Skip to content
بازگشت به نتایج جست‌وجو

پژوهش پانل — طرح پانل طولی (Panel Research)

معرفی‌شده توسط
Social science and econometric traditions; systematized by Cheng Hsiao and others from the 1970s-1980s
سال
1970s-1980s (econometric formalization); earlier social survey use from 1940s
نوع
Quantitative longitudinal observational design
خانواده
Survey / observational design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

پژوهش پانل یک طرح طولی کمی است که در آن افراد، سازمان‌ها یا سایر واحدها به طور مکرر در دو یا چند نقطه زمانی اندازه‌گیری می‌شوند. برخلاف پیمایش‌های مقطعی که یک تصویر لحظه‌ای را ثبت می‌کنند، یک پانل تغییرات درون واحدها را ردیابی می‌کند و به پژوهشگران امکان می‌دهد تا تغییرات واقعی درون واحد را از تفاوت‌های بین واحدها تفکیک کرده و پویایی‌های علّی را در طول زمان مدل‌سازی کنند.

شهود پشت روش

تصور کنید که ۲۰۰۰ خانوار یکسان را به مدت یک دهه هر سال دنبال کرده و درآمد، وضعیت اشتغال و سلامت آنها را ثبت می‌کنید. از آنجا که شما همیشه به همان خانوارها بازمی‌گردید، هر تغییری که مشاهده می‌کنید، تغییر واقعی درون فردی یا درون خانواری است، نه تفاوتی بین افراد مختلف که در لحظات مختلف اندازه‌گیری شده‌اند. این قدرت اصلی یک پانل است: شما می‌توانید نه تنها بپرسید چه کسی درآمد بیشتری دارد، بلکه بپرسید چه چیزی باعث افزایش یا کاهش درآمد برای همان فرد در طول زمان شده است. برآوردگرهای اثرات ثابت (Fixed-effects) و اثرات تصادفی (Random-effects) از این ساختار تکراری برای کنترل ویژگی‌های مشاهده‌نشده و ثابت در زمان استفاده می‌کنند که در غیر این صورت مقایسه‌های مقطعی را مخدوش می‌کردند.

تاریخ

روش پانل در دهه ۱۹۴۰ در علوم اجتماعی ظهور کرد، با مطالعات انتخاباتی پل لازارسفلد که رویکرد مصاحبه مکرر را برای مطالعه تغییر نگرش پیشگام بود. اقتصاددانان نظریه اقتصادسنجی داده‌های پانل را از دهه ۱۹۶۰ تا ۱۹۸۰ رسمی کردند؛ یایر موندلاک (۱۹۶۱، ۱۹۷۸) و کتاب درسی برجسته چنگ هسیائو در سال ۱۹۸۶ (بازبینی شده در ۲۰۰۳) برآورد اثرات ثابت و تصادفی را به عنوان ابزارهای استاندارد تثبیت کردند. مطالعات پانل ملی بزرگ — مطالعه پانل پویایی درآمد ایالات متحده (PSID، آغاز شده در ۱۹۶۸) و پانل اجتماعی-اقتصادی آلمان (SOEP، آغاز شده در ۱۹۸۴) — پژوهش پانل را به عنوان سنگ بنای علوم اجتماعی و اقتصاد تجربی تثبیت کردند.

چه زمانی استفاده شود

از پژوهش پانل زمانی استفاده کنید که سؤال اصلی مربوط به تغییر در طول زمان در واحدهای یکسان است، یا زمانی که می‌خواهید ناهمگونی مشاهده‌نشده در سطح فردی را کنترل کنید که طرح‌های مقطعی نمی‌توانند به آن بپردازند. طرح‌های پانل برای مطالعه مسیرهای درآمد، سلامت، نگرش‌ها، عملکرد شرکت یا نتایج آموزشی مناسب هستند. آنها نیازمند توانایی ردیابی و تماس مجدد با واحدهای یکسان در طول امواج، منابع کافی برای جمع‌آوری مکرر داده‌ها و یک بازه زمانی معنادار هستند که انتظار می‌رود پیامد در آن تغییر کند. اگر اندازه‌گیری مکرر ممکن است شرکت‌کنندگان را حساس کرده و رفتار آنها را تغییر دهد (شرطی‌سازی پانل)، اگر جمعیت بسیار متحرک و غیرقابل ردیابی در طول زمان باشد (خطر بالای فرسایش ساختاری)، اگر سؤال پژوهش مربوط به شیوع در یک نقطه زمانی واحد باشد (به جای آن از پیمایش مقطعی استفاده کنید)، یا اگر فقط روندهای کلی در نمونه‌های مختلف اهمیت دارد (از طرح روند یا مقطعی مکرر استفاده کنید)، از طرح پانل استفاده نکنید.

محدودیت‌ها و ملاحظات

  • فرسایش پانل در صورت مرتبط بودن ریزش با پیامد یا پیش‌بینی‌کننده‌ها، سوگیری انتخاب بالقوه را ایجاد می‌کند.
  • شرطی‌سازی پانل — اندازه‌گیری مکرر ممکن است نگرش‌ها یا رفتارهای پاسخ‌دهندگان را تغییر دهد و اعتبار بیرونی را به خطر اندازد.
  • مدل‌های اثرات ثابت نمی‌توانند تأثیر پیش‌بینی‌کننده‌های ثابت در زمان (مانند جنسیت، نژاد، کشور تولد) را که از طریق تفاضل‌گیری حذف می‌شوند، برآورد کنند.
  • پرهزینه و از نظر لجستیکی پر تقاضا: حفظ تماس پانل در طول سال‌ها یا دهه‌ها نیازمند زیرساخت‌های قابل توجهی است.
  • برآوردهای اثرات تصادفی در صورتی که اثرات واحد مشاهده‌نشده با پیش‌بینی‌کننده‌ها همبستگی داشته باشند، اریب هستند — فرضی که اغلب نقض می‌شود.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • امکان استنتاج علّی درون واحد را با کنترل تمام عوامل مخدوش‌کننده مشاهده‌نشده و ثابت در زمان از طریق برآورد اثرات ثابت فراهم می‌کند.
  • پویایی و توالی تغییر را ثبت می‌کند، نه فقط پیامد در یک لحظه.
  • از نظر آماری کارآمدتر از مقاطع عرضی مستقل برای برآورد تغییر است، زیرا واریانس درون واحد معمولاً کمتر از واریانس بین واحد است.
  • امکان مطالعه همزمان چندین پیامد و روابط متقابل آنها در طول زمان را فراهم می‌کند.
  • تحلیل مسیر زیرگروه‌ها را پشتیبانی می‌کند؛ گروه‌ها یا کوهورت‌های مختلف را می‌توان بر اساس مسیرهای تغییر آنها مقایسه کرد.

کاربردها

  • ردیابی مسیرهای درآمد و اشتغال خانوارهای یکسان در طول دهه‌ها برای مطالعه پویایی فقر و تحرک اجتماعی.
  • برآورد اثر علّی سیاست‌های آموزشی با دنبال کردن دانش‌آموزان در طول سال‌های تحصیلی و کنترل ویژگی‌های مشاهده‌نشده در سطح دانش‌آموز.
  • مطالعه رشد بهره‌وری در سطح شرکت و تأثیر درون شرکتی پذیرش فناوری در طول چندین سال.
  • دنبال کردن بیماران در طول ویزیت‌های بالینی مکرر برای ارزیابی اینکه چگونه پایبندی به درمان، نتایج سلامت را در همان فرد تغییر می‌دهد.
  • تحلیل تغییر نگرش سیاسی در میان رأی‌دهندگان در طول چرخه‌های انتخاباتی برای تفکیک جایگزینی نسلی از تغییر واقعی عقیده.
  • مدل‌سازی اثرات سیاست در سطح کشور در اقتصاد سیاسی تطبیقی با استفاده از مجموعه داده‌های پانل چند کشوری و چند ساله.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر واحد پانل (افراد، شرکت‌ها، کشورها)، تعداد و زمان‌بندی امواج اندازه‌گیری و متغیرهای قابل ردیابی را مشخص می‌کند. فاصله امواج باید به گونه‌ای انتخاب شود که تغییرات معنادار را ثبت کند؛ فاصله زمانی بسیار کوتاه، تغییرات اساسی را از دست می‌دهد، در حالی که فاصله زمانی بسیار طولانی، خطر از دست دادن شرکت‌کنندگان و از دست دادن پویایی‌ها بین امواج را به همراه دارد.

2

یک نمونه احتمالی یا هدفمند از جامعه هدف در خط پایه (موج ۱) جذب می‌شود. رضایت آگاهانه برای مشارکت مکرر اخذ می‌گردد. ویژگی‌های خط پایه به طور کامل اندازه‌گیری می‌شوند. وزن‌های نمونه‌گیری و نمونه‌برداری بیش از حد برنامه‌ریزی شده از زیرگروه‌های نادر در این مرحله تصمیم‌گیری می‌شوند، زیرا کل استراتژی تحلیل پانل به نمایندگی که در اینجا ایجاد می‌شود، بستگی دارد.

3

در هر موج بعدی، همان واحدها مجدداً تماس گرفته می‌شوند و همان متغیرهای اصلی، همراه با هرگونه متغیر کمکی متغیر در زمان، اندازه‌گیری می‌شوند. ابزارهای استاندارد شده در طول امواج برای حفظ قابلیت مقایسه استفاده می‌شوند. متغیرهای جدید را می‌توان در طول امواج اضافه کرد، اما گویه‌های اصلی باید ثابت بمانند تا تغییرات درون واحد بدون مخدوش شدن اندازه‌گیری ردیابی شود.

4

فرسایش پانل — ریزش شرکت‌کنندگان بین امواج — تشخیص داده می‌شود. پژوهشگران تکمیل‌کنندگان را با ریزش‌کنندگان بر اساس ویژگی‌های خط پایه مقایسه می‌کنند تا ارزیابی کنند که آیا فرسایش تصادفی (کاملاً تصادفی گمشده) است یا سیستماتیک (تصادفی گمشده یا نه تصادفی گمشده). فرسایش سیستماتیک برآوردها را اریب می‌کند؛ راه‌حل‌ها شامل جانهی چندگانه (multiple imputation)، وزن‌دهی احتمال معکوس یا تحلیل‌های حساسیت هستند.

5

برآوردگرهای خاص پانل اعمال می‌شوند. مدل‌های اثرات ثابت (برآوردگر درون واحد) با تفاضل‌گیری یا میانگین‌گیری از داده‌ها در هر واحد، تمام عوامل مخدوش‌کننده مشاهده‌نشده و ثابت در زمان را کنترل می‌کنند. مدل‌های اثرات تصادفی هیچ همبستگی بین اثرات واحد مشاهده‌نشده و پیش‌بینی‌کننده‌ها را فرض نمی‌کنند و با هزینه این فرض، کارایی را به دست می‌آورند. آزمون هاسمن (Hausman test) معمولاً برای انتخاب بین این دو استفاده می‌شود. طرح‌های تفاوت در تفاوت‌ها (Difference-in-differences) یک مورد خاص برجسته هستند.

6

ضرایب به عنوان تغییر درون واحد تفسیر می‌شوند: افزایش یک واحدی در پیش‌بینی‌کننده با تغییر معینی در پیامد برای همان واحد در طول زمان، با ثابت نگه داشتن ویژگی‌های مشاهده‌نشده و ثابت در زمان آن، مرتبط است. تفسیرهای بین واحدی نیازمند مفروضات اثرات تصادفی یا OLS تجمیع‌شده هستند. ادعاهای علّی نیازمند ویژگی‌های طراحی اضافی مانند تغییرات برون‌زا یا متغیرهای ابزاری هستند.

دام‌های رایج

  • نادیده گرفتن الگوهای فرسایش: در نظر گرفتن ریزش به عنوان تصادفی بدون آزمون فرض منجر به برآوردهای اریب می‌شود؛ همیشه ریزش‌کنندگان و تکمیل‌کنندگان را بر اساس متغیرهای خط پایه مقایسه کنید.
  • تغییر ابزار اصلی بین امواج: حتی تغییرات کوچک در کلمات، قابلیت مقایسه متغیر پیامد را در طول زمان از بین می‌برد و برآوردهای تغییر درون واحد را بی‌اعتبار می‌کند.
  • اعمال OLS تجمیع‌شده بر داده‌های پانل بدون در نظر گرفتن خوشه‌بندی درون واحد: خطاهای استاندارد کمتر از واقع برآورد می‌شوند و معناداری را افزایش می‌دهند؛ همیشه خطاهای استاندارد را بر اساس واحد پانل خوشه‌بندی کنید یا از برآوردگرهای مناسب پانل استفاده کنید.
  • اشتباه گرفتن پانل با طرح کوهورت: یک مطالعه کوهورت افراد متولد شده یا وارد شده در یک زمان را ردیابی می‌کند؛ یک پانل افراد نمونه‌برداری شده یکسان را بدون توجه به عضویت در کوهورت ردیابی می‌کند — اینها به سؤالات متفاوتی پاسخ می‌دهند.
  • ادعای بیش از حد علّیت: اثرات ثابت فقط عوامل مخدوش‌کننده ثابت در زمان را کنترل می‌کنند؛ عوامل مخدوش‌کننده متغیر در زمان همچنان استنتاج علّی را تهدید می‌کنند مگر اینکه با طراحی (مانند متغیرهای ابزاری، ناپیوستگی رگرسیون) به آنها پرداخته شود.

پرسش‌های متداول

تفاوت بین مطالعه پانل و مطالعه طولی چیست؟

همه مطالعات پانل طولی هستند، اما همه مطالعات طولی، مطالعات پانل نیستند. یک مطالعه پانل به طور خاص واحدهای نمونه‌برداری شده یکسان را در هر موج ردیابی می‌کند. سایر طرح‌های طولی — مانند مطالعات روند یا مقاطع عرضی مکرر — نمونه‌های جدیدی را در هر موج جمع‌آوری می‌کنند و بنابراین نمی‌توانند تغییرات درون واحد را برآورد کنند یا برآوردگرهای اثرات ثابت را اعمال کنند.

چه زمانی باید از اثرات ثابت به جای اثرات تصادفی استفاده کنم؟

زمانی از اثرات ثابت استفاده کنید که گمان می‌کنید ویژگی‌های مشاهده‌نشده در سطح واحد با پیش‌بینی‌کننده‌های شما همبستگی دارند — این مورد رایج در علوم اجتماعی مشاهده‌ای است. اثرات ثابت با حذف میانگین‌های واحد ثابت در زمان از داده‌ها، این همبستگی را از بین می‌برند. فقط زمانی از اثرات تصادفی استفاده کنید که بتوانید به طور معتبر فرض کنید که چنین همبستگی وجود ندارد. آزمون هاسمن یک بررسی آماری رسمی ارائه می‌دهد: یک نتیجه معنادار نشان می‌دهد که فرض اثرات تصادفی نقض شده است و اثرات ثابت باید ترجیح داده شوند.

برای یک مطالعه پانل به چند موج نیاز دارم؟

حداقل دو موج برای برآورد تغییر درون واحد لازم است، اما دو موج اغلب فضای کمی برای مدل‌سازی مسیرها یا تشخیص تغییرات غیرخطی باقی می‌گذارند. سه یا چند موج برای مدل‌سازی منحنی‌های رشد یا تغییر در نرخ تغییر مورد نیاز است. تعداد بهینه به سؤال پژوهش، سرعت فرآیند مورد مطالعه و محدودیت‌های عملی مانند بودجه و تحمل فرسایش بستگی دارد.

چگونه داده‌های گمشده را در پژوهش پانل مدیریت کنم؟

ابتدا، دلیل گمشده بودن داده‌ها را تشخیص دهید: گمشده بودن کاملاً تصادفی (MCAR)، تصادفی (MAR) یا نه تصادفی (MNAR). تحت MAR — معتبرترین فرض در عمل — جانهی چندگانه (multiple imputation) یا برآورد حداکثر درست‌نمایی، برآوردهای بدون سوگیری تولید می‌کند. تحت MNAR، تحلیل‌های حساسیت با مدل‌های انتخاب یا مدل‌های ترکیب الگو مورد نیاز است. صرفاً حذف موارد ناقص، هر زمان که ریزش MCAR نباشد، سوگیری ایجاد می‌کند.

آیا داده‌های پانل می‌توانند علّیت را اثبات کنند؟

برآوردگرهای پانل اثرات ثابت تمام عوامل مخدوش‌کننده ثابت در زمان را حذف می‌کنند، که یک مزیت قابل توجه نسبت به طرح‌های مقطعی است، اما عوامل مخدوش‌کننده متغیر در زمان را حذف نمی‌کنند. برای تقویت ادعاهای علّی، پژوهشگران داده‌های پانل را با آزمایش‌های طبیعی، متغیرهای ابزاری، طرح‌های ناپیوستگی رگرسیون یا تفاوت در تفاوت‌ها با آزمون روندهای موازی ترکیب می‌کنند. داده‌های پانل امکان استنتاج علّی قوی‌تری نسبت به مقاطع عرضی را فراهم می‌کنند اما جایگزینی برای تغییرات آزمایشی نیستند.

روش‌های مرتبط

منابع

  1. Hsiao, C. (2003). Analysis of Panel Data (2nd ed.). Cambridge University Press.

    شابک: 978-0521522717
    کپی شد.
  2. Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.

    شابک: 978-0262232586
    کپی شد.