علمی : بررسی تأثیر مالیات بر ارزش افزوده بر روند درآمدهای مالیاتی دولت- قسمت ۳۲

AIC (P ۱ ,۲)=n ۱ In бˆ۲۱ +n ۲ In бˆ۲ ۲ +۲(p ۱ +۱)+۲(p ۲ +۱)
که n , j=1,2,…. تعداد مشاهدات در رژیم j ام وj=1,2,… و бˆ۲ ۲تغییرات و انحرافات با قیمانده ها در رژیمj ام است اگر چه t ممکن است در طول رژیم انحراف یکسانی داشته باشد تخمین бˆ۱ ۲ و бˆ۲ ۲ میتواند متفاوت باشد. BIC برای مدل SETAR می تواند بصورت زیر تعریف شود:
(۳-۱۶)
AIC (P ۱ ,۲)=n ۱ In бˆ۲۱ +n ۲ In бˆ۲ ۲ +(p ۱ +۱)In n ۱ +(p ۲ +۱)In n ۲
برای کران های p*1و p*2رویp1وp2 مرتبه تاخیر انتخاب شده در دو رژیم انهایی هستند که برایشان معیار اطلاعات به حداقل رسیده است.خصوصا BIC (3.9) نشان می دهد که تعداد مشاهدات در هر رژیم به هنگام محاسبه معیار اطلاعات، در نظر گرفته می شود.
۳-۴-۴- ساکن و ایستا
در مورد شرایطی که تحت ان مدلهایSTAR و SETARتولید سریهای زمانی ساکن بکنند، بسیار کم میدانیم.چنین شرایطی فقط برای مدلهای مرتبه اول ایجاد می شود. همانگونه که بوسیله شان و تانگ ۱۹۸۵ نشان داده شد، یکشرط کافی برای ساکن بودن (۳-۸),│۱/۲ │)<1 , │max(│۱/۱ استکه معادل می باشد با اینکه مدلهای (۱) ARدر دو رژیم ساکن هستند.شان و همکاران ۱۹۸۵ نشان دادند که ساکن و ایستا بودن مدل مرتبه اول حقیقتا تحت شرایط محدودتر اتفاق میافتد.در عمل مدل SETAR (3-8) ایستا است، اگر و فقط اگر یکی از شرایط زیر برقرار باشد:
(۱)۱/۱ < 1 , ۱/۲ <1 , ۱/۱ ۱/۲ <1
(۲)۱/۱= ۱ , ۱/۲ <1 , ۰/۱ > 0
(۳-۱۷)
(۳)۱/۱ <1 , ۱/۲ =۱ , ۰/۲ <0
(۴)۱/۱ <1 , ۱/۲ =۱ ,۰/۲ <0<0/1
(۵)۱/۱ ۱/۲ =۱ , ۱/۱ <0 ,0/2 +۱/۲۰/۱ >0
شرط (۱) مطابق با شرط کافی شان و تانگ (۱۹۸۵) است. اگرچه بایستی توجه شود که (۱) اجازه می‌دهد که یک پارامترAR کوچکتر از۱- شود. شرایط (۲)– (۴) نشان می دهد که مدل AR در یک یا حتی هر دو رژیم ممکن است ریشه واحد داشته باشد.در چنین حالتهایی سریهای زمانی بطور جدی غیر ایستا هستند. شرایط روی مفاهیم ۰/۱, ۰/۲ به گونه ای است که سری زمانی تمایل به رژیم ایستا دارد و بنابراین سری زمانی بطور کلی ایستا است. ازمون ریشه های واحددرمدلهای SETAR بوسیله کنر و هنسن (۱۹۹۷) اندرد و گراگر (۱۹۹۸) و بربن و واندیجک (۱۹۹۹) بحث شده است.یک کنترل مختصر و چشمی برای ایستایی مدلهای سری زمانی خطی در کل تعیین این مطلب است که ایا اسکلت پایدار است یا نه؟ بطور شهمودی اگر اسکلت به گونه ای باشد که سری تمایل به ظاهر شدن برای مقادیر ابتدایی مشخص داشته باشد،سری غیر ایستایی است،که این بوسیله شبیه سازی ایجاد می شود.
چیزی که حتی کمتر متداول است توزیع ایستایی سریهای زمانی SETAR و STAR می باشد.اندل (۱۹۸۹) در مورد بعضی نتایج یک مورد خاص از مدل SETAR مرتبه اول (۳-۸) به بحث پرداخت که در آن۰/۱ ۰/۲ =C=0
۱/۱ =- ۱/۲در کل مجبوریم تا دستورالعمل های عددی را برای ارزیابی توزیع ایستا Yt مرتب کنیم.بعضی از روش هایی که می توان بکار گرفت توسط معین الدین و تانگ (۱۹۹۰) بحث شد.
۳-۴-۵- رژیم های چندگانه
گاهی اوقات می توان بیشتر از دو رژیم را بکار برد. مدلهای SETAR و STAR می تواند بصورت نسبتا مستقیمی بدین منظور بسط داده شود.تمایز این دو حالت بسته به اینکه آیا رژیم ها بوسیله یک متغیر، ترکیبی از متغیرها شناخته می شوند بسیار مفید است.در حالت اول که رژیم غالب بوسیله یک متغیر تعیین می شود یک مدل SETARدارای mرژیم می تواند با تعریف یک مجموعه m+1 کرانه ای C0, C1 ,………….….. Cmتا جایی که∞=C0<C<…….. < Ck-1<Cm= ∞- بدست اید.معادل رژیم mتایی بصورت زیرداده می شود.
(۳-۱۸)
Yt=0/j + ۱/j Yt-1 +if Cj-1 <Yt-1 ≤Cj
برای j=1,2,……. M. یک کاربرد این مدل در مقاله کراگر و کوگلر (۱۹۹۳) بحث شد. برای مدل STAR دستور العمل مشابهی دنبال می شود.توجه شود که (۳-۱۰) می تواند بصورت زیر بازنویسی شود.
(۳-۱۹)
)+t(,CYt=/1xt +(۲ – ۱)/xt G(Yt-1 ; y
که /Xt= (1,Yt-1) و۰/j ۱/j)/)=برای j=1,2 با استفاده از زیر مجموعه C1 ,…….. Cm-1کرانه های تعریف شده در بالا برای مدلSETARیک مجموعه اضافه تر از پارامترهای یکنواخت کننده Y1,………Ym-1 یک مدلSTAR باm رژیم بصورت زیر تعریف میشود.
(۳-۲۰)
+(– m-1)/xt Gm-1(Yt-1)+t..+(+(– ۲)/xtG2(Yt-1(Yt=/1xt +(۲ – ۱)/xt G(Yt-1
Gj(Yt-1) =G(Yt-1 ;y ,C)وقتی j=1,…..,m-1به عنوان تابع لجستیک در (۳-۱۱) با پارامترهای همسانYjو آستانه C jمی باشد.
یک مثال از موردی که رژیم با بیش از یک متغییر تعین می شود، فرض می شود که رفتار سری زمانی نه تنها به میزانYt-1 بستگی دارد بلکه مقداری به استانه C j مربوط می شود.اما همچنین میزان Yt-2 مربوط به دیگراستانه.C ۲j این افزایش به ۴ رژیم در کل به عنوان مدل SETAR نشان داده شده است. مدل اشاره دارد به مدل ارائه شده توسط. این نام ناشی از این واقعیت است که سری های زمانی را می توان به عنوان یکمدل SETAR2-رژیم که با رژیم تعریف شده توسط Yt-1شرح داده می شود، تصور کرد و در هر یک از این رژیم ها توسط یک مدلSETAR2-رژیم بوسیله رژیم های تعریف شده توسط Yt-2یا بالعکس.
نهایتاً وان دیجیک و همکاران (۱۹۹۹) رژیم های متععد مربوط به مدل SETAR را ارئه کرده اند که نمایش می یابد که تفسیر از مدل های تو در تو را نشان می دهد شاید به وضوح بیشتر.
برآورد پارامترها در مدل های مختلف سوئیچینگ رژیم در این بخش بحث میشود، نه لزوما کوتاه و تنها ایده کلی از روش برآورد توصیف می باشد .برای بحث مفصل تر ما به تانگ (۱۹۹۰) و هنسن (۱۹۹۷ و۲۰۰۰) برای مدل SETAR اشاره می کنیم و به تراسویترا (۱۹۹۴و۱۹۹۸) برای مدل STAR و به همیلتن (۱۹۹۰٫۱۹۹۳٫۱۹۹۴) برای مدل MSW.برای راحتی نوشتاری ما برای مشکل برآورد در مدل ۲- رژیم بحث می کنیم بابرابرقراردادن سفارشاتAR در هر دو رژیم: p1=p2=p0
پارامترهای ترجیح داده شده در مدلSETAR2 – رژیم (۳٫۵) که j=1,2,cI,j ,i=0,…..p,وб۲می تواند به راحتی توسط متوالی مشروط حداقل مربعات برآورد شود. تحت این فرض اضافی که stبه طور معمول توزیع شده، برآوردهای به دست آمده معادل برآوردهای حداکثر احتمال است.
برای دیدن اینکه چرا حداقل مربعات روش تخمین مناسبی است، دوباره نوشته می شود:
C ]+≥ yt-1 I [(yt-P11P1.+……+ yt-11/1 +۱/۰) = Yt]+ tC<i [ yt-1)yt-P2 2P2.+…….+ yt-12/1 +۲/۰(
یا فشرده تر:C ] + t<i [ yt-1Xt2/+ ]C≥ yt-1 I [Xt1/ = Yt
)/p,j,…….,,j1,,j0) و ,…. ,yt-p)/ , j= 1,2 , yt-11)= , متذکر می شویم جایی که استانه c ثابت است، مدل در پارامترها باقیمانده،خطی است. تخمین /(۱/ , ۲/)= اسانتر ازols بدست می آید:
(۳-۲۱)
جاییکه C ]/< yt-1i [/Xt + ]C ≥ yt-1 i [/Xt = (c)Xtو استفاده می شود برای نشان دادن تخمینی ازشرط روی C قرار میگیرد.باقیمانده مربوطه(C)yt – ˆ(c)/Xtˆt(c)= مجددا نوشته می شود با واریانس ۲. حداقل مربعات از C می تواند از حداقل سازی واریانس این باقیمانده برآورد شود.
جاییکه C جایگزین همه مقدار استا نه ای مجاز می شود.اخرین براورد از پارامترهای خود همبستگی با(c)ˆ =ˆ ارائه شده است، درحالیکه واریانس باقیمانده به عنوان (c)2ˆб = ۲ˆб براورد می شود.
با جایگزین کردن مقدار آستانه ای مجاز c در (۳-۲۱) باید به گونه ای باشد که هر رژیم شامل مشاهدات کافی باشد برای تخمین گرتعریف شده فوق،براورد قابل اعتماد برای پارامترهای خود همبستگی ایجاد کند.یک انتخاب مشهور برای Cنیاز به این است که هر رژیم حاوی حداقل یک کسر۰п(از قبل مشخص شده) از مشاهداتباشد.
Y(0) ,……., y(n-1)نشان دهنده امارهای سفارشات از متغییر استانه ای, y(t-1)Y(0) ≤,…….≤ y(n-1)استو(۰) عدد صحیح است.مطمئن ترین انتخاب برای ۰п ،۱۵/۰ نشان داده شده است.
حداقل سازی مساله می تواند بوسیله مطالعه مستقیم حل شود.محاسبه انحراف باقیماندهϭ̂ ۲ (c) برای مقادیر کرانه معادل با امار مرتبه Yt-1 کافی است.یعنی برایC=Y(i) به ازای هر i تاجایی که ϵ C Y(i) باشد.که بوسیله مشاهده اینکه مقدار ϭ̂ ۲ (c) زمانی که C بین امار مرتبه متوالی تغییر میکند زمانی که هیچ مشاهده از یک رژیم به رژیم دیگر حرکت نمی کند حاصل می شود.

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