STRT: استراتژی شرکت
LN_ASSETS: لگاریتم جمع داراییها
G_SALES: نرخ رشد فروش) فروش در سال جاری منهای فروش سال قبل تقسیم بر فروش سال قبل (
F_LEV: جمع بدهیها تقسیم بر جمع داراییها
M_RISK: ریسک سیستماتیک سهام
ریسک سیستماتیک، بخشی از کل ریسک مجموعه اوراق بهادار است که به علت وجود عواملی به وجود می اید و بر قیمت کل اوراق بهادار اثر می گذارند. برای تعیین ریسک سیستماتیک از شاخص ریسک سیستماتیک (ضریب بتا ) استفاده می شود که بیانگر همبستگی بازده بازار و بازده سهم i است و از طریق تقسیم (کواریانس بازده سهم i و بازده بازار بر واریانس بازار ) به صورت سالیانه محاسبه می شود:
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
۳-۱۰-۲) مدل آزمون فرضیه دوم
׀DACCRit׀ = β۰ + β۱STRTit + β۲LN_ASSETSit + β۳F_LEVit + β۴G_SALESit + β۵G_PPEit + β۶CFOit + β۷LOSSit + εit
DACCR: مدیریت سود
سایر متغیرها قبلا تبیین شده اند.
۳-۱۰-۳) مدل آزمون فرضیه سوم
CONit = β۰ + β۱STRTit + β۲GDP_Dummy + β۳STRT* GDP_Dummy + β۴LN_ASSETSit + β۵F_LEVit + β۶G_SALESit +εit
GDP_Dummy : شرایط کلان اقتصادی
سایر متغیرها قبلا تبیین شده اند.
۳-۱۱) روش تجزیه و تحلیل و آزمون فرضیات
در این تحقیق برای آزمون فرضیه ها از مدل رگرسیون خطی چند متغیره استفاده شده است. روش آماری مورد استفاده در این تحقیق روش داده های پانل می باشد. در ادامه ابتدا روش داده های پانل و آزمونهای مربوط به آن تشریح می گردد. سپس آزمون های مربوط به معنی دار بودن کل مدل و معنی دار بودن متغیرهای مستقل توضیح داده می شود. در آخر نیز پس از تشریح آزمون های مربوط به مفروضات رگرسیون کلاسیک، نحوه تصمیم گیری در مورد رد یا پذیرش فرضیه های تحقیق بیان می گردد. لازم به ذکر است در این مطالعه برای تجزیه و تحلیل داده ها از نرم افزارهای Eviews و SPSS بهره گرفته شده است.
۳-۱۱-۱) روش داده های پانل
مدل ها از لحاظ استفاده از اطلاعات آماری به سه گروه تقسیم می شوند. برخی از مدل ها با بهره گرفتن از «اطلاعات سری زمانی[۹۵]» یا به عبارتی طی دوره نسبتاً طولانی چند ساله برآورد می شوند. بعضی دیگر از مدل ها بر اساس «داده های مقطعی[۹۶]» برآورد می شوند یعنی متغیرها در یک دوره زمانی معین مثلاً یک هفته، یک ماه یا یک سال در واحدهای مختلف بررسی می شوند.
روش سوم برآورد مدل، که در این تحقیق نیز مورد استفاده قرار گرفته است ، برآورد بر اساس «داده های پانل[۹۷]» است. در این روش یک سری واحدهای مقطعی (مثلاً شرکت ها) در طی چند سال مورد توجه قرار می گیرند. با کمک این روش که در مطالعات سال های اخیر نیز زیاد استفاده شده است تعداد مشاهدات تا حد مطلوب افزایش می یابد. با توجه به اینکه مشاهده های ادغام شده باعث تغییرپذیری بالاتر، هم خطی چندگانه کمتر میان متغیرهای توضیحی، درجه آزادی بیشتر و کارآیی بالاتر تخمین کننده ها می شود، مطالعات پانل نسبت به مطالعات مقطعی و سری زمانی دارای مزیت است (بالتاجی[۹۸]، ۱۹۹۵، ص ۶-۳). در حالت کلی مدل زیر نشان دهنده یک مدل با داده های پانل می باشد:
که در آن نشانگر واحدهای مقطعی (مثلا شرکت ها) و نشانگر زمان است. متغیر وابسته را برای امین واحد مقطعی در سال نشان می دهد و نیز امین متغیر مستقل غیرتصادفی برای برای امین واحد مقطعی در سال ام است. جمله اخلال بوده و که فرض می شود دارای میانگین صفر ( ) و واریانس ثابت ( ) است.
پارامترهای مدل می باشد که واکنش متغیر مستقل نسبت به تغییرات امین متغیر مستقل در امین مقطع و امین زمان را اندازه گیری می کند. برای برآورد مدل بر اساس داده های پانل روش های مختلفی همچون روش اثرات ثابت[۹۹] و روش اثرات تصادفی[۱۰۰] وجود دارد که بر حسب مورد، کاربرد خواهند داشت.
۳-۱۱-۱-۱) روش اثراث ثابت:
در روش اثرات ثابت فرض بر این است که ضرایب مربوط به متغیرها (شیب ها) ثابت هستند و اختلافات بین واحدها را می توان به صورت تفاوت عرض از مبداء نشان داد. در این حالت اگر عرض از مبداء تنها برای واحدهای مختلف مقطعی متفاوت باشد اصلاحاً روش اثرات ثابت یکطرفه[۱۰۱] نامیده شده و مدل آن بصورت زیر می باشد:
و اگر عرض از مبداء هم مابین مقاطع و هم مابین دوره ها متفاوت باشد روش اثرات ثابت دوطرفه[۱۰۲] نامیده می شود و مدل آن بصورت زیر خواهد بود:
در مدل های فوق متغیری است که برای واحدهای مقطعی متفاوت اما در طول زمان ثابت می باشد و متغیری است که برای تمام واحدهای مقطعی در زمان مشابه یکسان بوده اما در طول زمان تغییر می کند. برای برآورد روش اثرات ثابت از مدل حداقل مربعات متغیر مجازی (LSDV) استفاده می شود. مدل اخیر یک مدل رگرسیونی کلاسیک بوده و هیچ شرط جدیدی برای تجزیه و تحلیل آن لازم نیست و از طریق روش حداقل مربعات معمولی[۱۰۳] قابل برآورد می باشد.
۳-۱۱-۱-۲) روش اثرات تصادفی:
مدل های اثرات ثابت تنها درصورتی منطقی خواهد بود که ما اطمینان داشته باشیم که اختلاف بین مقاطع را می توان به صورت انتقال تابع رگرسیون نشان داد، در حالیکه ما همیشه از وجود این موضوع مطمئن نیستیم. برای رفع این مشکل روشی پیشنهاد شده است که به مدل اجزاء خطا[۱۰۴] یا اثرات تصادفی معروف است. این روش فرض می کند که جزء ثابت مشخص کننده مقاطع مختلف به صورت تصادفی بین واحدها و مقاطع توزیع شده است. بنابراین مدل اثرات تصادفی را می توان بصورت زیر تعریف کرد:
که در آن یک جمله خطای تصادفی با میانگین صفر و واریانس می باشد. بنابراین در مدل اثرات تصادفی جزء اخلال از دو بخش تشکیل شده است؛ یکی که جزء اخلال مقطع می باشد، و دیگری که جزء اخلال ترکیب مقطع و سری زمانی است. با توجه به اینکه در این حالت واریانس های مربوط به مقاطع مختلف با هم یکسان نیستند لذا مدل دچار ناهمسانی واریانس بوده و از روش حداقل مربعات تعمیم یافته[۱۰۵] (GLS) جهت برآورد مدل استفاده می شود.
۳-۱۱-۱-۳) آزمون چاو[۱۰۶] یا F لیمر:
در بررسی داده های مقطعی و سری های زمانی، اگر ضرایب اثرات مقطعی و اثرات زمانی معنی دار نشود، می توان داده ها را با یکدیگر ترکیب کرده و به وسیله یک رگرسیون حداقل مربعات معمولی تخمین بزنیم. از آنجایی که در اکثر داده های ترکیبی اغلب ضرایب مقاطع یا سری های زمانی معنی دار هستند این مدل که به مدل رگرسیون ترکیب شده[۱۰۷] معروف است کمتر مورد استفاده قرار می گیرد (یافی[۱۰۸]، ۲۰۰۳). لذا برای اینکه بتوان مشخص نمود که آیا داده های پانل جهت برآورد تابع مورد نظر کارآمدتر خواهد بود یا نه، فرضیه ای را آزمون می کنیم که در آن کلیه عبارات ثابت برآورد با یکدیگر برابر هستند. فرضیه صفر این آزمون که به آزمون چاو یا F لیمر معروف است بصورت زیر می باشد:
برای آزمون فرضیه مذکور از آماره F بصورت زیر استفاده می شود:
که در آن N برابر با تعداد واحدهای مقطعی، T طول دوره مورد نظر، K تعداد متغیرهای توضیحی، RRSS مجذور پسماندهای حاصل از برآورد مقید رگرسیون بصورت حداقل مربعات متغیر مجازی و URSS مجذور پسماندهای حاصل از برآورد نامقید رگرسیون بصورت حداقل مربعات معمولی می باشد. در این آزمون فرضیه یعنی یکسان بودن عرض از مبداء ها در مقابل فرضیه یعنی ناهمسانی عرض از مبداء ها قرار می گیرد. در صورتی که فرضیه پذیرفته شود به معنی یکسان بودن شیب ها برای مقاطع مختلف بوده و قابلیت ترکیب شدن داده ها و استفاده از مدل رگرسیون ترکیب شده مورد تأیید آماری قرار می گیرد. اما در صورت رد فرضیه روش داده های پانل پذیرفته می شود و می توان از روش داده های پانل استفاده کرد.
۳-۱۱-۱-۴) آزمون هاسمن[۱۰۹]:
به منظور اینکه مشخص گردد کدام روش (اثرات ثابت و یا اثرات تصادفی) جهت برآورد مناسب تر است (تشخیص ثابت یا تصادفی بودن تفاوت های واحدهای مقطعی) از آزمون هاسمن استفاده می شود. در روش اثرات تصادفی بار متغیرهای حذف شده روی جمله اخلال قرار می گیرند، اما این مشروط بر آن است که بین متغیرهای مستقل و مؤلفه خطای مقطعی همبستگی وجود نداشته باشد. آزمون هاسمن وجود این همبستگی را بررسی می کند. این آزمون مبتنی بر این فرض اولیه است که در صورت وجود همبستگی، روش اثرات ثابت سازگار و روش اثرات تصادفی ناسازگار است. اگر تخمین کننده روش اثرات تصادفی و تخمین کننده روش اثرات تصادفی باشد آماره این آزمون که دارای توزیع کای-دو با درجه آزادی برابر با تعداد متغیرهای مستقل است بصورت زیر قابل تعریف می باشد:
فرضیه صفر در آزمون هاسمن به صورت زیر خواهد بود:
فرضیه صفر به این معنی است که ارتباطی بین جزء اخلال مربوط به عرض از مبدأ و متغیرهای توضیحی وجود ندارد و آن ها از یکدیگر مستقل هستند. در حالی که فرضیه مقابل به این معنی است که بین جزء اخلال مورد نظر و متغیرهای توضیحی همبستگی وجود دارد. از آنجایی که به هنگام وجود همبستگی بین اجزاء اخلال و متغیر توضیحی با مشکل تورش و ناسازگاری مواجه می شویم، بنابراین بهتر است در صورت پذیرفته شدن (رد ) از روش اثرات ثابت استفاده کنیم. هنگامی که بین اجزاء اخلال و متغیر توضیحی همبستگی وجود نداشته باشد ( قبول )، هر دو روش اثرات ثابت و اثرات تصادفی سازگار هستند ولی روش اثرات ثابت ناکارآ بوده و بایستی از روش اثرات تصادفی استفاده شود (بالتاجی، ۱۹۹۵).