اصطلاح تأثیرات ثابت ناشی از این حقیقت است که با وجود تفاوت عرض از مبدأ میان شرکت، اما عرض از مبدأ هر شرکت طی زمان تغییر نمی‌کند، یعنی طی زمان بی تغییر است. حالت کلی این رگرسیون به صورت زیر است:
Yit = β۰i + β۱x1it + β۲x2it + … + βmxmit+ uit
i= 1, 2, 3, …, N
t=1, 2, 3, …, T

2. مدل تأثیرات تصادفی (REM [۷۰]) یا مدل اجزای خطا (ECM [۷۱])

در روش اثرهای تصادفی فرض میشود عرض از مبدأ یک واحد تکی انتخابی تصادفی از جامعه‌ای بزرگتر با یک میانگین ثابت بیان میشود. حالت کلی این مدل به صورت زیر است:
Yit = β۰i + β۱x1it + β۲x2it + … + + βmxmit+ uit
i= 1, 2, 3, …, N
t= 1, 2, 3, …, T
در مشاهدات مختلف، فرض می کنیم در هر مشاهده عرض از مبدأ به صورت زیر تغییر می کند: ۰β برای در نظر گرفتن تفاوت این مدل به روش حداقل مربعات تعمیم یافته برآورد می شود (گجراتی، ۱۳۹۰).
β۰i= β۰ + εi
i= 1, 2, 3,…, N
۳-۱۳-۲ انتخاب مدل مناسب در داده‌های تلفیقی
چالش پیشروی محقق عبارت است از این که کدام مدل بهتر است؟ موندلاک(۱۹۶۱) و والاک وهاسین(۱۹۶۹) از مدل اثرات ثابت حمایت کرده و بالسترا و نرلاو (۱۹۶۶) به طرفداری از مدل اثرات تصادفی پرداختند، بالتاجی (۲۰۰۵). به منظور تعیین نوع مدل، از بین مدل‌های معتبر با توجه به تفاوت درجه آزادی، بر اساس معیار R، بهترین مدل با استفاده از آزمون هاسمن انتخاب شده است. برای آزمون فرضیه‌ها از روش رگرسیون چند متغیره استفاده شده است. رگرسیون در اصطلاح کاربردی به معنی پی‌بردن به رفتار یک متغیر به کمک رفتار متغیر دیگر است. در آمار رگرسیون یک نوع رابطه یا تابع ریاضی که بین متغیر وابسته از یک طرف و متغیر مستقل از سوی دیگر برقرار می‌باشد. در رگرسیون خطی دو‌متغیری، یک خط مستقیم از نقاط پراکندگی عبور می‌کند که معادله این خط، معادله رگرسیون نامیده می‌شود و میزان تغییر را ضریب رگرسیون می‌نامند که عبارت‌است از میزان تغییر در متغیر وابسته به ازای یک واحد تغییر در متغیر مستقل. خط رگرسیون منعکس‌کننده مسیر حرکت پراکنده در دستگاه مختصات است که می‌تواند مبین شدت و ضعف و نوع همبستگی بین متغیرها باشد. در این معادله برابر مقدار پیش‌بینی شده متغیر وابسته، a برابر با مقدار ثابت یا عرض از مبدا نقطه تقاطع خط رگرسیون با محور متغیر وابسته، برابر با ضریب رگرسیون یا شیب منحنی متغیر مستقل است. ضریب همبستگی رابطه بین و ترکیب خطی رابیان می‌کند. برای آزمون فرضیه، اثر متغیر مستقل بر متغیر وابسته آزمون می‌شود (هومن، ۱۳۸۵،ص ۸۵).
در آزمون معنی‌دار بودن کل رگرسیون و رابطه خطی:
فرضیه صفر بیانگر ضرایب کل رگرسیون برابر با صفر است.
فرضیه تحقیق بیانگر حداقل یکی از ضرایب متغیر مستقل معنی‌دار است.

با توجه با احتمال بدست آمده از آزمون بروش- پاگان گادفری فرضیه‌های تحقیق دارای ناهمسانی واریانس می‌باشد.
۴-۵-۲ روش‌های رفع ناهمسانی واریانس
استفاده از روش حداقل مربعات تعمیم یافته بجای روش حداقل مربعات معمولی.(استفاده از این روش مستلزم شناسایی شکل واریانس ناهمسانی و متغیر توضیح دهنده ایست که مشکل را ایجاد کرده است).
بازنگری در تصریح مدل.
استفاده از روش حداکثر درست‌نمایی اطلاعات محدود با کلاس- K (LIML[84])
استفاده از مقادیر لگاریتمی متغیر توضیح دهنده بجای مقادیر ساده‌ی آن متغیر.
استفاده از برآورد همسان انحراف معیار وایت.
در این تحقیق از روش اول یعنی روش حداقل مربعات تعمیم یافته بجای روش حداقل مربعات معمولی استفاده می شود.
فرضیه‌ تحقیق از طریق نتایج حاصل از مدل‌های اقتصادسنجی و رگرسیون چند متغیره مورد آزمون قرار می‌گیرد.‌‌ جهت تعیین معنی دار بودن مدل رگرسیون از آماره F فیشر استفاده شده است. برای بررسی معنی‌دار بودن ضریب متغیرهای مستقل در هر مدل از آماره t استیودنت در سطح ۹۵% استفاده شده است.از آزمون دوربین- واتسون نیز جهت بررسی نبود مشکل خودهمبستگی بین جملات پسماند استفاده گردید. در صورت بروز موارد نقض فروض کلاسیک مدل رگرسیون خطی، از قبیل ناهمسانی واریانس یا خودهمبستگی بین اجزای اخلال مدل، به منظور اصلاح و برازش نهایی مدل، از الگوی “خود رگرسیونی مرتبه اول”  استفاده خواهد شد.
۴-۶ بررسی وجود هم خطی[۸۵]
در اقتصادسنجی هم‌خطی زمانی اتفاق می‌افتد که دو یا بیش از دو متغیر توضیح دهنده (مستقل) در یک رگرسیون چندمتغیره نسبت به یکدیگر از همبستگی بالایی برخوردار باشند. منظور از همبستگی در اینجا وجود یک ارتباط خطی بین متغیرهای مستقل است. بسته به شدت همبستگی بین متغیرهای مستقل، میزان و نوع همخطی متفاوت خواهد بود. همخطی کمابیش در همه مدل‌های رگرسیون موجود است؛ آنچه که مهم است شدت هم‌خطی بین متغیرهای مستقل است. وجود « همخطی کامل » موجب نقض فرض‌های کلاسیک مدل رگرسیون می شود.
۴-۶-۱ راه‌های تشخیص هم خطی
ضرایب برآوردی نسبت به کم یا اضافه کردن متغیر در مدل از خود حساسیت نشان می دهند .
در حالت هم‌خطی رگرسیون به طور کلی معنادار بوده و دارای  بالا می باشد اما ضرایب به تنهایی بی‌معنی هستند.
اگر تک تک متغیرهای مستقل را روی بقیه متغیرهای توضیح دهنده رگرسیون کرده و  آنها را با  رگرسیون اصلی مقایسه کنیم. چنانچه  های محاسبه شده بزرگتر از  رگرسیون اصلی باشد در آن‌صورت احتمال وجود هم خطی ناقص شدید است.
اگر با خارج کردن یک متغیر از مدل یا اضافه کردن یک متغیر به آن ،  تغییر قابل ملاحظه ای نداشته باشد، در آن صورت متغیر مذکور مستعد ایجاد همخطی است .
استفاده از معیارهای TOLERANCE و VIFدر نرم افزار SPSS
استفاده از آزمون VariancE Inflation factor در نرم افزار Eviews 8
در این تحقیق از روش ششم و با کمک از نرم افزار Eviews 8 وجود یا عدم وجود هم‌خطی بررسی می‌شود که نتایج درجدول ۴-۸ نشان داده شده است:
جدول(۴-۷) آزمون هم خطی متغیرهای تحقیق