داده ­های تابلویی در مقایسه با داده ­های مقطعی و سری زمانی صرف، امکان طراحی الگوهای رفتاری پیچیده­تری را فراهم می­ کند. برای مثال، به وسیله­ داده ­های ترکیبی امکان بهتری برای بررسی و مدل سازی کارآیی تکنیکی وجود دارد.

1. 1. داده ­های تابلویی امکان بیشتری برای شناسایی و اندازه گیری اثراتی (اثرات غیر قابل مشاهده) را فراهم می­ کند که به وسیله­ آمارهای مقطعی یا سری زمانی تنها، به سادگی قابل شناسایی نیست.

1. 1. داده ­های تابلویی از واحدهای کوچکی مثل افراد، شرکت ها و خانوارها گردآوری می­شوند. خیلی از متغیرها را می­توان در مقیاس کوچک با دقّت بیشتری اندازه ­گیری نمود و از این طریق، انحراف­های ناشی از تجمع افراد یا شرکت ها حذف می­ شود.

امتیاز دیگری که برای تلفیق کردن داده ­ها می­توان در نظر گرفت این است که ممکن است استفاده از مشاهدات مقطعی به برآوردهای اریبی از پارامترها منجر شود. چنانچه از این برش­های مقطعی طی زمان، نمونه گیری شود و به اصطلاح داده ­های گروهی فراهم شود به برآوردهای نااریب و سازگاری دست خواهیم یافت (بالتاجی ۲۰۰۵).

1. 1. از آنجا که داده ­های پانل به افراد، بنگاه­ها، ایالات، کشورها و از این قبیل واحدها طی زمان ارتباط دارند، وجود ناهمسانی واریانس^[۸۰] در این واحدها محدود می­ شود (گجراتی، ۱۳۸۵، ۱۱۴۳).

1. 1. زیاد بودن تعداد مشاهدات مسأله همخطی^[۸۱] در اقتصاد سنجی را نیز تا حدود زیادی حل می­ کند. چون داده ­ها هم در طول زمان و هم در میان افراد تغییر می­ کنند، احتمال کمتری می­رود متغیرها با یکدیگر همخطی داشته باشند (اشرف­زاده و مهرگان، ۱۳۸۵).

هسیائو (۲۰۰۳) مهمترین مزیت استفاده از داده ­های پانل را کنترل نمودن خواص ناهمگن و در نظر گرفتن تک تک افراد، شرکت­ها، ایالات و کشورها بیان می­ کند. در حالی که مطالعات مقطعی و سری زمانی این ناهمگنی را کنترل نکرده و با تخمین الگو بدان روش بیم اریب در نتایج می­رود. در واقع با بهره گرفتن از داده ­های پانل، شناسایی و اندازه ­گیری اثراتی فراهم می­ شود که به سادگی در داده ­های مقطعی و سری­ زمانی قابل شناسایی نیست (هسیائو، ۲۰۰۳،ص:۹۲).^[۸۲]
۳-۵-۲- روش­های تخمین
برآورد روابطی که در آن­ها از داده ­های تابلویی (سری زمانی، مقطعی) استفاده می­ شود، غالباً با پیچیدگی­هایی مواجه است. در حالت کلی، مدل زیر نشان دهنده یک مدل با داده ­های تابلویی است:
(۳-۱)

که در آن i = 1, 2, …,T نشان دهنده واحدهای مقطعی و i = 1, 2, …,T بر زمان اشاره دارد.
Y_it متغیر وابسته را برای i امین واحد مقطعی در سال t و نیز k امین متغیر مستقل غیر تصادفی برای i امین واحد مقطعی در سال t است.
فرض می­ شود جزء اختلال e_it دارای میانگین صفر، و واریانس ثابت است. پارامترهای مدل مجهول است که واکنش متغیر وابسته نسبت به تغییرات k امین متغیر مستقل در i امین مقطع و t امین زمان را اندازه گیری می­ کند. در حالت کلی فرض می­ شود که این ضرایب در میان تمامی واحدهای مقطعی و زمانی مختلف است، ولی در بسیاری از مطالعات پژوهشی متغیر بودن این ضرایب هم برای تمامی مقاطع و هم برای تمامی زمان­ها بسیار محدود کننده است و باید نسبت به ماهیّت موضوع مورد مطالعه و سایر شرایط، فرض­های مقتضی در خصوص پارامترها توسط پژوهشگر تعیین شود. این مدل را می­توان به پنج حالت ذیل تقسیم کرد:
۱٫ تمامی ضرایب ثابت هستند و فرض می­ شود که جمله اختلال قادر است تمام تفاوت­های میان واحدهای مقطعی و زمان را دریافت کند و توضیح دهد.

(۳-۲)

1. 1. ضرایب مربوط به متغیرها (شیب­ها) ثابت هستند و تنها عرض از مبدأ برای مقاطع مختلف متفاوت است.

(۳-۳)
 

1. 1. ضرایب مربوط به متغیرها (شیب­ها) ثابت هستند ولی عرض از مبدأ مابین مقاطع و بین دوره­ها متفاوت است.

(۳-۴)
 

1. 1. همه ضرایب برای تمام واحدهای مقطعی متفاوت است.

(۳-۴)

1. 1. تمام ضرایب هم نسبت به زمان و هم نسبت به واحدهای مقطعی متفاوت هستند.

(۳-۵)
در خصوص روش­های تخمین مدل­های مذکور می­توان گفت که در حالت های ۲و۳و۴ بسته به این که کدام یک از ضرایب ثابت یا متغیر باشند، به مدل­های اثرات ثابت یا تأثیرات تصادفی تقسیم می­شوند (گرین ۲۰۰۵).
۳-۶- تصریح مدل و معرفی متغیر­ها و داده ­ها:
در فصل دو این مطالعه، مبانی نظری مدل مورد استفاده، به طور نسبتا تفصیلی، مورد بررسی قرار گرفت. در این قسمت به ارائه مدل پیشنهادی خواهیم پرداخت.
۳-۶-۱- مدل
با توجه به مبانی نظری و مطالعات تجربی ذکر شده در فصل دو، در ادبیات اقتصاد مسکن، قیمت مسکن (ph) از دو جزء تشکیل شده است: قسمت اول جزء بنیادی (phf) که مبتنی بر متغیرهای بنیادی و درون­زای بخش مسکن می­باشد و برابر با روند بلندمدت قیمت مسکن خواهد بود.^[۸۳] جزء دوم یا حباب (phb) متاثر از متغیرهای برون بخشی و نقل و انتقالات بازار سرمایه و دارایی­ ها است که رفتار قیمت مسکن را تحت تاثیر قرار می­دهد و عموماً موضوعی کوتاه مدت است. در بلندمدت جزء بنیادی تعیین کننده قیمت مسکن است و مقدار حباب برابر صفر می­باشد.
(۳-۶)
Ph = phf + phb
مدل­های کاربردی این مطالعه به بررسی عوامل موثر بر قیمت بنیادی مسکن اختصاص دارد.
میزان تقاضای مسکن () تابعی از قیمت مسکن (p_h) و بردار متغیرهای مؤثر بر تقاضای مسکن می­باشد.
(۳-۷)