منبع پایان نامه ارشد درباره ریشه واحد، داده های ترکیبی، انحراف معیار، همبستگی پیرسون

دانلود پایان نامه ارشد

دریافتنی
جمع خالص اموال، ماشین آلات و تجهیزات
تفاضل تغییرات فروش و تغییرات حسابهای دریافتنی

TAit
∆Salesit
∆RECit
PPEi,t
∆Salesit – ∆RECit
میانگین
11/0
35/0
03/0
31/0
31/0
میانه
02/0
14/0
02/0
25/0
10/0
بیشینه
43/43
29/93
03/1
83/1
29/93
کمینه
53/0-
01/1-
31/0-
003/0
11/1-
انحراف معیار
85/1
981/3
10/0
22/0
982/3
چولگی
09/23
18/23
17/2
41/1
19/23
کشیدگی
006/539
6/541
64/19
83/6
07/542
آماره جارک-برا
6632934
6697863
69/6778
874/519
6708849
احتمال آماره جارک برا
000/0
000/0
000/0
000/0
000/0
مشاهدات
550
550
550
550
550
تعداد شرکتها
110
110
110
110
110

میزان کشیدگی منحنی فراونی نسبت به منحنی نرمال استاندارد را برجستگی یا کشیدگی می نامند. اگر کشیدگی حدود صفر باشد، منحنی فراوانی از لحاظ کشیدگی وضعیت متعادل و نرمال خواهد داشت، اگر این مقدار مثبت باشد منحنی برجسته و اگر منفی باشد منحنی پهن می باشد. کشیدگی تمامی متغیر های این مدل مثبت است. متغیر تغییرات فروش و حسابهای دریافتنی (∆sales -∆REC) بیشترین برجستگی و متغیر جمع خالص اموال، ماشین آلات و تجهیزات (PPE) کمترین برجستگی را نسبت به منحنی نرمال دارد.
4-3-1-2) آمار توصیفی مدل جانبی دوم(برای برآورد متغیر وابستة ضریب واکنش سود)
جدول(4-3) آمار توصیفی مربوط به متغیرهای128 مدل جانبی دوم را نشان می دهد که بیانگر پارامترهای توصیفی برای هر متغیر به صورت مجزا می باشد. این پارامترها عمدتاً شامل اطلاعات مربوط به شاخصهای مرکزی، نظیر بیشینه، کمینه، میانگین و میانه و همچنین اطلاعات مربوط به شاخص های پراکندگی نظیر واریانس، چولگی و کشیدگی است. در این جدول تعداد مشاهدات برای هر متغیر برابر550 مشاهده است.
مهمترین شاخص مرکزی میانگین است که نشان دهنده نقطه تعادل و مرکز ثقل توزیع است و شاخص مناسبی برای نشان دادن مرکزیت داده هاست. میانگین متغیر بازده غیرعادی سهام(AR) برابر با 15/0- می باشد، که نشان می دهد بیشتر داده های مربوط به این متغیر حول این نقطه تمرکز یافته اند. میانه یکی از شاخص های مرکزی است که وضعیت جامعه را نشان می دهد. همانگونه که در جدول(4-3) مشاهده می شود میانه متغیر سود غیر منتظره (UE) برابر با 03/0 می باشد که نشان می دهد نیمی از داده ها کمتر از این مقدار و نیمی دیگر بیشتر از این مقدار هستند.
پارامترهای پراکندگی، به طور کلی معیاری برای تعیین میزان پراکندگی داده ها از یکدیگر یا میزان پراکندگی آنها نسبت به میانگین است. از جمله مهمترین پارامترهای پراکندگی انحراف معیار است. مقدار این پارامتر برای متغیر سود غیر منتظره (UE) برابر87/5 و برای متغیر بازده غیرعادی سهام(AR) برابر 02/1 است که نشان می دهد در بین متغیرهای پژوهش، سود غیر منتظره (UE) و بازده غیرعادی سهام(AR) به ترتیب دارای بیشترین و کمترین میزان پراکندگی می باشند.
میزان عدم تقارن منحنی فراوانی را چولگی می نامند. اگر ضریب چولگی صفر باشد، جامعه کاملاً متقارن است و چنانچه ضریب مثبت باشد، چولگی به راست و اگر منفی باشد، چولگی به چپ وجود خواهد داشت. به عنوان مثال ضریب چولگی متغیر بازده غیرعادی سهام(AR) برابر با 12/3 می باشد، یعنی این متغیر چولگی به راست دارد و به این اندازه از مرکز تقارن انحراف دارد. متغیر بازده غیرعادی سهام(AR) بیشترین و متغیر سود غیر منتظره (UE)کمترین عدم تقارن را نسبت به توزیع نرمال دارد.

جدول (4-3): آمار توصیفی مدل جانبی دوم
متغیر
آماره
بازده غیرعادی هر سهم
سود غیرمنتظره

ARit
UEit
میانگین
15/0-
36/0
میانه
36/0-
03/0
بیشینه
33/6
83/80
کمینه
82/1-
50/59-
انحراف معیار
02/1
87/5
چولگی
12/3
43/2
کشیدگی
70/16
20/111
آماره جارک-برا
620/5202
9/268840
احتمال آماره جارک برا
000/0
000/0
مشاهدات
550
550
تعداد شرکتها
110
110

میزان کشیدگی منحنی فراونی نسبت به منحنی نرمال استاندارد را برجستگی یا کشیدگی می نامند. اگر کشیدگی حدود صفر باشد، منحنی فراوانی از لحاظ کشیدگی وضعیت متعادل و نرمال خواهد داشت، اگر این مقدار مثبت باشد منحنی برجسته و اگر منفی باشد منحنی پهن می باشد. کشیدگی تمامی متغیر های این مدل مثبت است. سود غیر منتظره (UE) بیشترین برجستگی و متغیر بازده غیرعادی سهام(AR) کمترین برجستگی را نسبت به منحنی نرمال دارد.
مقدار بیشینه و کمینه متغیرهای جدول (4-2) و (4-3) به همراه نام شرکت و سال مورد نظر در پیوست شماره 2 در انتهای پایان نامه نشان داده شده است.
4-3-2) آزمون نرمال بودن متغیرهای وابستة مدل های جانبی
قبل از برآورد مدل باید نرمال بودن متغیر وابسته مورد آزمون قرار گیرد، توزیع غیرنرمال این متغیر منجر به تخطی از مفروضات این روش براي تخمین پارامترها می شود. لذا لازم است نرمال بودن توزیع متغیر وابسته تحقیق مورد آزمون قرار گیرد. در این مطالعه این موضوع از طریق آماره جارک- برا مورد بررسی قرار می گیرد. فرض صفر و فرض مقابل در این آزمون به صورت زیر می باشد:
H0: Normal Distribution
H1: Not Normal Distribution
از آنجائیکه احتمال آماره جارک- برا در جدول(4-2) و (4-3) برای متغیرهای وابستة مدل های جانبی (TA-AR) کمتر از 5% است، فرضیه صفر مبنی بر نرمال بودن توزیع متغیرهای مربوطه رد می شود.
در این راستا برای نرمال سازي متغیرهای مذکور از تبدیل جانسون Johnson استفاده شده است، که تابع تبدیل متغیرهای وابسته در پیوست شماره (3) بررسی و نشان داده شده است. همانطور که در پیوست شماره (3) مشاهده می شود احتمال آماره داده هاي اولیه برای متغیرهای وابستة جمع اقلام تعهدی(TA)، کمتر از 05/0 است که حاکی از نرمال نبودن متغیرهای مذکور است که با نرمال سازي توسط نرم افزار افزایش یافته است، در نتیجه فرضیه H0 مبنی بر نرمال بودن متغیر مذکور پذیرفته می شود. نگاره (1) توزیع متغیر وابستة مذکور را بعد از نرمال سازی نشان می دهد.

از طرفی دیگر احتمال آماره داده هاي اولیه برای متغیر وابستة بازدة غیرعادی سهام (AR) کمتر از 05/0 است که حاکی از نرمال نبودن متغیر است که با نرمال سازي توسط نرم افزار هم در سطح 05/0 و هم در سطح 1/0 نرمال نشده، همچنین از آنجائیکه متغیر مذکور مقادیر منفی هم در برمیگیرد از روش لگارتیم گیری و COX-BOX هم نتوانستیم برای نرمال سازی متغیر مذکور استفاده کنیم. در نتیجه در این پژوهش با توجه به بزرگ بودن حجم نمونه (N30)، و تعداد مشاهدات بالا، از قضیه حد مرکزی بهره گرفته شده است؛ از قضیه حد مرکزی می توان نتیجه گرفت که هر چه حجم پایه در نمونه برداری بزرگتر باشد، واریانس بین نمونه ها کمتر و توزیع میانگین جوامع نمونه برداری شده به توزیع نرمال نزدیک تر می شودو نرمال بودن توزیع مورد نظر با افزایش تعداد تکرارها (n) افزایش مییابد(بدری و عبدالباقی،1389). جدول(4-4) نتایج حاصل از نرمالیته متغیروابسته را قبل و بعد از نرمال شدن نشان میدهد.
جدول4-4: نتایج حاصل از آزمون جارک-برا متغیرهای وابسته

متغیر وابسته
Jarque-Bera
Probability
قبل از نرمال سازی
مدل جانبی اول
TA
6632934
000/0
بعد از نرمال سازی

43/25
06/0
قبل از نرمال سازی
مدل جانبی دوم
AR
620/5202
000/0
بعد از نرمال سازی


4-3-3) آزمون مانایی متغیرها
همانطور که در فصل سوم بیان شد قبل از برآورد مدل به منظور اطمینان از نتایج تحقیق و ساختگی نبودن روابط موجود در رگرسیون و معنی دار بودن متغیرها، اقدام به انجام آزمون مانایی و محاسبه ریشه واحد متغیرهای تحقیق در مدل ها گردید. آزمون مزبور با استفاده از نرم افزار Eviews7 و روش آزمون لوین، لین و چو129 (2002) انجام گردید. در آزمون ریشه واحد فرضیه صفر بیانگر وجود ریشه واحد بوده و در صورتیکه احتمال جدول کوچکتر از 05/0 باشد به احتمال 95 درصد فرضیه صفر پذیرفته نمی شود.
نتایج حاصل از آزمون ریشه واحد برای متغیرهای مدل های جانبی به شرح جدول (4-5) می باشد:
با توجه به نتايج حاصل از جدول(4- 5) مشخص گرديد که تمامی متغیرها در سطح مانا بودند، نتایج کامل این آزمون در پیوست شماره 4 در انتهای پایان نامه نشان داده شده است.

جدول (4-5): نتایج آزمون ریشه واحد متغیرهای مدل های جانبی
آزمون
متغیر
Levin,lin & chut

آماره
احتمال
جمع اقلام تعهدی
629/167-
000/0
TA (Level)

جمع خالص اموال، ماشین آلات و تجهیزات
72554/7-
000/0
PPE (Level)

تفاضل تغییرات فروش از تغییرات حسابهای دریافتنی
1228/75-
000/0
∆Sales-∆REC (Level)

بازده غیر عادی سهام
9096/48-
000/0
AR (Level)

سودغیرمنتظره
4038/22-
000/0
UE (Level)

4-3-4) آزمون همخطی
قبل از برآورد مدل لازم است تا عدم وجود هم خطی میان متغیرهای مستقل آزمون شود. برای بررسی وجود یا عدم وجود هم خطی میان متغیرهای مستقل پژوهش از تحلیل همبستگی استفاده شده است؛ که اینکار با محاسبه ضریب همبستگی پیرسون انجام می شود. جدول (4-6) ضرایب همبستگی پیرسون میان متغیرهای مستقل مدل جانبی اول را نشان می دهد:
جدول (4-6): ضرایب همبستگی پیرسون متغیرهای مدل جانبی اول
مدل

∆Sales-∆REC
PPE
مدل جانبی اول
∆Sales-∆REC
Correlation
000/1

Probability

PPE
Correlation
0403/0
000/1

Probability
34/0

با توجه به نتایج جدول (4-6) مشخص گردید که مقادیر ضریب همبستگی خیلی زیاد یا خیلی کم (نزدیک به 1+و 1-) که نتایج تحلیل رگرسیونی را تحت تأثیر قرار دهد، مشاهده نمی شود. در نتیجه هم خطی ای میان متغیرهای مستقل پژوهش وجود ندارد. نتایج کامل این آزمون در پیوست شماره 5 در انتهای پایان نامه نشان داده شده است.
4-3-5) برآورد مدل و تجزیه و تحلیل مدل های جانبی
در پژوهش حاضر، مدل های جانبی با استفاده از مدل داده های ترکیبی برآورد می شوند. بدین ترتیب که چند شرکت در طول زمان مورد بررسی و تجزیه و تحلیل قرار می گیرند. در تجزیه و تحلیل داده های ترکیبی یک محیط بسیار غنی از اطلاعات برای گسترش تکنیک های تخمین و نتایج قابل تحلیل فراهم می گردد. در بسیاری از موارد، پژوهشگران می توانند از داده های ترکیبی، برای مواردی که نمی توان فقط به صورت سری زمانی یا فقط به صورت مقطعی بررسی کرد، بهره بگیرند. همانگونه که در فصل سوم اشاره شد در داده های ترکیبی ابتدا به منظور انتخاب بین روش های داده های تابلویی و داده های تلفیقی از”آزمون F لیمر”استفاده می شود. اگر p-value محاسبه شده بیشتر از سطح خطای 5درصد باشد ازداده های تلفیقی(Pooled) و در غیر اینصورت از داده های تابلویی(Panel) استفاده خواهد شد.
در صورتیکه داده ها به صورت تابلویی باشند، برای بررسی این موضوع که آیا عرض از مبدأ به صورت اثرات ثابت است یا اینکه در ساختار واحدهای مقطعی به صورت تصادفی عمل می کند، از “آزمون هاسمن” استفاده می شود. اگر احتمال آزمون هاسمن کوچکتر از 5 درصد باشد، فرض صفر(اثرات تصادفی) ردمی شود و اثرات ثابت انتخاب می شود و در صورتیکه احتمال آزمون هاسمن بزرگتر از 5 درصد باشد، فرض صفر رد نمی شود و اثرات تصادفی انتخاب می شود130.
4-3-5-1) آزمون F لیمر
جدول (4-7) نتایج آزمون F لیمر مدل های جانبی را نشان میدهد.
با توجه به اینکه P-value بدست آمده از آزمون F لیمر در تمامی مدل های جانبی کوچکتر از 5 درصد است، به منظور برآورد این مدل ها از مدل داده های پانل (Panel) استفاده خواهد شد. نتایج کامل این آزمون در پیوست شماره 6 در انتهای پایان نامه نشان داده شده است.
جدول(4-7):نتایج آزمونF لیمر مدل های جانبی
مدل های جانبی
آماره
مقدار
P-Value
نتیجه آزمون
مدل جانبی اول
Fلیمر
532/1
001/0
Panel

Chi-square(χ2)
703/177
000/0

مدل جانبی

پایان نامه
Previous Entries منبع پایان نامه ارشد درباره رگرسیون، روش پژوهش، آزمون های آماری، اقلام تعهدی Next Entries منبع پایان نامه ارشد درباره ضریب تعیین، اثرات ثابت، استقلال حسابرس، ضریب واکنش سود