پایان نامه با واژگان کلیدی اثرات ثابت، ریشه واحد، پایان نامه، متغیر وابسته

برای متغیر سود غیر منتظره (UE) برابر۸۷/۵ و برای متغیر بازده غیرعادی سهام(AR) برابر ۰۲/۱ 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 ۱۲/۳ 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 (۴-۳): آمار توصیفی مدل جانبی دوم
متغیر
آماره
بازده غیرعادی هر سهم
سود غیرمنتظره
ARit
UEit
میانگین
۱۵/۰-
۳۶/۰
میانه
۳۶/۰-
۰۳/۰
بیشینه
۳۳/۶
۸۳/۸۰
کمینه
۸۲/۱-
۵۰/۵۹-
انحراف معیار
۰۲/۱
۸۷/۵
چولگی
۱۲/۳
۴۳/۲
کشیدگی
۷۰/۱۶
۲۰/۱۱۱
آماره جارک-برا
۶۲۰/۵۲۰۲
۹/۲۶۸۸۴۰
احتمال آماره جارک برا
۰۰۰/۰
۰۰۰/۰
مشاهدات
۵۵۰
۵۵۰
تعداد شرکتها
۱۱۰
۱۱۰
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 (۴-۲) و (۴-۳) به همراه نام شرکت و سال مورد نظر در پیوست شماره ۲ در انتهای پایان نامه نشان داده شده است.
۴-۳-۲) آزمون نرمال بودن متغیرهای وابسته 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 برای 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(۴-۲) و (۴-۳) برای متغیرهای وابسته مدل های جانبی (TA-AR) کمتر از ۵% است، فرضیه صفر مبنی بر نرمال بودن توزیع متغیرهای مربوطه رد می شود.
در این راستا برای نرمال سازی متغیرهای مذکور از تبدیل جانسون Johnson استفاده شده است، که تابع تبدیل متغیرهای وابسته در پیوست شماره (۳) بررسی و نشان داده شده است. همانطور که در پیوست شماره (۳) مشاهده می شود احتمال آماره داده های اولیه برای متغیرهای وابسته جمع اقلام تعهدی(TA)، کمتر از ۰۵/۰ است که حاکی از نرمال نبودن متغیرهای مذکور است که با نرمال سازی توسط نرم افزار افزایش یافته است، در نتیجه فرضیه H0 مبنی بر نرمال بودن متغیر مذکور پذیرفته می شود. نگاره (۱) توزیع متغیر وابسته مذکور را بعد از نرمال سازی نشان می دهد.
از طرفی دیگر احتمال آماره داده های اولیه برای متغیر وابسته بازده غیرعادی سهام (AR) کمتر از ۰۵/۰ است که حاکی از نرمال نبودن متغیر است که با نرمال سازی توسط نرم افزار هم در سطح ۰۵/۰ و هم در سطح ۱/۰ 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،۱۳۸۹). جدول(۴-۴) نتایج حاصل از نرمالیته متغیروابسته را قبل و بعد از نرمال شدن نشان میدهد.
جدول۴-۴: نتایج حاصل از آزمون جارک-برا متغیرهای وابسته
متغیر وابسته
Jarque-Bera
Probability
قبل از نرمال سازی
مدل جانبی اول
TA
۶۶۳۲۹۳۴
۰۰۰/۰
بعد از نرمال سازی
۴۳/۲۵
۰۶/۰
قبل از نرمال سازی
مدل جانبی دوم
AR
۶۲۰/۵۲۰۲
۰۰۰/۰
بعد از نرمال سازی


۴-۳-۳) 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 چو۱۲۹ (۲۰۰۲) انجام گردید. در آزمون ریشه واحد فرضیه صفر بیانگر وجود ریشه واحد بوده و در صورتیکه احتمال جدول کوچکتر از ۰۵/۰ باشد به احتمال ۹۵ درصد فرضیه صفر پذیرفته نمی شود.
نتایج حاصل از آزمون ریشه واحد برای متغیرهای مدل های جانبی به شرح جدول (۴-۵) می باشد:
با توجه به نتایج حاصل از جدول(۴- ۵) مشخص گردید که تمامی متغیرها در سطح مانا بودند، نتایج کامل این آزمون در پیوست شماره ۴ در انتهای پایان نامه نشان داده شده است.
جدول (۴-۵): نتایج آزمون ریشه واحد متغیرهای مدل های جانبی
آزمون
متغیر
Levin,lin & chut
آماره
احتمال
جمع اقلام تعهدی
۶۲۹/۱۶۷-
۰۰۰/۰
TA (Level)
جمع خالص اموال، ماشین آلات و تجهیزات
۷۲۵۵۴/۷-
۰۰۰/۰
PPE (Level)
تفاضل تغییرات فروش از تغییرات حسابهای دریافتنی
۱۲۲۸/۷۵-
۰۰۰/۰
∆Sales-∆REC (Level)
بازده غیر عادی سهام
۹۰۹۶/۴۸-
۰۰۰/۰
AR (Level)
سودغیرمنتظره
۴۰۳۸/۲۲-
۰۰۰/۰
UE (Level)
۴-۳-۴) 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 (۴-۶) ضرایب همبستگی پیرسون میان متغیرهای مستقل مدل جانبی اول را نشان می دهد:
جدول (۴-۶): ضرایب همبستگی پیرسون متغیرهای مدل جانبی اول
مدل
∆Sales-∆REC
PPE
مدل جانبی اول
∆Sales-∆REC
Correlation
۰۰۰/۱
Probability

PPE
Correlation
۰۴۰۳/۰
۰۰۰/۱
Probability
۳۴/۰

با توجه به نتایج جدول (۴-۶) مشخص گردید که مقادیر ضریب همبستگی خیلی زیاد یا خیلی کم (نزدیک به ۱+و ۱-) 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 ۵ در انتهای پایان نامه نشان داده شده است.
۴-۳-۵) 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 ۵درصد 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 ۵ درصد باشد، فرض صفر(اثرات تصادفی) ردمی شود و اثرات ثابت انتخاب می شود و در صورتیکه احتمال آزمون هاسمن بزرگتر از ۵ درصد باشد، فرض صفر رد نمی شود و اثرات تصادفی انتخاب می شود۱۳۰.
۴-۳-۵-۱) آزمون F لیمر
جدول (۴-۷) 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 ۵ درصد است، به منظور برآورد این مدل ها از مدل داده های پانل (Panel) استفاده خواهد شد. نتایج کامل این آزمون در پیوست شماره ۶ در انتهای پایان نامه نشان داده شده است.
جدول(۴-۷):نتایج آزمونF لیمر مدل های جانبی
مدل های جانبی
آماره
مقدار
P-Value
نتیجه آزمون
مدل جانبی اول
Fلیمر
۵۳۲/۱
۰۰۱/۰
Panel
Chi-square(χ۲)
۷۰۳/۱۷۷
۰۰۰/۰
مدل جانبی دوم
Fلیمر
۶۷۵/۱۲
۰۰۰/۰
Panel
Chi-square(χ۲)
۰۱۱/۴۹
۰۰۰/۰
۴-۳-۵-۲) آزمون هاسمن
در مرحله بعد به بررسی این موضوع پرداخته میشود که آیا عرض از مبدأ بصورت اثرات ثابت است یا اینکه در ساختار واحدهای مقطعی بصورت تصادفی عمل میکند. همانطور که در فصل سوم گفته شد آماره این آزمون که برای تشخیص اثرات ثابت یا تصادفی بودن تفاوتهای واحدهای مقطعی است دارای توزیع کای- دو با درجه آزادی برابر با تعداد متغیرهای مستقل بوده است. جدول(۴-۸) نتایج مربوط به آزمون هاسمن مدل های جانبی را نشان می دهد.
با توجه به اینکه P-value بدست آمده از آزمون هاسمن در مدل های جانبی کوچکتر از ۵ درصد است، به منظور برآورد این مدلها توجیه میشود که الگوی مناسب، الگوی مبتنی بر الگوی اثرات ثابت میباشد.نتایج کامل این آزمون در پیوست شماره ۷ در انتهای پایان نامه نشان داده شده است.
جدول(۴-۸):نتایج آزمون هاسمن مدل های جانبی
مدل های جانبی
آماره
مقدار
P-Value
نتیجه آزمون
مدل جانبی اول
Cross-section Random
۹۱۶/۵
۰۴/۰
اثرات ثابت (FE)
مدل جانبی دوم
Cross-section Random
۲۱۳/۹
۰۰۲/۰
اثرات ثابت (FE)
۴-۳-۵-۳) نتایج حاصل از برآورد مدل جانبی اول
همانگونه که در فصل سوم بیان شد، قدرمطلق اقلام تعهدی اختیاری به عنوان متغیر مستقل (استقلال حسابرس) در آزمون فرضیه اصلی مورد استفاده قرار می گیرد. جدول(۴-۹)

این مطلب مشابه را هم بخوانید :   منابع پایان نامه دربارهسرمایه اجتماعی، توزیع فراوانی، رضایت اجتماعی، اعتماد اجتماعی

دیدگاهتان را بنویسید