پایان نامه رایگان درباره اثرات ثابت، سطح معنادار، اندازه شرکت، رشد شرکت

دانلود پایان نامه ارشد

از تکتک متغيرهاي مدل به دست ميدهد.
3-9-2- آزمون کلموگروف- اسميرنف براي بررسي نرمال بودن متغيرها
اين آزمون از نوع ناپارامتري است و براي ارزيابي همقوارگي متغيرهاي رتبه اي در دو نمونه (مستقل و يا غير مستقل) و يا همقوارگي توزيع يک نمونه با توزيعي که براي جامعه فرض شده است، به کار مي‌رود. هنگام بررسي نرمال بودن داده‌ها ما فرض صفر مبتني بر اينکه توزيع داده‌ها نرمال است را در سطح خطاي 5% تست مي‌کنيم. بنابراين اگر آماره آزمون بزرگ‌تر مساوي05/0 بدست آيد، در اين صورت دليلي براي رد فرض صفر مبتني بر اينکه داده نرمال است، وجود نخواهد داشت. به عبارت ديگر توزيع داده‌ها نرمال خواهد بود. براي آزمون نرماليته فرض‌هاي آماري به صورت زير تنظيم مي‌شود:
:داده‌ها از توزيع نرمال برخوردار هستند
:داده‌ها از توزيع نرمال برخوردار نيستند
چنانچه سطح معناداري در آزمون شاپيرو-ويلک يا آزمون کولموگروف-اسميرنوف که در اين جدول با sig. نمايش داده مي‌شود بيشتر از 05/0 باشد مي‌توان داده‌ها را با اطمينان بالايي نرمال فرض کرد. در غير اين صورت نمي‌توان گفت که داده‌ها توزيعشان نرمال است.

3-9-3- آزمون ايستايي (مانايي)
آزمون‌هاي ايستايي از جمله مهم‌ترين آزمون‌ها جهت برآورد يک رگرسيون با ضرايب قابل اعتماد مي‌باشد. به طور کلي ايستايي يک متغير به معني وجود ميانگين، واريانس و ضرايب خود همبستگي ثابت در طول زمان مي‌باشد. در شرايطي که از متغيرهاي غير پايا در الگو استفاده گردد ضرايب به دست آمده براي پارامترها از اعتبار بالايي برخوردار نيستند چرا که آزمونهاي و اعتبار لازم را ندارند و حتي به ميزان ضريب تعيين بدست آمده نيز نمي‌توان اعتماد نمود. بنابراين همواره احتمال بوجود آمدن رگرسيون کاذب وجود دارد. بدين ترتيب لازم است که جهت جلوگيري از بوجود آمدن رگرسيون کاذب از آزمونهاي ايستايي استفاده شود. روندهاي گوناگوني براي بررسي ريشه واحد در داده‌هاي پانل مورد استفاده قرار مي‌گيرد. تلاش اين آزمون‌ها اين است که اطلاعات سري زماني را با بعد مقطعي ترکيب کنند. با اين اميد که استنباط در مورد وجود ريشه واحد در داده‌هاي مقطعي با دقت بيشتري امکان‌پذير باشد. يکي از اين آزمون‌ها آزمون بريتانگ162(2000) است. فرض صفر آزمون عبارت است از: در مقابل فرض آزمون مي‌شود.
3-9-4- رگرسيون
در مباحث مرتبط با مدل‌هاي رگرسيوني، زماني که متغير پاسخ دو حالتي باشد، استفاده از روش‌هاي معمول رگرسيون خطي با مشکلاتي مواجه خواهد بود. ممکن است مقادير پيش بيني شده، بي معني بوده، در عمل تفسير پذير نباشند. امکان قياس مقادير پيش بيني با يکديگر وجود ندارد. پذيره‌هاي اوليه رگرسيون خطي (مانند همساني واريانس متغير پاسخ، نرمال نبودن مقادير متغير پاسخ و مقادير پيش بيني شده) برقرار نيست.
در چنين شرايطي، استفاده از رگرسيون لجستيک (دو حالتي) پيشنهاد مي‌شود.
استفاده از رگرسيون لجستيک براي وضعيت‌هايي که هدف آن براورد مفاهيمي چون «رخ دادن» يا «رخ ندادن» يک اتفاق باشد، يک انتخاب عالي و بي عيب و نقص است. زنده ماندن بيمار در طي درمان، بيمار شدن يک فرد، طي نمودن موفقيت آميز دوره آموزشي توسط دانش آموز و … همگي مثال‌هايي از اين نوع مي‌باشند که معيار اندازه‌گيري نتايج آن دو حالتي163 است. استفاده از رگرسيون لجستيک به ويژه زماني که با پايگاه داده‌هاي بسيار بزرگ مواجه هستيم، يا در وضعيت‌هايي که متغيرهاي مستقل از يک قاعده منظم و کلي پيروي نکرده و مفروضات مدلهاي عمومي را نقض مي‌کنند، بسيار مفيد خواهد بود. با تمام اين انعطاف پذيري، استفاده از آن با يک مشکل اساسي مواجه است:
 براي دست يابي به نتايج استوار و پايا164 و معني‌دار165، به حجم داده‌هايي بيش از آنچه در رگرسيون خطي معمولي يا تحليل تشخيص166 مواجه هستيم، نياز است. معمولاً در رگرسيون خطي معمولي يا تحليل تشخيص، ۲۰ مشاهده بازاي هر متغير مستقل کفايت مي‌کند، اما در رگرسيون لجستيک حداقل ۵۰ مشاهده بازاي هر متغير مستقل نياز است.
 متغير پاسخ در يک مدل رگرسيون لجستيک به صورت رسته اي دوحالتي است. درحالي‌که درتکنيک‌هاي رگرسيون خطي، متغير پاسخ يک پيوستار بي‌کران را شامل مي‌شود (متغير پيوسته در دامنه(-∞,+∞))
 تبديل به پيوستار: از آنجايي که مقادير احتمال به صورت پيوسته در بازه (۰,۱) توزيع مي‌شوند، بنا براين، استفاده از احتمال وقوع رخداد پيروزي منتسب به متغير پاسخ (p=Pr[Y=1]) بجاي خود متغير پاسخ، جايگزين مناسبي براي تأمين شرط پيوستگي است.
3-9-5- تجزيه و تحليل دادهها
سؤال قابل طرح، پس از دسته بندي و پردازش اوليه داده‌ها، اين است که براي تجزيه و تحليل داده‌ها از چه روشي بايد استفاده کرد تا اين داده‌ها به اطلاعاتي تبديل گردند که از طريق تحليل آنها بتوان در مورد فرضيه‌ها قضاوت نمود.
عموما داده‌ها براي تحليل‌هاي تجربي به سه دسته قابل تقسيم مي‌باشند:
دسته اول:داده‌هاي سري‌هاي زماني، داده‌هايي هستند که در طي دوره زماني (روزانه، هفتگي، ماهانه، فصلي و سالانه) جمع‌آوري مي‌شوند.
دسته دوم:داده‌هاي سري مقطعي بر اساس يک يا چند متغير در زمان مشخص گردآوري مي‌شوند.
دسته سوم: داده‌هاي ترکيبي يا تابلويي167 از ترکيب اين دو دسته حاصل مي‌شود. در اين تحقيق از روش مقطعي و نيز تابلويي استفاده شده است. مزاياي استفاده داده‌هاي تابلويي عبارتند از:
از آنجا که دادههاي تابلويي به افراد، بنگاهها، ايالات يا کشورها و از اين قبيل واحدها طي زمان ارتباط دارند وجود ناهمساني واريانس در اين واحدها محدود مي‌شود.
با ترکيب مشاهدات سري زماني و مقطعي، دادهها تابلويي با اطلاعات بيشتر، تغيير پذيري بيشتر، همخطي کمتر ميان متغيرها، درجات آزادي بيشتر و کارآيي بيشتر ارائه مينمايند.با مطالعه مشاهدات مقطعي تکراري، داده‌هاي تابلويي به منظور مطالعه پوياي تغييرات مناسبتر و بهترند. دادههاي تابلويي تأثيراتي را که نميتوان به سادگي در دادههاي مقطعي و سري زماني مشاهده کرد، بهتر معين ميکنند. دادههاي تابلويي، اين امکان را فراهم مي‌کند تا مدلهاي رفتاري پيچيدهترمطالعه شود. دادههاي تابلويي با ارائه داده براي هزاران واحد، ميتوانند تورشي را که ممکن است در نتيجه لحاظ افراد يا بنگاهها (به صورت جمعي و کلي) حاصل شود را حداقل سازند. به طور کلي دادههاي تابلويي تحليلهاي تجربي را به شکلي غني ميسازند که در صورت استفاده از دادههاي سري زماني يا مقطعي اين امکان وجود ندارد (آذر و مومني:1381).
سه روش عمده براي بر آورد مدلهاي مبتني بر داده‌هاي تابلويي، به شرح زير است:
1ـ عرض از مبدأ مشترک و ثابت براي تمام مشاهدات قطعي. در چنين مدلهايي تمام مشاهدات با يکديگر ترکيب شد، و رگرسيون حداقل مربعات معمولي168 براي برآورد ان اجرا ميشود. چنين مدلهايي را مدل رگرسيون ترکيبي مينامند. به عبارتي سادهترين روش حذف ابعاد فضا و زمان از دادههاي ترکيبي و تخمين معمول169 است. اما با وجود سادگي، به دليل وجود فروض محدود کننده، اين روش ممکن است تصوير حقيقي رابطه ميان Y و X‌ها را به شکل نادرستي نشان دهد و تحريف نمايد.
2ـ عرض از مبدأ متفاوت ميان مشاهدات مقطعي (روش اثرات ثابت يا حداقل مربعات با متغير موهومي170: ناشي از اين حقيقت است که با وجود تفاوت عرض از مبدأ ميان شرکتها، عرض از مبدأ هر شرکت طي زمان تغيير نميکند.
3ـ عرض از مبدأ تصادفي براي مشاهدات مقطعي (روش اثرات تصادفي).
براي تحليل ضرايب رگرسيون، آزمون tاستيسودنت و برارکل رگرسيون، آزمون F استفاده ميشود.
براي انتخاب بين روشهاي مدل رگرسيون ترکيبي و رگرسيون اثرات ثابت از آزمون f تعميم يافته استفاده مي‌شود. اين روش متکي بر ضريب تعيين R2 مي‌باشد و آزمون مي‌نمايد که آيا ضريب تعيين رگرسيون با اثرات ثابت به صورت معني داري بزرگتر از ضريب تعيين مدل رگرسيون تلفيقي است يا خير. آماره اين آزمون در فرمول زير ارائه شده است:

F=(R2fe – R2 pool) / (n-1) / ( 1- R2fe)/(nt-n-k)
که در اين فرمول:
R2fe= ضريب تعيين رگرسيون با اثرات ثابت،
R2pool = ضريب تعيين مدل رگرسيون تلفيقي (عرض از مبدأ مشترک)،
N = تعداد مشاهدات مقطعي،
T= دورههاي زماني تحقيق (سالها)،
Nt= تعداد کل مشاهدات،
K= تعداد متغيرهاي مستقل توضيحي مدل.
به منظور ارزيابي اعتبار آماري مدل رگرسيون استفاده شده در فرضيه اصلي و آزمون تمامي ضرايب که دلالت بر معني دار بودن روابط بين متغيرهاي مستقل و متغير وابسته دارد از آماره F استفاده مي‌شود و طبق فرمول زير بدست ميآيد:
F= R2/(k – 1) / ( 1 – R2) / ( n – k )
که در آن فرضيات به صورت زير مطرح ميشود:
H0تمام ضرايب برابر با صفر است:
H1حداقل يکي از ضرايب مخالف صفر است :

قضاوت در اين خصوص براساس ميزان مقد ار بحراني خطاي p– value گزارش شده صورت ميگيرد. به اين صورت که اگر اين احتمال کوچکتر سطح خطاي مجاز باشد فرضيه H0 را رد مينماييم و فرض اعتبار رگرسيون پذيرفته مي‌شود. (آذر و مومني:1381).
براي تأييد يا رد فرضيه‌ها از آماره t و مقدار احتمال خطا p- value که براي ضرايب برآوردي هر متغير مستقل محاسبه مي‌گردد، استفاده مي‌شود. درصورتيکه مقدار محاسبه شده براي ضريب متغير مستقل کمتر از سطح خطاي مجاز (1 درصد ، 5 درصد ، 10 درصد ) باشد فرضيه H0 مبني بر صفر بودن ضريب متغير مذکور تأييد نشده و فرضيه H1 مورد پذيرش واقع مي‌شود. در اين حالت سه سطح معني داري 99 درصد، 95 درصد و 90 درصد را در نظر مي‌گيريم و معني داراي هريک از متغيرها در هريک از اين سطوح مورد تحليل قرار مي‌گيرد.(آذر و مومني:1381).

3-10- خلاصه فصل
اين فصل به شرح روش و چگونگي انجام تحقيق اختصاص داشت. بنابراين در ابتدا به بيان روش تحقيق و سؤالات و فرضيه‌هاي تحقيق پرداخته شد. عناوين اصلي ين فصل عبارت بودند از متغيرها و شاخص اندازه‌گيري آن‌ها، مدل‌هاي آماري و رگرسون فرضيه‌ها، قلمرو تحقيق، جامعه و نمونه آماري تحقيق، ابزارهاي گردآوري و تحيل داده‌ها. در پايان فصل نيز آزمون‌هاي مورد استفاده در بررسي فرضيه‌هاي پژوهش به تفصيل و جداگانه تشريح شده‌اند.

فصل چهارم
تجزيه و تحليل داده‌ها

4-1- مقدمه
در فصل قبل، ابتدا روش‌شناسي تحقيق ارائه گرديد. سپس، فرضيه‌هاي پژوهش و متغيرها و نحوه محاسبه آن‌ها ارائه شد. پس از آن جامعه آماري و روش نمونه‌گيري بيان شد. در قسمت آزمون‌هاي آماري نيز مدل‌ها و روش‌هاي آماري بيان شد. در اين فصل نيز به تجزيه و تحليل داده‌ها و تفسير نتايج حاصل از آزمون‌هاي آماري پرداخته خواهد شد.
4-2- آمار توصيفي متغيرهاي پژوهش
جدول شماره 4-1، آمار توصيفي متغيرهاي پژوهش و نام صنايع و تعداد شركت‌هايي موجود در هر صنعت را نشان مي‌دهد. لازم به ذکر است که تعداد مشاهدات مورد بررسي براي برآورد مدل‌هاي پژوهش، 830 مشاهده از 83 شرکت طي سال‌هاي 1383 الي 1392 است.
جدول 4-1: آمار توصيفي متغيرهاي پژوهش
متغيرهاي پژوهش
نماد
ميانگين
ميانه
بيشينه
کمينه
انحراف معيار
متغير دووجهي تجديد ارائه در صورتهاي مالي
REST
246/0
000/0
000/1
000/0
431/0
تغيير حسابرس
Auditor Changes
274/0
000/0
000/1
000/0
446/0
متغير دووجهي اظهارنظر مشروط حسابرس
MODOP
338/0
000/0
00/1
000/0
474/0
اهرم مالي
LVRG
091/0
054/0
792/0
000/0
109/0
نرخ بازده دارايي‌ها
ROA
122/0
110/0
628/0
298/0-
138/0
مالکيت نهادي
INOWN
456/0
479/0
922/0
026/0
147/0
رشد شرکت
GROWTH
163/0
129/0
212/5
000/1-
477/0
اندازه شرکت
SIZE
296/13
099/13
395/18
922/9
418/1
اندازه هيات مديره
NUMBD
148/5
000/5
000/7
000/5
524/0
استقلال اعضاي هيئت مديره
RINDBD
295/0
000/0
000/1
000/0
456/0

4-3- آزمون کلموگروف- اسميرنف براي بررسي نرمال بودن متغيرها
پس از بررسي عادي يا نرمال بودن کشيدگي و يا چولگي توزيع داده‌ها، از آزمون کولموگروف-اسميرنوف استفاده مي‌شود تا از نرمال بودن داده‌ها اطمينان حاصل گردد.
هنگام بررسي نرمال بودن داده‌ها ما فرض صفر مبتني بر اينکه توزيع داده‌ها

پایان نامه
Previous Entries پایان نامه رایگان درباره بورس اوراق بهادار، بورس اوراق بهادار تهران، حسابرس مستقل، بازار سهام Next Entries تحقیق درباره ألتي، إلي، العربي، ذلك