منابع پایان نامه درمورد پایداری رشد سود، اثرات ثابت، رگرسیون، متغیر مستقل

دانلود پایان نامه ارشد

دارایی‌های105 آن شرکت به‌دست می‌آید (فرانسیس و همکاران106، 2004).
(3-2) CI = PPE/(Total Assets)

3- رشد سود هر سهم (EPSG): برای محاسبه رشد سود هر سهم شرکت‌های نمونه تحقیق، از مدل زیر استفاده می‌کنیم که توسط کریزانوسکی و محسنی107 (2013) ارائه شده است. در این مدل 〖EPS 〗_(i,t) سود هر سهم شرکت i در سال t بوده و D یک متغیر ساختگی می‌باشد که اگر EPS_( i,t-1) بزرگ‌تر از صفر باشد مقدار 1+ و اگر کوچک‌تر از صفر باشد مقدار 1- می‌گیرد.
(3-3) رشد سود هر سهم 〖EPSG 〗_(i,t) = D (EPS_( i,t) – 〖EPS 〗_(i,t-1)) / 〖EPS 〗_(i,t-1)

4- رشد جریان‌های نقدی عملیاتی هر سهم (CFPG): برای محاسبه رشد جریان‌های نقدی عملیاتی هر سهم شرکت‌ها نیز از مدلی مشابه مدل فوق استفاده می‌کنیم. در این مدل CFP_( i,t) جریان‌های نقدی عملیاتی هر سهم شرکت i در سال t بوده و D یک متغیر ساختگی می‌باشد که اگر 〖CFP 〗_(i,t-1) بزرگ‌تر از صفر باشد مقدار 1+ و اگر کوچک‌تر از صفر باشد مقدار 1- می‌گیرد.
(3-4) رشد جریان‌های نقدی هر سهم 〖CFPG 〗_(i,t) = D (〖CFP 〗_(i,t) – CFP_( i,t-1)) / CFP_( i,t-1)
پس از محاسبه رشد سود هر سهم و رشد جریان‌های نقدی عملیاتی هر سهم شرکت‌های حاضر در نمونه تحقیق، به محاسبه پایداری رشد سود و جریان‌های نقدی شرکت‌ها می‌پردازیم.
5- پایداری رشد سود: براي سنجش پايداري سود از يك معادله رگرسيوني تك متغيره استفاده می‌شود كه در آن سود دوره جاري تابعي از سود دوره ماقبل تلقي شده است. به عبارتي، در اين مدل تداوم سود به عنوان نماينده پايداري سود است. اين الگو در سال 2002 توسط دچو و ديچو108 طراحي و ارائه شده است:
(3-5) E_(i,t)= γ_0+ γ_(1 ) E_(i,t-1)+ ε_(i,t)
که در آن داریم:
E_(i,t): سود دوره جاری شرکت i
E_(i,t-1): سود دوره قبل شرکت i
ε_(i,t): باقیمانده مدل رگرسیونی

با توجه به مدل فوق، برای محاسبه پایداری رشد سود شرکت‌ها از مدل زیر استفاده می‌کنیم که در آن 〖EPSG 〗_(i,t) رشد سود هر سهم شرکت i در سال t می‌باشد:
(3-6) مدل پایداری رشد سود 〖EPSG 〗_(i,t)=α_i+α_1 〖 EPSG 〗_(i,t-1)+ε_( i,t)

5- پایداری رشد جریان‌های نقدی: برای محاسبه پایداری رشد جریان‌های نقدی نیز از مدلی مشابه مدل فوق‌الذکر استفاده می‌کنیم که در آن 〖CFPG 〗_(i,t) رشد جریان‌های نقدی عملیاتی هر سهم شرکت i در سال t می‌باشد:
(3-7) مدل پایداری رشد جریان‌های نقدی 〖CFPG 〗_(i,t)=α_i+α_1 〖CFPG 〗_(i,t-1)+ε_( i,t)

با توجه به مدل‌های ذکر شده، با استفاده از مدل‌های زیر به بررسی فرضیات تحقیق پرداخته‌ایم:

6- فرضیه اول: پایداری رشد سود شرکت با میزان تمرکز صنعت ارتباط دارد.
(3-8) 109 EPSG_(i,t)=α_i+α_1 EPSG_(i,t-1)+α_2 HHI_(i,t)+ε_(i,t)

در این مدل متغیر مستقل سطح تمرکز صنعت (HHI) را وارد مدل پایداری رشد سود نموده‌ایم تا میزان تاثیر آن را بر مدل بسنجیم تا بتوانیم ارتباط یا عدم ارتباط سطح تمرکز صنعت با پایداری رشد سود شرکت را تعیین کنیم.

7- فرضیه دوم: پایداری رشد سود شرکت با سرمایه‌بری شرکت ارتباط دارد.
(3-9) EPSG_(i,t)=α_i+α_1 EPSG_(i,t-1)+α_2 CI_(i,t)+ε_(i,t)

در این مدل متغیر مستقل سرمایه‌بری (CI) را وارد مدل پایداری رشد سود نموده‌ایم تا میزان تاثیر آن را بر مدل بسنجیم تا بتوانیم ارتباط یا عدم ارتباط سرمایه‌بری شرکت با پایداری رشد سود شرکت را تعیین کنیم.

8- فرضیه سوم: پایداری رشد جریان‌های نقدی شرکت با میزان تمرکز صنعت ارتباط دارد.
(3-10) CFPG_(i,t)=α_i+α_1 CFPG_(i,t-1)+α_2 HHI_(i,t)+ε_(i,t)

در این مدل متغیر مستقل سطح تمرکز صنعت (HHI) را وارد مدل پایداری رشد جریان‌های نقدی نموده‌ایم تا میزان تاثیر آن را بر مدل بسنجیم تا بتوانیم ارتباط یا عدم ارتباط سطح تمرکز صنعت با پایداری رشد جریان‌های شرکت را تعیین کنیم.
9- فرضیه چهارم: پایداری رشد جریان‌های نقدی شرکت با سرمایه‌بری شرکت ارتباط دارد.
(3-11) CFPG_(i,t)=α_i+α_1 CFPG_(i,t-1)+α_2 CI_(i,t)+ε_(i,t)

در این مدل متغیر مستقل سرمایه‌بری (CI) را وارد مدل پایداری رشد جریان‌های نقدی نموده‌ایم تا میزان تاثیر آن را بر مدل بسنجیم تا بتوانیم ارتباط یا عدم ارتباط سرمایه‌بری شرکت با پایداری رشد جریان‌های نقدی شرکت را تعیین کنیم.

3-9- روش تجزيه و تحليل داده‏ها
3-9-1- تخمین مدل‌های رگرسیون با داده‌های پانل110
براي برآورد الگوهاي رگرسيون خطي دو متغيره و چند متغيره معمولا از روش كمترين مجذورات معمولي111 كه به اختصار با OLS نشان داده می‌شود، استفاده می‌گردد. اين روش داراي ويژگي‌های مطلوب آماري مانند بدون تورش بودن، بهترين برآوردكننده خطي بدون تورش يا BLUE بودن را دارا مي‌باشد. اما براي رفع مشكلاتي همچون خود همبستگي جملات پسماند و ناهمساني واريانس از روش كمترين مجذورات تعميم گرفته112، يعني GLS استفاده می‌شود. (شيرين‌بخش و خوانساري، 1384)
از ويژگي‌های مهم روش GLS رفع مشكلاتي همچون خود همبستگي و ناهمساني واريانس می‌باشد، به همين دليل در اين تحقيق در صورت لزوم از اين روش استفاده می‌نماييم.
روش GLS اقدام به موزون نمودن متغيرهاي الگوي مدل رگرسيون می‌نمايد. به همين دليل روش مذكور را روش كمترين مجذورات موزونWeighted LS) یا WLS) مي‌نامند. (همان)

مزایای استفاده از داده های تابلویی (ترکیبی)
بالتاجی113 مزایای استفاده از داده‌های تابلویی نسبت به داده‌های مقطعی یا سری زمانی را چنین برمی‌شمارد:
از آنجا که داده‌های تابلویی به افراد، بنگاه‌ها، ایالات، کشورها و از این قبیل واحدها طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می‌شود. تکنیک‌های تخمین با داده‌های تابلویی، همان‌گونه که نشان خواهیم داد می‌توانند این ناهمسانی واریانس را با متغیرهای تکی و خاص مورد ملاحظه و بررسی قرار دهند.
با ترکیب مشاهدات سری زمانی و مقطعی، داده‌های تابلویی با اطلاعات بیشتر، تغییرپذیری بیشتر، هم‌خطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیشتری را ارائه می‌دهند.
با مطالعه مشاهدات مقطعی تکراری، داده‌های تابلویی به منظور مطالعه پویای تغییرات، مناسب‌تر و بهترند.
داده‌های تابلویی تاثیراتی را که نمی‌توان به سادگی در داده‌های مقطعی و سری زمانی مشاهده کرد، بهتر نشان می‌دهند.
داده‌های تابلویی ما را قادر می‌سازند تا مدل‌های رفتاری پیچیده را بهتر مطالعه کنیم.
داده‌های تابلویی با ارائه داده برای هزاران واحد، می‌تواند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه‌ها (به‌صورت تجمعی و کلی) حاصل شود، حداقل سازند.
به‌طور کلی باید گفت داده‌های تجربی را به شکلی غنی می‌سازد که در صورت استفاده از داده‌های سری زمانی یا مقطعی این امکان وجود ندارد.

3-9-2- آزمون‌های انتخاب مدل در پنل دیتا
1- آزمون چاو114 (آزمون F)
در مورد داده‌های ترکیبی ابتدا آزمون F(آزمون چاو) به منظور انتخاب شیوه تخمین مدل از بین دو راهکار Pooling وPanel انجام میشود.
در داده‌های ترکیبی اثرات زمانی و مقطعی داده‌ها و همچنین اثرات همزمان آنها آزمون می‌شود. طبق مدل اثرات ثابت – زمانی برای هر یک از سال‌های یک عرض از مبدا و طبق مدل اثرات ثابت – مقطعی برای هر یک از این شرکت‌ها یک عرض از مبدا ارائه می‌شود. حال برای این‌که ببینیم این عرض از مبدا‌ها از لحاظ آماری با هم تفاوت معنادار دارند یا خیر، آزمون چاو را به کار می‌گیریم.
بنابر این فرضیه H_0 و H_1 به صورت زیر مطرح می‌شود:
H_0: تمام عرض از مبداها با هم برابرند ↔ Pooled
:H_1 عرض از مبداها با هم تفاوت دارند ↔ مدل اثرات ثابت زمانی یا مقطعی یا هر دو
که مقادیر ثابت مدل (عرض از مبدا) در هر یک از حالت‌های فوق به شرح زیر می‌باشد:
Pooled ↔ α_0
Panel از نوع اثرات ثابت زمانی ↔ α_t
Panel از نوع اثرات ثابت مقطعی ↔ α_i
Panel از نوع اثرات ثابت زمانی و مقطعی ↔ α_(i,t)

2- آزمون هاسمن115
α_0 تاریخ گذشته هر شرکت یا مقطع را در مدل پانل در بر دارد که برای تفسیر آن دو رویکرد متفاوت وجود دارد. دو روش Fixed Effect و Effect Random دو رویکرد متفاوت برای برآورد α_0 می‌باشد. اگر فرض کنیم تمام افراد یا مقاطع در پانل، کاملا همگن هستند، در این صورت لازم نیست نگران عرض از مبدا‌های مختلف برای هر فرد یا مقطع باشیم. در حقیقت، رویکرد پانل دیتا به‌خوبی می‌تواند ناهماهنگی‌های میان افراد را نشان دهد. این نکته یکی از مزایای مدل داده‌های پانل نسبت به مدل‌های مقطعی یا سری زمانی صرف است.
اگر گفته هاولمو را بپذیریم که جامعه از بی‌نهایت تصمیم درست شده است نه بی‌نهایت افراد، در این صورت نباید α_0 را مشروط و مقید بدانیم، بهتر است آن‌را جمله تصادفی بدانیم نه ثابت. رویکرد اثر ثابت α_0 را جمله‌ای ثابت و مخصوص هر فرد یا مقطع در مدل رگرسیونی فرض می‌کند. مدل اثر تصادفی فرض می‌کند α_0 یک جمله تصادفی برای هر گروه است، اما در هر دوره‌ی زمانی، از این توزیع تصادفی α_0 ها فقط یک رخداد به‌طور یکسان در هر دوره در مدل رگرسیونی وارد می‌شود. به عبارت دیگر برای کل دوره‌ی زمانی، برای هر فرد فقط یک α_0 داریم. برای انتخاب یکی از این دو روش از آزمون هاسمن استفاده می‌کنیم. اگر Probکوچک‌تر از یک‌دهم باشد، مدل اثر ثابت در سطح ٩۰ درصد به بالا پذیرفته می‌شود، اما اگر بزرگ‌تر از یک‌دهم باشد در این صورت مدل اثر تصادفی پذیرفته می‌شود.

3- آزمون White cross-section
اگر ناهمگنی پارامترها میان افراد و مقاطع یا در طول سری زمانی را نادیده بگیریم می‌تواند به برآوردهای ناسازگار یا بی‌معنی از پارامترها منجر شود. پارامتر α_i ممکن است برای افراد و مقاطع مختلف متفاوت باشد، اگرچه در طول زمان ثابت بماند. اگر این فرض اتخاذ شود، ممکن است انواع توزیع‌های نمونه‌گیری رخ دهد. این توزیع‌های نمونه‌گیری می‌تواند تا حد زیادی رگرسیون حداقل مربعاتy_(it ) روی x_(it ) را با استفاده از NT مشاهده گمراه‌کننده کند. برای رفع مشکل واریانس ناهمسانی یا بهبود برآوردها از آزمون White cross-section استفاده می‌کنیم.
قدرت جذاب پانل دیتا ناشی از توانایی نظری آن در جداسازی اثرات، اقدامات و رفتار خاص فردی یا سیاست‌های عام‌تر است. این توانایی نظری بر این فرض استوار است که داده‌های اقتصادی از یک آزمایش کنترل‌شده به دست می‌آید که در آن رخدادها، متغیرهایی تصادفی با توزیع احتمال است. این رخدادها تابعی هموار از متغیرهای مختلف است که شرایط آزمایش را توصیف می‌کند. اگر داده‌های موجود حقیقتا از آزمایش‌های ساده کنترل شده به‌دست آید، می‌توان از روش‌های استاندارد آماری استفاده کرد.

3-9-3- آزمون معني دار بودن مدل مربوط به فرضيه‌ها
1- آماره F
جهت بررسي معني‌دار بودن مدل‌های رگرسيون استفاده شده در تحقیق، آزمون تمامي ضرايب آن‌ها كه دلالت بر معني‌دار بودن روابط بين متغيرهاي مستقل و متغير وابسته است از آماره F استفاده شده است. با مقايسه آماره F كه طبق فرمول زير بدست مي آيد و F جدول كه با درجات آزادي K-1 و n-K در سطح خطاي 5% محاسبه شده، مدل فرضيه مورد بررسي قرار گرفته است.
(3-12) F=(R^2/((K-1)))/(((1-R^2))/((n-K)))
از آنجایي‌كه در اين تحقيق براي آزمون آماري، فرضيه به عنوان فرض جايگزين (H_1) در نظر گرفته شده است، زماني فرضيه تاييد می‌شود

پایان نامه
Previous Entries منابع پایان نامه درمورد پایداری سود، متغیر مستقل، پایداری رشد سود، روش تحقیق Next Entries منابع پایان نامه درمورد اثرات ثابت، ضریب تعیین، انحراف معیار، رگرسیون