متغیر های ابزاری (IV) و کمترین مجذورات دو مرحله ای (TSLS)

متغیر های ابزاری (IV) و کمترین مجذورات دو مرحله ای (TSLS)

متغیر های ابزاری (IV)

متغیر های ابزاری (IV) و کمترین مجذورات دو مرحله ای (TSLS) : مقصود این دو روش برآورد پارامترهای آزاد و محدود شده مدل از روی ماتریس کواریانس گروه نمونه S است. البته گزینه برجسته را نیز می‌توان با این روشهای برآورد به کار برد. روش های برآورد WLS,ML,GLS,ULS و DWLS به‌ گونه کلی ، متکی بر شیوه از سرگیری (تکرار شونده) هستند و به منظور شعبه محاسبه و برآورد در همه پارامترهای آزاد مستقل نیاز به تقریب های اولیه دارند. این مقادیر شروع در Lisrel از طریق روش های IV (فقط برای UL)و TSLS (برای دیگر روشها) محاسبه میشوند. هرچند برآوردهای حاصل در معنای دارا بودن کمینه واریانس نمونه بزرگ کارآمد نیست،اما آنها ثابت و دارای این مزیت اند که انجام محاسبات را بسیار آسان می سازند.IV و TSLS مقادیری برای خطاهای استاندارد و پارامتر های برآورد شده به دست نمی دهند.

هنگامیکه مدل با داده ها برازش خوبی نشان دهد مقادیر آغازین که به وسیله برنامه تولید می‌شود اغلب خیلی نزدیک به جوابی است که تنها نیاز به چند تکرار برای محاسبه جوابهای نهایی دارد. برای برخی مدل‌ها مقادیر آغازین برابر شده با ML و دیگر برآوردها یکسان خواهد بود. برای تاکید بر این واقعیت که مقادیر آغازین به واقع فقط برآورد هستند این مقادیر،برآوردهای اولیه نامیده شده است. مقصود آن است که این مقادیر را فقط به منظور به دست آوردن برآوردهای اولیه و نه برای محاسبه ML یا سایر برآوردها میتوان برگزید.

به ویژه آنکه این مطلب را به منظور صرفه‌جویی در زمان رایانه،مخصوصاً وقتی که مدل مورد نظر فقط جنبه آزمایشی و موقتی داشته باشد می‌توان درباره مدل های بزرگ به کار برد. در چنین موقعیتی خود برآوردهای اولیه یا دیگر اطلاعات در برون داد ممکن است راه هایی برای بهبود مدل پیشنهاد کنند. مدل LISREL در بیشتر موارد به گونه خودکار مقادیر آغازین خوبی تولید می‌کند؛بنابراین کاربران برای هیچکس پارامتر های آزاد نیازی به مقادیر آغازین ندارند. مقادیر گاه در مدل‌های غیر استاندارد به منظور کمک به برنامه رایانه‌ای در شروع عملیات تکرار (از سر گیری) ضرورت دارد. یک مثال برای این مدل هنگامی است که برای متغیرهای مکنون مختلف نشانگرهای همپوش بسیاری وجود داشته باشد.   

  چنانکه قبلاً نیز گفتیم،چون ++ و ++ متغیرهای مکنون و فاقد واحد اندازه گیری مشخصی اند ، مبدا و واحد اندازه گیری آنها اختیاری است. با این فرض که هر متغیر دارای میانگین سفر است برای تعبیر و تفسیر اجزای ++ فقط لازم است واحد اندازه گیری متغیرهای مکنون مشخص گردد. هر چند فرض استاندارد بودن متغیرها (با واریانس ۱٫۰) درباره متغیر های ++ پذیرفتنی است،اما فردا آن درباره متغیر های++ ممکن نیست زیرا ماتریس کوواریانس آن یک ماتریس با دارا متر های آزاد نیست. ساده ترین راه آن است که این واحد با عددی غیر صفر (معمولا برابر با ۱٫۰۰) برابر گرفته شود ، و هر متغیر مکنون در رابطه با یک متغیر مشاهده شده به نام متغیر مرجع تعریف گردد.

بدین معنا که واحد اندازه گیری هر متغیر مکنون برابر با واحد اندازه گیری متغیر می‌دهد مشاهده شده منهای خطای اندازه‌گیری آن در نظر گرفته می‌شود. بدین ترتیب مفهوم کلیدی در برآورد های اولیه (IV و TSLS) مربوط به متغیر مرجع است. متغیر مرجع برای یک متغیر مکنون،متغیر مشاهده شده ای است که در معنای یک شاخص معتبر و روا معرف آن متغیر مکنون باید. برای هر متغیر مکنون ممکن است فقط یک متغیر مرجع وجود داشته باشد .

هرچند انتخاب متغیرهای مرجع به گونه خودکار به وسیله برنامه انجام می‌شود اما با این گزینش آنها اختصاص مقیاس ها به متغیرهای مکنون ارتباط وجود دارد. اگر مقیاس ها به متغیرهای مکنون از طریق تثبیت یک مقدار غیر صفر در هر یک از ستون‌ های ++و++ اختصاص داده شود، در این صورت متغیر هایی که برای آنها این مقادیر غیر صفر تثبیت شده است،متغیرهای مرجع خواهد بود. بدین ترتیب کاربران می توانند متغیرهای مرجع را به گونه مشهود مشخص نمایند.

متغیرهای ابزاری (IV) و کمترین مجذورات دو مرحله ای TSLS در Lisrel

لیزرل اساساً برای مدل‌سازی معادلات ساختاری (SEM) طراحی شده است که بر تحلیل روابط بین متغیرهای پنهان و شاخص‌های مشاهده‌شده آنها تمرکز دارد. با این حال، متغیرهای ابزاری (IV) و کمترین مجذورات دو مرحله ای TSLS مفاهیمی هستند که اغلب در اقتصادسنجی و تحلیل رگرسیون استفاده می‌شوند، که کمی با چارچوب SEM معمولی متفاوت هستند. در حالی که LISREL ممکن است به طور مستقیم از IV و TSLS مانند نرم افزارهای اقتصادسنجی پشتیبانی نکند، می توانید اصول مشابه را با استفاده از رویکردهای جایگزین اعمال کنید.

در اینجا نحوه برخورد با IV و TSLS در زمینه SEM با استفاده از LISREL آمده است:

1. متغیرهای ابزاری (IV):
متغیرهای ابزاری برای پرداختن به درون زایی در مدل های رگرسیونی با استفاده از متغیرهایی که با متغیر درون زا همبستگی دارند اما مستقیماً با متغیر وابسته مرتبط نیستند، استفاده می شود. در SEM، این اغلب برای رفع خطای اندازه‌گیری یا بایاس متغیر حذف شده استفاده می‌شود.

مرحله 1: مشخصات مدل
متغیر(های) نهفته درون زا، متغیر(های) نهفته اگزوژن، و متغیر(های) ابزاری خود را در نمودار مسیر تعریف کنید.
روابط بین این متغیرها، از جمله مسیرهای متغیرهای ابزاری به متغیرهای درون زا را مشخص کنید.

مرحله 2: برآورد
برای تخمین پارامترهای مدل، از جمله مسیرهای شامل متغیرهای ابزاری، از تخمین حداکثر احتمال LISREL استفاده کنید.

مرحله 3: تفسیر
ضرایب مسیر شامل متغیرهای ابزاری را تفسیر کنید، با درک اینکه آنها نشان دهنده اثر متغیر درون زا تنظیم شده برای ابزار هستند.

2. حداقل مربعات دو مرحله ای (TSLS):
TSLS تکنیکی است که برای تخمین ضرایب یک مدل رگرسیون خطی در زمانی که درون‌زایی یک نگرانی است، استفاده می‌شود. این شامل دو مرحله است: اول، برآورد روابط شکل کاهش یافته بین متغیرهای درون زا و برون زا. و دوم، استفاده از باقیمانده های برآورد شده از مرحله اول برای تخمین معادله ساختاری.

مرحله 1: مرحله اول
روابط شکل کاهش یافته را بین متغیرهای ابزاری، متغیرهای برون زا و متغیرهای درونزا مشخص کنید.
از LISREL برای تخمین این روابط شکل کاهش یافته استفاده کنید.

مرحله 2: باقیمانده ها
باقیمانده ها را از روابط شکل کاهش یافته تخمینی بدست آورید. این باقیمانده ها نشان دهنده بخش غیرقابل توضیح متغیرهای درون زا هستند.

مرحله 3: مرحله دوم
یک مدل لیزرل جدید ایجاد کنید که در آن متغیرهای درون زا بر روی باقیمانده های به دست آمده از مرحله اول پسرفت می شوند.
از LISREL برای تخمین این مدل مرحله دوم استفاده کنید، که تخمین های TSLS پارامترهای ساختاری را ارائه می دهد.

لطفاً توجه داشته باشید که در حالی که LISREL را می توان برای مدیریت این مفاهیم تطبیق داد، طراحی اولیه آن برای SEM است و استفاده از آن برای IV یا TSLS ممکن است شامل برخی کاربردهای خلاقانه از ویژگی های آن باشد. اگر تجزیه و تحلیل شما به شدت شامل IV و TSLS می شود، ممکن است استفاده از نرم افزار اقتصاد سنجی تخصصی را نیز در نظر بگیرید که ابزارهای اختصاصی برای این تکنیک ها را فراهم می کند. همیشه اطمینان حاصل کنید که تکنیک هایی که به کار می برید برای زمینه تحقیق شما مناسب است و در صورت نیاز با متخصصان این حوزه مشورت کنید.

جهت مشاهده مطالب دیگر لیزرل کلیک کنید .

Instagram : unitahlil.team