نمای الکترونیکی مزایا و معایب

نمای الکترونیکی بسته آماری است که به طور گسترده توسط اقتصاددانان ، محققان و تحلیلگران برای تجزیه و تحلیل آماری ، پیش بینی و شبیه سازی مدل استفاده می شود (Aljandali and Tatahi ، 2018). از آن به عنوان یک رابط کاربری شیء محور منو استفاده می شود. این امکان نوشتن برنامه های ساده در برنامه نویسی نمای الکترونیکی را فراهم می کند. این بسته ویژگی های طراحی چند پنجره ای را ارائه می دهد که امکان اتوماسیون و ویژگی های ارائه را فراهم می کند. در این مقاله ، تجزیه و تحلیل مقایسه ای مزایا و معایب نمای الکترونیکی در سری زمانی و تجزیه و تحلیل داده های پانل توضیح داده شده است. مزایا و مضرات نمای الکترونیکی با مقایسه برخی از بسته های آماری متداول مانند Stata و SPSS در نظر گرفته می شود.

وارد کردن نمای الکترونیکی مبتنی بر داده های داده

SPSS نیاز به مشخص کردن برچسب های داده دارد و مقادیر عددی باید به هر یک از متغیرهای رشته اختصاص یابد. در حالی که ، نمای الکترونیکی اجازه می دهد تا کل برگه را با یک کلیک وارد کنید و نیازی به مشخصات برچسب ها ندارد.

وارد کردن پرونده داده به STATA و SPSS مجموعه محدودی از فرمت ها مانند *. xlsx و *. xlsm را می پذیرد. پرونده های داده از Stata نمی توانند در SPSS و برعکس وارد شوند. با این حال ، نمایش های E می توانند داده ها را از چندین پایگاه داده از جمله SAS ، SPSS و Stata مشخص شده در قالب های * . sas ، * SAV و * DTA وارد کنند. علاوه بر این ، می تواند متن ، باینری ، پرونده HTML ، پرونده مجموعه داده های گاوس و موارد دیگر را نیز وارد کند.

مزایای مبتنی بر خروجی

پرونده های داده در نمای الکترونیکی می توانند با ذخیره پایگاه داده در یک قالب گروهی یا به عنوان پایگاه داده های فردی ، نتایج را در یک فایل کاری واحد ذخیره کنند. در SPSS و Stata پرونده های خروجی و پرونده های داده به طور جداگانه ذخیره می شوند.

نمای الکترونیکی برای:

• کمترین مربعات،
• مدلهای خطی تعمیم یافته ،
• رگرسیون کمی ،
• ناهمگونی مشروط به خودی ،
• انتخاب دودویی و ،
• رگرسیون همبستگی با مشخص کردن معادله رگرسیون برای دوره نمونه.

بر خلاف این ، سری مراحل و دستورات مختلف را برای هر تحلیل دنبال کنید.

مزایای مبتنی بر ویژگی

نمای الکترونیکی ویژگی هایی مانند درون یابی گزینه های فیلتر داده و فرکانس را ارائه می دهد که از طریق آن می توان داده های گمشده را تولید کرد. به همین دلیل ، نرم افزار نمای الکترونیکی برای تجزیه و تحلیل سری زمانی مفید است. با این حال ، برنامه های دیگر مانند Stata و SPSS فقط می توانند مقادیر گمشده برای داده ها را تولید کنند.

بعضی اوقات ، بانک اطلاعاتی به داده های با فرکانس بالا نیاز دارد که به فرکانس های ساعت و ثانیه نیاز دارد. علاوه بر این ، یک فرکانس چند ساله ، دوتایی ، دو هفته ، ده روز و فرکانس روزانه وجود دارد. چنین نوع داده هایی با استفاده از بسته نمای الکترونیکی با یک پایگاه داده با اندازه بزرگ پشتیبانی می شود.

بانک اطلاعاتی اغلب به یک واریانس بلند مدت و محاسبات کواریانس نیاز دارد که در آن خطاها به طور تصادفی توزیع می شوند و نوع خاصی از دنباله را نشان می دهند. نمای الکترونیکی امکان محاسبه واریانس های متقارن یا یک طرفه بلند مدت با استفاده از هسته غیر پارامتری را فراهم می کند. جدا از این ، روشهای قبل از سفید و روشهای پارامتری Varhac وجود دارد. علاوه بر این ، نمای الکترونیکی همچنین از روشهای انتخاب پهنای باند خودکار برای برآوردگرهای هسته و معیارهای اطلاعاتی که بر طول تاخیر است ، پشتیبانی می کنند.

سری زمانی و نقطه ضعف مبتنی بر تخمین نمای الکترونیکی

حتی اگر بسته نمای الکترونیکی برای تجزیه و تحلیل سری زمانی مفید باشد ، برای انجام تجزیه و تحلیل داده های پانل با مجموعه داده های بلند مدت مفید نیست. این امر به این دلیل است که بسته نمای الکترونیکی با ماتریس تعدادی از مشاهدات و متغیرها محدود شده است. بنابراین ، به دست آوردن نتایج برای مجموعه داده های پانل ممکن است امکان پذیر نباشد.

الگوریتم مورد استفاده در نمای الکترونیکی برای برآورد پارامترهای موجود در احتمال ورود به سیستم ممکن است برای به دست آوردن نتایج برای حداکثر رساندن یا به حداقل رساندن دلخواه مناسب نباشد. این امر به این دلیل است که الگوریتم ها بر اساس مجموع محصول بیرونی مشتقات سهم احتمال استوار است. به همین دلیل ، دستیابی به تقریب خوب با تنظیمات عمومی ممکن نیست. مشخصات فرم عملکردی و خصوصیات آماری مورد نیاز است. آنها برای برآورد حداکثر احتمال استفاده می شوند.

عملکرد ماتریس و چالش های مبتنی بر تخمین

عملیات ماتریس در برآورد احتمال در نمای الکترونیکی امکان پذیر نیست. برای مشخص کردن عملکردهای احتمال برای مدلهای مختلف آماری ، عبارات را بنویسید. علاوه بر این ، تعیین کننده ها و فرم چهارگوش را برای هر مدل مشخص کنید. این کار در حین کار با دو یا بیش از دو مدل به یک کار خسته کننده تبدیل می شود.

برآورد در نمای الکترونیکی مدل رگرسیون را با محدودیت نابرابری بهینه نمی کند. با این حال ، تکنیک های مختلفی برای تحمیل محدودیت نابرابری در مدل ها وجود دارد. اگرچه این مشکل را می توان با استفاده از تحول یکنواخت حالت حل کرد ، اما محدودیت های یک طرفه یا دو طرفه وجود دارد. این محدودیت ها ممکن است بر کارآیی نتایج تأثیر بگذارد.

معایب تجزیه و تحلیل اساسی

رویکرد تحول مورد استفاده برای بهینه سازی برای حل محدودیت های ساده نابرابری محدود است. علاوه بر این ، در صورت محدودیت نابرابری ضریب متقاطع ، راه حل ها قابل پیگیری نیستند. از طرف دیگر ، تحمیل محدودیت در بسته های آماری مانند Stata بسیار ساده تر است.

انجام یک آزمون فرضیه در نمای الکترونیکی با استفاده از ضریب غیر تغییر یافته نیز چالش برانگیز است. برای هر یک از بیان مرتبط به تخمین نیاز دارد. علاوه بر این ، واریانس ها به صورت دستی باید با استفاده از روش داده بدست آورند. این به این دلیل است که تحولات غیر خطی است. علاوه بر این ، نمای الکترونیکی ممکن است محدودیت نابرابری را برای مقادیر نزدیک مرزها فراهم کند.

منابع

• Aljandali ، A. and Tatahi ، M. (2018) "مقدمه ای برای Eviews" ، in. doi: 10. 1007/978-3-319-92985-9_1.

• برای به اشتراک گذاری در توییتر کلیک کنید (در پنجره جدید باز می شود)
• برای به اشتراک گذاشتن در فیس بوک کلیک کنید (در پنجره جدید باز می شود)
• برای به اشتراک گذاشتن در LinkedIn کلیک کنید (در پنجره جدید باز می شود)
• برای به اشتراک گذاشتن در WhatsApp کلیک کنید (در پنجره جدید باز می شود)
• برای چاپ کلیک کنید (در پنجره جدید باز می شود)