‫اقتصادسنجی دوره فرعی‪۴۴۷۲۰ ،‬‬

‫ترم دوم سال تحصیلی ‪1399-1400‬‬

‫حل تمرین سری پنجم‪Inference :‬‬

‫نکته‪ :‬الزم است پاسخ تمرین را به صورت یک فایل ‪ pdf‬در سامانهی درسافزار آپلود نمایید‪.‬‬

‫‪.۱‬‬

‫الف) با کنترل متغیرهای مربوط به سال و ایالت‪ ،‬تأسیس یک واحد بیشتر شعبهی سرانهی بانک (در طرح یاشده) در یک منطقه‬
‫منجر به ‪ ۲/۰۹‬واحد درصد افزایش در جمعیت زیر خط فقر آن منطقه میشود‪.‬‬

‫ب) فرضیهی صفر (‪ )null hypothesis‬این است که ضریب ‪ 𝛽1‬صفر باشد‪.‬‬

‫‪𝐻0 : 𝛽1 = 0‬‬

‫ج) به خاطر تعداد باالی مشاهدهها‪ ،‬توزیع ‪ t‬به توزیع نرمال میل میکند‪:‬‬

‫)‪𝑡𝛽̂1 ≈ 𝑁(0,1‬‬

‫‪̂1‬‬
‫𝛽‬ ‫‪2.09‬‬
‫= ‪𝑡𝛽̂1‬‬ ‫=‬ ‫‪= 2.65‬‬
‫̂‬
‫‪𝑠𝑒(𝛽1 ) 0.79‬‬

‫‪→ 𝑖𝑛 𝑡𝑤𝑜 − 𝑡𝑎𝑖𝑙𝑒𝑑 𝑁𝑜𝑟𝑚𝑎𝑙 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛: 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.008049 < 0.01‬‬

‫پس فرض صفر‪ ،‬در سطح خطای یک درصد رد میشود‪.‬‬

‫د) در قسمت قبل مشخص شد که اثر متغیر ‪ bank‬حتی در سطح یک درصد هم معنادار است؛ ناسازگاری نتیجه با شهود در این‬
‫است که قاعدتا انتظار داریم اثر احداث بانک باعث کاهش فقر از طریق فراهمآوردن اعتبار شود‪ ،‬اما ضریب مثبت معنادار این رگرسیون‬
‫نتیجهای وارونه به ما میدهد‪ .‬این اتفاقْ علت سادهای دارد‪ .‬مناطقی که نیاز به تأسیس بانکهای بیشتری داشتهاند‪ ،‬پیش از طرحْ اوضاع‬
‫بدتری از نظر دسترسی به بانک و اعتبار داشتهاند و احتماالً به طور کلی مناطقی محرومتر با جمعیت فقیر بیشتر بودهاند‪ .‬پس مشاهدهی‬
‫چنین همبستگی مثبتی نباید دور از انتظار باشد‪ .‬برای یافتن اثر علّی طرحِ یادشده نیاز به روشهایی پیشرفتهتر از رگرسیون ساده (مثالً روش‬
‫تفاضل در تفاضل) است‪.‬‬

‫‪.۲‬‬

‫الف)‬

‫𝛽 ‪̂1 −‬‬
‫𝛽(𝑟𝑎𝑣‬ ‫) ‪̂2 ) = 𝑣𝑎𝑟(𝛽̂1 ) + 𝑣𝑎𝑟(𝛽̂2 ) − 2𝑐𝑜𝑣(𝛽̂1 , 𝛽̂2‬‬
 ‫ب)‬

‫فرض صفر به صورت زیر است‪:‬‬

‫‪𝐻0 : 𝛽1 − 𝛽2 = 0‬‬

‫بنابراین آمارهی ‪ t‬به صورت زیر به دست میآید‪:‬‬

‫) ‪𝑠𝑒(𝛽̂1 − 𝛽̂2 ) = √𝑣𝑎𝑟(𝛽̂1 ) + 𝑣𝑎𝑟(𝛽̂2 ) − 2𝑐𝑜𝑣(𝛽̂1 , 𝛽̂2‬‬

‫‪𝛽1 − 𝛽2 − 0‬‬
‫=𝑡→‬
‫) ‪√𝑣𝑎𝑟(𝛽̂1 ) + 𝑣𝑎𝑟(𝛽̂2 ) − 2𝑐𝑜𝑣(𝛽̂1 , 𝛽̂2‬‬

‫ج) این بار با روش ‪ Re-parametrization‬آمارهی ‪ t‬را به دست بیاورید‪ .‬یعنی در نظر بگیرید که ‪ 𝜃 = 𝛽1 − 𝛽2‬و دوباره تصریح‬
‫(‪ )Specification‬رگرسیون را بازنویسی کنید و در نهایت بر حسب تخمینگرِ ̂𝜃 آمارهی ‪ t‬را بنویسید‪.‬‬

‫‪𝜃 = 𝛽1 − 𝛽2 → 𝛽1 = 𝜃 + 𝛽2‬‬

‫𝑢 ‪𝑦 = 𝛽0 + (𝜃 + 𝛽2 )𝑥1 + 𝛽2 𝑥2 +‬‬

‫𝑥( ‪𝑦 = 𝛽0 + 𝜃𝑥1 + 𝛽2‬‬

‫𝑢 ‪⏟ 1 + 𝑥2 ) +‬‬
‫̃𝑥‬

‫𝑢 ‪𝑦 = 𝛽0 + 𝜃𝑥1 + 𝛽2 𝑥̃ +‬‬

‫𝜃‬
‫=𝑡‬
‫)𝜃(𝑒𝑠‬

‫‪.۳‬‬

‫سوال ‪:۵‬‬

‫‪)i‬‬

‫بازهی اطمینانی ‪ ۹۵‬درصدی با فرض توزیع نرمال بدین صورت است‪:‬‬

‫]‪𝛽̂ ± 𝑧95% × 𝑠𝑒 = 0.412 ± 1.96 × 0.094 → [0.228,0.596‬‬

‫‪)ii‬‬
‫با توجه به بازهی اطمینانی که به دست آوردیم‪ ،‬در سطح خطای ‪ ۵‬درصد ‪ 𝐻0 : 𝛽ℎ𝑠𝐺𝑃𝐴 = 0.4‬رد نمیشود؛ چرا که مقدار ‪۰/۴‬‬
‫داخل بازهی اطمینانی ‪ ۹۵‬درصدی (‪ )two-tailed‬قرار دارد‪.‬‬

‫‪)iii‬‬

‫این فرض در سطح خطای پنج درصد رد میشود‪ ،‬چرا که مقدار ‪ ۱‬داخل بازهی اطمینانی ‪ ۹۵‬درصدی نیست‪.‬‬

‫سوال ‪:۱۱‬‬

‫‪)i‬‬

‫از ضرایب ستون ‪ ۲‬و ‪ ۳‬مشخص است که ضریب این متغیر فاصلهی معناداری (حتی در سطح خطای ‪ ۱۰‬درصد) با صفر ندارد و در‬
‫نتیجه ضریبی بیمعنی است‪ .‬پس با کنترل متغیرهای موجود‪ ،‬درصد سود تأثیر خاصی روی دستمزد مدیر ندارد‪.‬‬

‫‪)ii‬‬

‫در ستون ‪ ۳‬که همهی متغیرها وارد رگرسیون شدهاند‪ ،‬اثر ارزش بازار در سطح ‪ ۹۵‬درصد رد نمیشود (‪ )𝑧 ≈ 2‬و در نتیجه ضریب‬
‫آن معنادار است‪ .‬تفسیر آن بدین صورت است که با کنترل سایر متغیرها‪ ،‬تقریبا به ازای یک درصد افزایش ارزش بازار شرکت‪ ،‬دستمزد‬
‫مدیر به طور متوسط به اندازهی ‪ ۰/۱‬درصد زیاد میشود‪.‬‬

‫‪)iii‬‬

‫ضریب ‪ ceoten‬نشان میدهد با کنترل سایر متغیرها‪ ،‬به ازای هر یک سال سابقهی مدیریت بیشتر مدیر در شرکت‪ ،‬به طور متوسط‬
‫‪ ۱/۷‬درصد دستمزد مدیر زیاد میشود‪ .‬این ضریب در سطح اطمینان ‪ ۹۹‬درصد معنادار است‪.‬‬

‫ضریب ‪ comten‬نیز در سطح اطمینان ‪ ۹۹‬درصد معنادار است‪ .‬تفسیر آن بدین صورت است که با کنترل سایر متغیرها‪ ،‬به ازای هر‬
‫یک سال سابقهی کلی بیشتر مدیر درون شرکت‪ ،‬به طور متوسط ‪ ۰/۹۲‬درصد دستمزد مدیر کم میشود‪.‬‬

‫‪)iv‬‬

‫این اتفاق میتواند تحت اثر پدیدهای موسوم به ‪ superstar effect‬رخ داده باشد؛ وقتی شرکتها میکوشند از بیرون از خود‪،‬‬
‫فردی بسیار توانا را برای مدیریت استخدام کنند‪ ،‬گزینههای محدودی وجود دارد و باید ارقام باالیی برای دستمزد پیشنهاد دهند‪ .‬اما کسی‬
‫که چند سالی در سمتی غیر از مدیر با شرکت همکاری داشته‪ ،‬احتماالً به عنوان مدیری از بیرون استخدام نشده و دستمزد فوقستارهها به‬
‫او تعلق نگرفته است!‬