سامانه پژوهشی – بررسی تأثیر مالیات بر ارزش افزوده بر روند درآمدهای مالیاتی دولت- قسمت …

 
(۳-۴)
 
(۳-۵)
 
رابطه (۳-۴) فرآیند گام تصادفی با رانش را نشان می دهد. در رابطه (۳-۵) نیز  یک فرآیند گام تصادفی است که حول و حوش یک روند زمانی تغییر می کند. پارامتر مورد بررسی در تمامی روابط ارائه شده پارامتر  می باشد. اگر  باشد، آنگاه سری زمانی  شامل ریشه ی واحد است. در این روش یکی (یا تعداد بیشتری) از معادلات فوق با روش OLS برآورد می شود و با استفاده از مقادیر برآورد  و انحراف معیارمربوط به آن، آزمون انجام می گیرد. آماره ی t آزمون مورد نظر به صورت:
 
(۳-۶)
تعریف می شود. این آماره با مقدار حاصل از جدول دیکی-فولر مقایسه می شود. چنانچه مقدار t بیش از مقدار حاصل از جدول باشد، فرض صفرتأیید نمی شود.
۳-۴- الگوهای تحقیق
۳-۴-۱- معرفی مدل
۳-۴-۱-۱- رگرسیون آستانهای
روش رگرسیون آستانهای ارائه شده توسط هانسن[۲۵] (۱۹۹۹) به دنبال پاسخ به این سوال است که آیا توابع رگرسیونی به طور یکنواخت از همهی مشاهدات عبور می کند یا میتواند به گروههای مجزا شکسته شوند؟
تجزیه و تحلیل سنّتی روابط غیرخطی معمولاً بر اساس رهیافت تقسیم نمونه به دو گروه به صورت برونزا است که بر پایهی داوری و ترجیحات فردی استوار است. در صورت استفاده از این روش، انتخاب تعداد رژیمها و محل آن اختیاری و بر اساس راهنماییهای نظریات اقتصادی قبلی است. لذا در این صورت، صحت نتایج و پارامترهای تخمین زده شده سؤال برانگیز است، زیرا به طور وسیعی به انتخاب نقطهای که آستانه در آنجا رخ می دهد، وابسته است.
روش دیگری که در تجزیه و تحلیل های آستانهای مورد استفاده قرار میگیرد، روش رگرسیونی پیدرپی یا درخت رگرسیونی است که شمار و محل آستانهها را به طور کاملاً درونزا و با بهرهگیری از مرّتبسازی دادههای موجود تعیین میکند (لی و ونگ[۲۶]،۲۰۰۵). این مبحث به طور جدی توسط هانسن (۱۹۹۷، ۱۹۹۹ و ۲۰۰۰) با ارائهی یک تکنیک جدید در اقتصاد سنجی توسعه داده شده است. از مزایای دیگر این روش این است که تصوّرات ذهنی در شکلگیری نوع رابطه غیرخطّی دخالتی نداشته و نیاز به هیچگونه فرم تابعی معین غیرخطّی در بررسی روابط غیرخطّی ندارد (زیبایی و مظاهری، ۱۳۸۸).
اگر دادههای ترکیبی متعادل به صورت {yit , qit , xit:1≤i<n , 1≤t<T} باشند که اندیس i نشان دهنده مقاطع و اندیس t نمایانگر زمان است. متغیّر وابسته yitو متغیّر آستانه ای qit اسکالر هستند در صورتی که رگرسور xit یک بردار است. فرم ساختاری این مدل به صورت زیر می‌باشد:
(۳-۷)
که در آن I(0) تابع شاخص میباشد.
مشاهدات بر اساس اینکه متغیّر آستانه کمتر یا بیشتر از γ آستانهای میباشد، به دو رژیم تقسیم میشوند. این رژیمها توسط تفاوت شیبهای رگرسیون و مشخص میشوند. شناسایی و مستلزم آن است که عناصر در طول زمان تغییرناپذیر نباشند. همچنین فرض شده است که متغیّر آستانه ای نیز در طول زمان تغییر ناپذیر نیست. در مورد جملهی خطای ، فرض شده است که غیروابسته و به طور یکسان توزیع شده است و دارای میانگین صفر و واریانس محدود ۲σ می باشد (iid).
آستانه ها[۲۷] همه جا وجود دارند. تغییرات کوچک را تحت تاثیر قرار نمی دهد اما تغییرات بزرگ مطمئنا بر آنها اثر خواهند داشت. اما زمانی که انحرافات به اندازه‌ی کافی بزرگ باشند، همگرایی آشکار می‌شود.این بخش فرایندهای مدل سازی که برای تعیین، تخمین و آزمایش مدل‌های چند متغیره با آستانه‌ها به کار گرفته می‌شوند را بررسی می‌کند. آستانه‌ها باهم و به همراه یک متغیر انتقال مشاهده شده، رژیم‌هایی با رفتار پویای متفاوت را برای متغیرهای درون زا سیستم شرح می‌دهند. این آستانه‌های تخمین زده شده‌ی SETAR برای پیش‌بینی و تجزیه و تحلیل پاسخ‌های نامتقارن به شوک‌ها استفاده می‌شوند.
مدلهای تغییر رژیم موجود در شیوه ای که رژیم در طول زمان تکامل می یابد متفاوت هستند، بطور خلاصه میتوان گفت دودسته مهم قابل تمایز هستند.مدلهای دسته اول فرض می کند که رژیم می تواند به وسیله متغیر قابل مشاهده مشخص شود. در نتیجه رژیم هایی که در گذشته یا حال اتفاق افتاده است دارای قطعیت هستند،گرچه ممکن است به وسیله تکنیک های آماری به وجود آیند. مدل های دسته دوم فرض میکند که رژیم حقیقتا نمی تواند مشاهده شود، اما بوسیله یک فرایند احتمالی غیر قابل مشاهده تعیین می شود، که اشاره دارد به این که نمی توان مطمئن بود که یک رژیم مشخص در یک نقطه خاص در زمان اتفاق افتاده است اما می توان احتمالات را به وقوع رژیمهای مختلف نسبت داد.
برای ساده سازی این تفسیر ما درابتدا روی بررسی مدلهایی که فقط شامل دورژیم باشد، تمرکز می‌کند. بعضی اظهارات درباره گسترش این مدلها برای اجازه به رژیم های چند گانه در زیر آورده شده است.
۳-۴-۲- رژیم های تعیین شده بوسیله متغیر های قابل مشاهده
دائمی ترین عضو مدلهای دسته اول، که فرض می کند رژیم در زمان t اتفاق می افتد و می تواند بوسیله تغییر قابل مشاهده qt تعیین می شود، مدل خود برگشتی کرانه ای(TAR) است که در ابتدا بوسیله تانگ[۲۸] (۱۹۷۸) و تانگ و سیم[۲۹] (۱۹۸۰) و بطور گسترده ای در تانگ (۱۹۹۰) بحث شد. مدل TAR فرض می کند که رژیم بوسیله مقادیر qtمربوط به مقدار کرانه ای، تعیین می شود که ما به آن C می گوییم. یک حالت خاص زمانی بوجود می آید که متغییر کرانه ای qt به عنوان یک متغیر تاخیری از سری های زمانی در نظرگرفته می شود که q t =ut– d و برای عدد مشخص d>0 . از انجایی که این رژیم بوسیله دوره های زمانی تعیین می شود. مدل حاصل یک مدل خود جوشTAR(SATAR) نامیده شد.
برای مثال، زمانی کهd=1 و مدل AR(1) در هردو رژیم مدل SATAR دورژیمی بوسیله معادله زیر است:
C≥if yt-1t + yt-11/1 +۱/۰ }
(۳-۸)
C <if yt-1t + yt-12/1 +۲/۰ }
که در آن لحظه t می تواند یک توالی نویز روشن باشد که مشروط به تاریخ این دوره های زمانی است که یاداوری می شود yt-1, yt-2,… , y1-(p-1) , y1-p }t-1 ={Ωهمانند قبل است یعنیt-1 ]=۰Ω │tE[ وt-1 ]=б۲Ω │۲tE[
یک راه دیگر برای نوشتن مدلSETAR عبارت است از:
(۳-۹)
yt-1)i[ yt-1> C] +t 2/1 +۲/۰) yt-1) (1-i[ yt-1> C])+ ۱ /۱ +۱/۰)= y t
i(A) یک تابع مشخصه باi(A)=1 است اگر اتفاقA به وقوع بپیوندد و در غیر اینصورت I(A) =0
مدل SETAR فرض می کند که مرز بین دورژیم با یک مقدار مشخص از متغیر کرانه ای Yt-1داده می‌شود. یک انتقال تدریجی بین رژیم های مختلف رامی توان با جایگزین کردن تابع مشخصه i [Y t-1>C ]در معادله (۳٫۲) با تابع دائمی G (Yt-1,Y,C) که به آرامی با افزایش Yt-1 از صفر تا ۱ تغییر میکند، بدست آورد. مدل حاصل مدل انتقال دائم AR (STAR) نامیده می شود و بصورت زیر است:
(۳-۱۰)
yt-1)G[ yt-1;y, C] +t 2/1 +۲/۰)yt-1)(1-G[ yt-1;y, C])+ ۱ /۱ +۱/۰)= y t
یک انتخاب پر طرفدار برای تابع انتقالی G (YT-1,Y,C) تابع منطقی است.
(۳-۱۱)
G[ yt-1;y, C]) =
و مدل حاصل مدل [ LSTAR] STAR نامیده می شود. پارامتر C در معادله (۳-۱۱) به عنوان کرانه بین دو رژیم مربوط به G (Yt-1,Y,C)=0 و ۱= G (Yt-1,Y,C)است. در حالتی که تابع منطقی بطور یکنواخت زمانی که Yt-1 زیاد می شود از ۰ تا ۱ تغییر می کند و دراین حالت G (Yt-1,Y,C)=0/5 است. پارامتر Y میزان ملایم و یکنواخت بودن تغییر در مقدار تابع منطقی را تعین میکند و بنابراین انتقال از یک رژیم به رژیم دیگر را نشان می دهد. نمودار (۳-۱) مثالهایی از تابع منطقی را برای مقادیر مختلف پارامتر یکنواختی Y نشان می دهد از این شکل می توان دید که زمانی که Yبسیار بزرگ می شود تغییر G (Yt-1,Y,C)از ۰ تا ۱ در C = Yt-1 تقریبا بطور همزمان اتفاق می افتد و در نتیجه تابع منطقی G (Yt-1,Y,C) به تابع مشخصه I[Y t-1>C] نزدیک می شود.بنابراین مدل SETAR(3.2)می تواند بطور تصادفی و بخوبی با مدل ۳٫۳)LSTAR) تقریب زده شود.زمانی که ۰→Yتابع منطقی معادل با یک عدد ثابت (برابر ۰/۵) می شود و زمانی که ۰=Y شود مدل STAR به مدل خطی تبدیل می شود.
 

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