آزمون هاسمن چگونه دوراهی اثرات ثابت در برابر تصادفی را در داده‌های تابلویی حل می‌کند؟

یک گروه از اقتصادسنجی‌دانان استدلال می‌کنند که هر موجودیت در یک مجموعه داده - چه یک شرکت، چه یک کشور یا یک بیمار - دارای ویژگی‌های پنهان و ثابت در طول زمان است که با متغیرهای مورد سنجش پژوهشگران همبستگی دارند. نادیده گرفتن این ویژگی‌ها به معنای دعوت از سوگیری متغیرهای حذف‌شده است؛ به این معنی که پژوهشگران باید از اثرات ثابت برای جذب این ناهمگنی پنهان استفاده کنند. گروه مقابل استدلال می‌کند که در نظر گرفتن این ویژگی‌های پنهان به عنوان پارامترهای ثابت، درجات آزادی ارزشمند را هدر می‌دهد و از نظر ریاضی مانع از گنجاندن متغیرهای ثابتی مانند جغرافیا یا جنسیت می‌شود. آن‌ها از اثرات تصادفی دفاع می‌کنند که فرض می‌کند این ویژگی‌های پنهان صرفا نویزهای تصادفی کاملا بدون همبستگی هستند و اجازه می‌دهد مدلی کارآمدتر و جامع‌تر داشته باشیم.[3][4]

انتخاب بین این دو موضع ناسازگار، اعتبار کل رگرسیون را تعیین می‌کند. اگر پژوهشگر زمانی که متغیرهای پنهان در واقع با پیش‌بین‌ها همبستگی دارند، فرض را بر نویز تصادفی بگذارد، ضرایب به‌دست‌آمده دارای سوگیری و ناسازگار خواهند بود. از سوی دیگر، اگر زمانی که اثرات تصادفی کفایت می‌کرد، فرض را بر اثرات ثابت بگذارند، مدل ناکارآمد می‌شود و فواصل اطمینانی به‌طور مصنوعی عریض تولید می‌کند که ممکن است یک کشف واقعی را پنهان کند.[1][6]

داور ریاضی این مناقشه، آزمون تصریح هاسمن است که برای نخستین بار توسط اقتصادسنجی‌دانی به نام جری هاسمن در سال ۱۹۷۸ معرفی شد. این آزمون به شهود یا ترجیح نظری پژوهشگر متکی نیست؛ در عوض، هر دو مدل را به‌طور همزمان اجرا می‌کند و خروجی‌های آن‌ها را برای تشخیص واگرایی ساختاری با هم مقایسه می‌کند.[5][6]

بر اساس مخزن منابع مرکز ملی روش‌های پژوهش، «اثرات ثابت رابطه بین متغیرهای پیش‌بین و پیامد را در درون یک موجودیت بررسی می‌کند.» مدل اثرات ثابت با اختصاص یک عرض از مبدأ منحصربه‌فرد به تک‌تک موجودیت‌های موجود در مجموعه داده، به‌طور موثری تمام تفاوت‌های ثابت در طول زمان بین افراد را کنترل کرده و تنها تغییراتی را که در طول زمان رخ می‌دهند، ایزوله می‌کند.[3]

این استحکام با یک هزینه ریاضی سنگین همراه است. از آنجا که مدل اثرات ثابت کاملا به تغییرات درون‌موجودیتی در دوره‌های زمانی متعدد متکی است، هر متغیری که تغییر نمی‌کند - مانند نژاد یک فرد، فاصله یک شهر از ساحل، یا سال تاسیس یک شرکت - با عرض از مبدأ موجودیت هم‌خطی کامل دارد. الگوریتم رگرسیون به سادگی این متغیرها را به‌طور کامل از معادله حذف می‌کند.[1][3]

مدل‌های اثرات تصادفی این محدودیت را با فرض اینکه جمله خطای موجودیت با پیش‌بین‌ها همبستگی ندارد، حل می‌کنند. شرکت مشاوره پژوهشی توبیت خاطرنشان می‌کند که این رویکرد به پژوهشگران اجازه می‌دهد متغیرهای ثابت در طول زمان را وارد مدل کنند، که آن را به گزینه‌ای بسیار جذاب برای تحلیل‌های جمعیت‌شناختی و مطالعاتی تبدیل می‌کند که در آن‌ها عوامل ثابت، متغیرهای اصلی مورد توجه هستند.[4]

آزمون هاسمن ارزیابی می‌کند که آیا آن فرض حیاتیِ همبستگی صفر در داده‌های واقعی صدق می‌کند یا خیر. این آزمون بر اساس یک فرض صفر سخت‌گیرانه عمل می‌کند: اینکه مدل ترجیحی، اثرات تصادفی است؛ به این معنی که ناهمگنی پنهان در واقع برون‌زا بوده و با متغیرهای مستقل همبستگی ندارد.[2][5]

برای اجرای این آزمون، نرم‌افزارهای آماری مانند استاتا ابتدا ضرایب را با استفاده از مدل اثرات ثابت برآورد می‌کنند، که از نظر ریاضی تضمین شده است فارغ از همبستگی زیربنایی، سازگار باشد. سپس ضرایب را با استفاده از مدل اثرات تصادفی برآورد می‌کند، که تنها در صورتی سازگار است که فرض صفر کاملا درست باشد.[1][4]

سپس الگوریتم فاصله دقیق بین این دو مجموعه از ضرایب را محاسبه می‌کند. اگر فرض اثرات تصادفی معتبر باشد، هر دو مدل باید برآوردهای تقریبا یکسانی تولید کنند، زیرا هر دو سازگار هستند. در این حالت، مدل اثرات تصادفی صرفا کارآمدتر خواهد بود و خطای استاندارد کوچکتر و فواصل اطمینان ۹۵ درصدی محدودتری به دست می‌دهد.[5][6]

اگر متغیرهای پنهان در واقع با پیش‌بین‌ها همبستگی داشته باشند، برآوردهای اثرات تصادفی به‌طور قابل‌توجهی از خط پایه اثرات ثابت منحرف خواهند شد. آزمون هاسمن این واگرایی را با استفاده از آماره کای-دو کمی‌سازی می‌کند و می‌سنجد که ضرایب اثرات تصادفی چقدر از معیار سازگار اثرات ثابت فاصله گرفته‌اند.[2][5]

زمانی که مقدار کای-دو محاسبه‌شده به اندازه‌ای بزرگ باشد که پی‌مقداری کمتر از آستانه استاندارد ۰/۰۵ تولید کند، آزمون فرض صفر را رد می‌کند. این حکم ریاضی تایید می‌کند که مدل اثرات تصادفی به دلیل درون‌زایی دارای سوگیری است و پژوهشگر را ناچار می‌کند برای حفظ یکپارچگی تحلیل، از اثرات ثابت استفاده کند.[2][5]

برعکس، اگر پی‌مقدار بزرگتر از ۰/۰۵ باشد، آزمون نمی‌تواند فرض صفر را رد کند. در این سناریو، واگرایی بین دو مدل از نظر آماری بی‌معنی است؛ به این معنی که پژوهشگر می‌تواند با خیال راحت مدل اثرات تصادفی را برای به حداکثر رساندن توان آماری و حفظ آن متغیرهای حیاتی ثابت در طول زمان به کار گیرد.[1][5]

البته این آزمون بدون محدودیت نیست. آزمون استاندارد هاسمن فرض می‌کند که خطاهای ویژه دارای واریانس همسان هستند و همبستگی پیاپی ندارند. اگر این مفروضات در داده‌های تابلویی نامتوازن نقض شوند، آماره آزمون استاندارد نامعتبر می‌شود و پژوهشگران باید از نسخه استوار این آزمون استفاده کنند که اغلب از طریق رگرسیون‌های کمکی یا رگرسیون‌های مصنوعی پیاده‌سازی می‌شود.[2]

علاوه بر این، عدم رد فرض صفر به‌طور قطعی ثابت نمی‌کند که اثرات تصادفی کاملا درست تصریح شده‌اند؛ بلکه تنها نشان می‌دهد که داده‌ها شواهد کافی از یک نقض شدید در نرخ خطای نوع اول ۵ درصدی ارائه نمی‌دهند. حجم نمونه‌های کوچک می‌توانند به راحتی منفی‌های کاذب تولید کرده و سوگیری پنهان را بپوشانند.[6]

آزمون هاسمن همچنان مرز ریاضی قطعی بین مفروضات سوگیرانه و استنتاج علی دقیق است. این آزمون با وادار کردن پژوهشگران به کمی‌سازی مبادله بین سوگیری و کارایی، تضمین می‌کند که نتایج به‌دست‌آمده از داده‌های مشاهده‌ای، به جای راحتی روش‌شناختی، بر پایه اثبات‌های آماری قابل دفاع استوار باشند.[3][6]