاقی سطر اول با ستون دوم با سطر دوم با ستون اول نتایج شما خواهد بود. عدد اول نشان دهنده ضریب همبستگی از که عددی بین ۱ تا ۱- خواهد بود. عدد دوم نشان دهنده معناداری یا P-Value است که اگر کمتر از ۰٫۰۵ باشد نشان دهنده معنی دار بودن رابطه بین دو متغیر است. در اینجا ضریب همبستگی بین نمره افراد با میزان اعتیاد اینترنتی آنان ۰٫۵۵۳ است. این ضریب همبستگی نشان می‌هد که بین این دو متغیر رابطه همبستگی مثبت وجود دارد، یعنی با افزایش سطح تحصیلات، میزان درآمد نیز افزایش می‌یابد. همچنین با توجه به میزان Sig یا همان معناداری، مشاهده می‌شود که رابطه این دو متغیر معنادار می‌باشد.

مزایای استفاده از ضریب هم بستگی

پژوهشگر باید تصمیم بگیرد که تفاوت مشاهده شده بین دو میانگین نمونه (به عنوان مثال گروه های آزمایش و گواه) در اثر عوامل شانس به وجود آمده یا تفاوت مشاهده شده بیانگر تفاوت واقعی بین دو جامعه است.

به بیانی، این آزمون برای ارزیابی یکسان بودن و نبودن میانگین نمونه ای با میانگین جامعه در حالتی به کار مرود که انحراف معیار جامعه مجهول باشد، چون توزیع t در مورد نمونه های کوچک با استفاده از درجات آزادی تعدیل می شود، می توان از این آزمون برای نمونه های بسیار کوچک استفاده نمود.

هم چنین این آزمون مواقعی که خطای استاندارد جامعه نامعلوم و خطای استاندارد نمونه معلوم باشد، کاربرد دارد برای به کاربردن این آزمون، متغیر مورد مطالعه باید در مقیاس فاصله ای باشد، شکل توزیع آن نرمال باشد.

به عنوان مثال، پژوهشگری نمونه های مورد نیاز را به طور تصادفی از بین دانش آموزان همتا انتخاب کرده است و درصدد است تأثیر یک روش خاص تدریس را بر پیشرفت یا عملکرد تحصیلی آن ها، ارزیابی کند.

روش تدریس مورد نظر در چندین جلسه در باره گروه آزمایش اجرا می شود، در حالی که گروه گواه بر کنار از این تأثیر می باشد.

در این شرایط، معنادار بودن تفاوت بین دو میانگین از نظر پیشرفت تحصیلی را می توان به وسیله آزمون تی t برای میانگین های مستقل تعیین کرد.

به کارگیری آزمون تی t در پژوهش های علی - مقایسه ای وابسته به سه پیش فرض می باشد:

۱. نمره ها براساس مقیاس فاصله ای یا نسبی باشد؛

۲. توزیع نمره ها در جامعه پژوهش دارای توزیع نرمال باشد (توزیع طبیعی باشد):

۳. واریانس نمره ها در دو جامعه پژوهش برابر باشد (میانگین توزیع برابر صفر است).

روش های آزمون تی t مختلف است که شامل تی با یک مقدار معین (تی صفر)، تی مستقل و تی وابسته می شود.

الف) تی با مقدار معین

این آزمون بررسی میکند که آیا میانگین مشاهده شده در مقایسه با یک مقدار معین (معمولاً حد متوسط که توسط پژوهشگر قابل تعیین و تغییر است) متفاوت است یا خیر؟

در این آزمون مقایسه یک عدد فرضی (میانگین نظری) با میانگین جامعه نمونه مورد نظر است.

به عبارتی، زمانی که پژوهشگر علاقه مند است که ببیند آیا میانگین یک نمونه با میانگین یک جامعه مشخص شده تفاوت معنادار دارد یا خیر از آزمون تی t برای با مقدار معین استفاده می کند و هم چنین زمانی که مقدار خطای معیار میانگین نامعلوم است و مقدار آن از طریق داده های به دست آمده گروه نمونه برآورد می شود، می توان از این آزمون استفاده کرد.

آزمون تی t، وسیله ای است برای اندازه گیری تفاوت بین میانگین نمونه و میانگین جامعه برحسب واحد خطای معیار که این واحد از طریق داده های به دست آمده از گروه نمونه برآورد می شود.

شرط استفاده از توزیع نمونه گیری با جهت آزمون فرضیه ها چند شرط دارد:

۱. نمره ها به صورت نمونه گیری تصادفی از جامعه مورد نظر انتخاب شده باشد:

۲. شکل توزیع پراکندگی نمره ها در جامعه نرمالی باشد (از نظر شکلی متقارن باشند). فرض کنید که مزایای استفاده از ضریب هم بستگی پژوهشگری یک نمونه از دانش آموزان کلاسی را که داری ویژگیهای مشترکی هستند مطالعه می کند.

این تحقیق، یک آزمون هوشی (مانند آزمون وکسلر) را برای آنها اجرا کند و میانگین بهره هوشی کلاس برابر ۱۰۹ به دست می آید.

این پژوهشگر به عنوان بخشی از تحلیل یافته ها علاقه مند است بداند که آیا بین این میانگین (۱۰۹) و میانگین جامعه تفاوت معناداری وجود دارد یا خیر.

اگر فرض شود که میانگین جامعه برابر ۱۰۰ است، می توان از آزمون تی t برای یک میانگین استفاده نمود و تفاوت بین ۱۰۰ (میانگین جامعه) و ۱۰۹ (میانگین نمونه) را از نظر معنادار بودن آماری مشخص نمود.

ب) تی با نمونه مستقل

ان دسته از طرح هایی که در ان دو متغیر و یا نمونه مستقل در دو موقعیت مورد ازمون ومقایسه قرار می گیرد.

مانند بررسی تاثیر دو روش تدریس (فعال و غیر فعال) در پیشرفت تحصیلی دانش آموزان، در این مثال میانگین ها و نمونه ها مستقل از هم فرض می شود.

ج) تی زوجی یا وابسته

آن دسته از طرح هایی که در آن یک متغیر مستقل در دو موقعیت مورد آزمون قرار گیرد و در این دو موقعیت، آزمودنیهای یکسان یا همتا شرکت داشته باشند، از از مونتی زوجی یا وابسته استفاده میشود.

این ازمون «مقایسه زوج ها» هم نامیده می شود.

برای مثال، جهت بررسی تاثیر روش تدریس بر یادگیری ازمودنیها و برای تعیین معنادار بودن تفاوت بین نمره ها در قبل و بعد اجرای روش تدریس، از از مونتی برای مقایسه دو میانگین همبسته (زوج ) استفاده می شود و طرحی که برای ارزشیابی استفاده می شود پیش ازمون و پس ازمون است.

یا اینکه پژوهشگری قصد دارد وضعیت موجود و مطلوب مزایای استفاده از ضریب هم بستگی جو یک سازمان را مورد بررسی قرار دهد و دریابد که ایا بین این دو وضعیت با توجه به نظر و ارزش گذاری مدیران، تفاوت وجود دارد یا نه؟

به این منظور، وی تعدادی از مدیران را به طور تصادفی انتخاب و نظر آنان را درباره ارزش گذاری وضعیت جو سازمان، جویا می شود.

یعنی هر مدیر، هم زمان درباره جو موجود و نیز مطلوب سازمان اظهار نظر می کند.

سپس این تفاوت تحلیل آماری می شود. مزیت این آزمون در آن است که در مقایسه با آزمون تی t برای میانگین های مستقل، در این آزمون خطای معیار کمتری وجود دارد.

در نتیجه احتمال بیشتری وجود دارد که پژوهشگر بتواند تفاوت معناداری را بین میانگین ها به دست آورد.

مدل ARDL یا اتورگرسیو با وقفه توزیعی در ایویوز

مدل ardl

1- روش آردل (ARDL) چیست؟

در بسیاری از مدل های اقتصادی و مالی، تاثیر گذاری متغیرهای توضیحی با تاخیرهای قابل توجهی مواجه اند. به عنوان مثال اثر یک سیاست پولی انبساطی بر متغیرهای مورد نظر، با تاخیر ظاهر می شود و یا اینکه اثر سرمایه گذاری های جدید بر ایجاد ظرفیت تولید و مقدار تولید، دارای تاخیرهایی است.

اثرات تاخیری بیانگر آن است که اگر مقدار X امروز تغییر کند، اثر آن در امروز و و روزهای آینده ظاهر خواهد شد.

مدل هایی که برای بررسی اثرات تاخیری ارائه می شوند، معروف به مدل های با وقفه توزیعی (Distributed Lag) هستند که یکی از جدید ترین روش ها برای این بررسی ها، روش خود توضیح با وقفه های توزیعی یا ARDL است. ARDL مخفف عبارت Autoregressive Distributed Lag می باشد. در این مدل، متغیر وابسته تحت تاثیر وقفه های این متغیر و سایر متغیرهای مستقل قرار دارد.

شکل کلی مدل به قرار زیر است.

به عنوان مثال و برای سادگی مدل ( ARDL(1,1 به قرار زیر است:

همانگونه که ملاحظه می شود، در سمت راست رگرسیون متغیر وابسته با وقفه های مختلف و همچنین متغیر یا متغیرهای مستقل با وقفه های متفاوت وجود دارد.

ضمنا در صورتیکه در سمت راست رگرسیون، چندین متغیر مستقل مختلف داشته باشیم، میزان وقفه هر کدام از متغیرها در نگارش مدل آردل به ترتیب لحاظ می گردد. مثلا اگر در مدل خود X1 , X2 , X3 داشته باشیم، آنگاه مدل آردل را به صورت ( ARDL(a, b, c, d خواهند نوشت.

2- اجرای روش ARDL در نسخه های جدید EViews

نسخه های قبل از ایویوز 9 توانایی انجام این روش را در منوی نرم افزار ندارند و باید از طریق برنامه نویسی باید انجام شود که خوب کار را بسیار سخت خواهد کرد. بنابراین چنانچه از نسخه های قدیمی نرم افزار ایویوز استفاده می کنید، توصیه ما به شما مراجعه به این صفحه و دانلود نسخه 9 یا به عبارتی نسخه 9.5 ایویوز است (فیلم راهنمای نصب نیز موجود است): دانلود ایویوز 9.5 با ویدئوی راهنمای نصب

3- پیش نیازها قبل از انجام روش آردل

همانند اکثر روشهای اقتصاد سنجی (همانند پانل دیتا) قبل از انجام روش ARDL لازم است ابتدا آزمون ریشه واحد برای بررسی مانایی متغیرهای موجود در مدل و همچنین آزمون هم انباشتگی (هم جمعی) اجرا و نتایج آن مورد تحلیل قرار گیرد.

آماره های توصیفی نیز قبل از آزمون های فوق معمولا مورد توجه قرار می گیرد.

4- روش تشخیص مدل آردل

در صورت وجود شرایط زیر می توانید از مدل ARDL استفاده کنید:

1. متغیر وابسته در سطح مانا نباشد.
2. متغیرهای توضیحی می توانند در سطح یاا یک تفاضل یا دو تفاضل مانا باشند.
3. محقق قصد داشته باشد روابط کوتاه مدت و بلند مدت را به صورت همزمان مطالعه کند.
4. وجود روابط بلند مدت (هم انباشتگی با یک تفاضل) به اثبات برسد.
5. عدم نقض فروض کلاسیک.

تصویر زیر نیز الگویی است که با توجه به مانایی متغیرها می توانید روش اقتصاد سنجی مورد نیاز را بدست آورید:

انتخاب مدل آماری بر اساس مانایی

حال بپردازیم به مزایای این مدل شور انگیز آماری:

5- مزیت های مدل ARDL نسبت به مدل VECM و مدل VAR

جهت بررسی رابطه بلند مدت بین متغیرها، بسیاری از پژوهش ها از تکنیک ژوهانسون (و به تبع آن، VAR و VECM) استفاده کرده اند. با این حال در پژوهش های اخیر، رویکرد جدیدی با نام روش خود توضیح با وقفه های توزیعی (ARDL) ارائه شده است. روش اخیر نسبت به رویکرد مزایایی دارد.

اول آن که رویکرد آردل برای نمونه های کوچکتر مناسب است در حالی که برای اعتماد به نتایج رویکرد ژوهانسون (مدل var و vecm) نمونه های بزرگتری مورد نیاز است.

سایر روش های همجمعی یا هم انباشتگی (از جمله ژوهانسون) مستلزم یکسان بودن درجه انباشتگی متغیرها هستند و اگر صرفا یکی از متغیرها با یک درجه تفاضلی مانا شود، باید از تفاضل مرتبه اول تمام متغیرها (حتی متغیرهایی که در سطح پایا (مانا) هستند) استفاده شود. که این کار موجب از دست رفتن حجم زیادی از اطلاعاتی می شود که متغیرهای پایا در دل خود دارند. ولی روش ARDL برای متغیرهایی با درجات انباشتگی متفاوت، قابل استفاده است.

در رویکرد آردل، امکان در نظر گرفتن وقفه های بهینه متفاوت هر متغیر، در مراحل مختلف تخمین وجود دارد، در حالی که در رویکرد ژوهانسون این امکان فراهم نیست.

برآوردهای روش ARDL به دلیل پرهیز از مشکلاتی همچون خود همبستگی و درونزایی، نا اریب و کارا هستند. همچنین ای روش، روابط بلند مدت و کوتاه مدت بین متغیر وابسته و سایر متغیرهای توضیحی الگو را به طور همزمان تخمین می زند.

6- بررسی روابط کوتاه مدت بین متغیرهای مدل

در این روش می توان روابط کوتاه مدت بین متغیرهای مدل را بیان نموده و تشریح کرد.

7- بررسی روابط بلند مدت مدل

یکی از امکانات روش خود توضیح برداری با وقفه های گسترده (توزیعی)، برآورد ضرایب مربوط به تعادل بلند مدت است. اما لازم است کاذب بودن و نبودن ضرایب تعادل بلند مدت بدست آمده مورد بررسی قرار گیرد.

به عبارت دیگر بررسی شود که آیا رابطه پویای کوتاه مدت به سمت تعادل بلند مدت گرایش دارد یا خیر.

8- استخراج جمله تصحیح خطا (ECM)

با استفاده از دستور در نرم افزار ایویوز می توان الگوی تصحیح خطا را بدست آورد و آنرا تفسیر نمود.

در صورتی که ضریب تصحیح خطای بدست آمده منفی و معنی دار باشد، در می یابیم که طی هر دوره زمانی (سال) با چه سرعتی خطای عدم تعادل تعدیل گردیده و مقدار کوتاه مدت به سمت مقدار تعادل و بلند مدت خود میل می کند.

9- بررسی برازش مدل ARDL

در مدل های آردل نیز همانند تمام مدلهای اقتصاد سنجی لازم است با ابزارها و شاخص هایی برازش و خوب بودن مدل را مورد بررسی قرار دهیم و از مناسب بودن آن اطمینان حاصل کنیم.

1-9- خودهمبستگی بین باقیمانده های مدل

برای بررسی خود همبستگی بین باقیمانده های مدل در روش ardl به آزمون دوربین واتسون و آماره آن نمی توان اکتفا نمود و لازم است از سایر روش های آزمودن خود همبستگی بهره برد.

2-9- آزمون ثبات ساختاری

انجام این آزمون برای بررسی برازش و مناسب بودن مدل آردل لازم است. این آزمون در قالب نمودار cusum ارائه و تحلیل می گردد.

3-9- آزمون ناهمسانی واریانس

برای اطمینان از عدم ناهمسانی واریانس باقیمانده های مدل لازم است این آزمون اجرا و نتایج آن رد کننده ناهمسانی واریانس باشند.

مجله پژوهش‌های فرسایش محیطی

Mohamad Asgari H, Jafari M, Alavipanah S K, Farhadi S, Razmi M. Analysis of spatial variability of soil properties using geostatistics and remote sensing. E.E.R. 2014; 4 (2) :53-71
URL: http://magazine.hormozgan.ac.ir/article-1-190-fa.html

محمدعسگری حسین، جعفری محمد، علوی پناه سید کاظم، فرهادی سعید، رزمی مریم. تجزیه و تحلیل تغییرات مکانی برخی از خصوصیات خاک با استفاده از زمین آمار و سنجش از دور. پژوهش هاي فرسايش محيطي 1393; 4 (2) :71-53

تهیه نقشه های خاک یکی از مطالعات پایه در بخش منابع طبیعی است. هدف از این تحقیق تجزیه و تحلیل مکانی خصوصیات خاک و در نهایت تهیه نقشه پارامترهای خاک در مناطق خشک و بیابانی می باشد. بدین منظور منطقه ای با مساحت 600 هکتار در استان قم و حوزه ی آبخیز دریاچه نمک در نظر گرفته شد. روشهای معین مورد استفاده شامل روشهای عکس فاصله، توابع شعاعی، تخمین عام و تخمین موضعی می باشد. روشهای زمین آماری مورد استفاده شامل انواع کریجینگ و انواع کوکریجینگ می‌باشد. نتایج این بررسی نشان دهنده ی مزایای روشهای زمین آماری نسبت به روشهای معین در تهیه نقشه ی خاک است. از جمله این مزایا تحلیل واریوگرافی را می توان نام برد که بر اساس پارامترهای آن می توان شبکه ی نمونه برداری را بطور بهینه طراحی نمود و همچنین دقت بالاتر این روش ها بر اساس شاخص میانگین قدر مطلق خطا ( MAE ) برای روش های معین حداکثر 87/9 و حداقل 26/1 و برای روش کریجینگ حداکثر 48/9 و حداقل 19/1 و در روش کوکریجینگ مزایای استفاده از ضریب هم بستگی حداکثر مقدار 64/9 و حداقل مقدار 2/1 می‌باشد. در این تحقیق پارامتر دارای بیشترین ضریب همبستگی با پارامتر مورد نظر بعنوان متغیر کمکی در نظر گرفته شد. از داده های سنجنده ی ETM + نیز بعنوان متغیر کمکی در مزایای استفاده از ضریب هم بستگی میان یابی پارامترها استفاده گردید. نتایج نشان داد استفاده از داده های ماهواره ای سبب افزایش دقت در تهیه نقشه پارامترهای خاک می گردد. دقیق ترین روش برای هر پارامتر متفاوت می باشد و جهت تهیه نقشه خصوصیات خاک مزایای استفاده از ضریب هم بستگی باید روش‌های مختلف مورد بررسی قرار گیرند. در اکثر پارامترهای سطحی مورد بررسی بهترین روش، روش‌های زمین آماری و فقط در پارامتر سیلت بهترین روش، روش تخمین موضعی می‌باشد. در اکثر پارامترهای عمقی بهترین روش، روش‌های زمین آماری می باشد.