تحليل بيانات اللوحة للأعمال والاقتصاد
أتقن مقدّرات التأثيرات الثابتة والتأثيرات العشوائية وطريقة العزوم المعممة (GMM) لبيانات الشركات الطولية. يتضمن أمثلة برمجية بلغتي Stata وR.
ما بيانات البانل؟
تتضمن بيانات البانل (Panel Data، وتسمى أيضًا البيانات الطولية) ملاحظات عن كيانات متعددة، كالشركات أو الأفراد أو الدول، مرصودة في أزمنة متعددة. فمثلًا تُنشئ البيانات المالية لـ 200 شركة على مدى 10 سنوات بانلًا من 2,000 ملاحظة. وتكمن قوة بيانات البانل في أنها تتيح لك ضبط عدم التجانس الفردي غير المشاهَد (العوامل الخاصة بكل كيان والتي لا تتغير عبر الزمن)، وهو ما لا تستطيع البيانات المقطعية وحدها معالجته.
التأثيرات الثابتة مقابل التأثيرات العشوائية
المقاربتان الرئيسيتان لبيانات البانل هما التأثيرات الثابتة (fixed effects، FE) والتأثيرات العشوائية (random effects، RE). تضبط التأثيرات الثابتة جميع الخصائص الثابتة زمنيًا لكل كيان عبر تقدير حدود ثابتة خاصة بكل كيان. وهذا يعني أن FE لا تستطيع تقدير أثر المتغيرات الثابتة زمنيًا (مثل بلد تأسيس الشركة)، لكنها تزيل تحيز المتغيرات المحذوفة الناجم عن الثوابت غير المشاهَدة. أما التأثيرات العشوائية فتعامل التأثيرات الخاصة بالكيانات بوصفها سحوبات عشوائية من توزيع ما، ما يتيح تقدير المتغيرات الثابتة زمنيًا، لكنها تفترض أن هذه التأثيرات غير مرتبطة بالمتغيرات المستقلة.
اختبار هاوسمان
اختبار هاوسمان (Hausman) هو الطريقة المعيارية للمفاضلة بين FE وRE. وهو يختبر ما إذا كانت تأثيرات الكيانات الفريدة مرتبطة بالمتغيرات المستقلة. فإذا كان الاختبار دالًّا (p < 0.05) فاستخدم التأثيرات الثابتة، لأن افتراض التأثيرات العشوائية منتهَك. وإذا لم يكن دالًّا فالتأثيرات العشوائية هي المفضلة لأنها أكثر كفاءة. وفي R يمكنك إجراء اختبار هاوسمان بالأمر phtest(fe_model, re_model) من حزمة plm. وفي Stata: hausman fixed random.
التنفيذ في R وStata
في R تُعدّ حزمة plm الأداة المعيارية. ثبّتها بالأمر install.packages("plm")، ثم: library(plm); pdata <- pdata.frame(df, index=c("firm_id","year")); fe <- plm(revenue ~ rd_spending + employees, data=pdata, model="within"); re <- plm(revenue ~ rd_spending + employees, data=pdata, model="random"). وفي Stata: xtset firm_id year; xtreg revenue rd_spending employees, fe; xtreg revenue rd_spending employees, re.
التقدير بطريقة GMM
حين تعاني بيانات البانل من مشكلات التزامن الداخلي (endogeneity)، أي ارتباط المتغيرات التفسيرية بحد الخطأ، توفر طريقة العزوم المعمَّمة (Generalised Method of Moments، GMM) حلًّا. ويستخدم مقدِّر Arellano-Bond القيم المتأخرة للمتغير التابع أدوات (instruments). وفي R استخدم pgmm() من حزمة plm. وفي Stata استخدم xtabond2. وتشيع GMM بوجه خاص في أبحاث التمويل المؤسسي حيث يصعب إثبات السببية بين القرارات المالية والأداء.
أفضل الممارسات في بحوث بيانات البانل
تحقق دائمًا من: سكون المتغيرات الزمنية (اختبارات جذر الوحدة)، والارتباط التسلسلي في الأخطاء (اختبار Wooldridge)، وعدم تجانس التباين (اختبار Breusch-Pagan)، والاعتماد المقطعي (اختبار Pesaran CD). واستخدم الأخطاء المعيارية العنقودية على مستوى الكيان لمراعاة الارتباط داخل الكيان الواحد. واعرض نتائج مواصفتي FE وRE معًا تحقيقًا للشفافية. وعند النشر، صِف بنية البانل بوضوح (عدد الكيانات والفترات الزمنية، ومتوازن/غير متوازن)، وبرّر اختيارك للنموذج بنتائج الاختبارات التشخيصية.