Leverage

LEV

ریسک سیستماتیک

Systematic risk

SR

پتانسیل رشد

Potential growth

PG

۹ - ۳- روش تجزیه و تحلیل و آزمون فرضیه ها
تحقیق در یک زمینه خاص غالبا به چند روش می تواند مورد بررسی قرار داد. اگر چنین باشد، در ابتدا مطالعات توصیفی و همبستگی ممکن است به اجرا درآیند و در ادامه مطالعات علی و تطبیقی. ابتدا با بهره گرفتن از ابزار آمار توصیفی به تجزیه و تحلیل داده ها می پردازیم و ادامه برای آزمون فرضیه ها از تحلیل رگرسیون و همبستگی استفاده می شود؛ بدان معنا که ابتدا اطلاعات مورد نیاز برای انجام آزمون محاسبه و سپس آزمون های رگرسیون برای مطالعه تاثیر ساختار هیات مدیره و کیفیت حسابرسی بر سیاستهای نقدینگی و ارزش افزوده بازار شرکت صورت می پذیرد و از نرم افزار EVIEWS برای پردازش اطلاعات و آزمون های آماری استفاده شده است.

۱ – ۹ – ۳- تحلیل همبستگی
انجام رگرسیون خطی با این پیش فرض صورت می گیرد که بین متغیرهای توضیحی پژوهش و متغیرهای مستقل پژوهش، ارتباط خطی وجود دارد. به منظور بررسی همبستگی خطی متغیرها می توان از ضریب های همبستگی پیرسون(برای توزیع های نرمال) و اسپرمن(برای توزیع های غیرنرمال) استفاده کرد. همبستگی معیاری برای تعیین میزان ارتباط دو متغیر بوده و معمولا با تحلیل رگرسیون به کار برده می شود. موضوع همبستگی، با بحث درباره دو معیار ضریب تعیین و ضریب همبستگی به صورت زیر دنبال می شود(آذر و مومنی، ۱۳۸۷).

• ضریب تعیین

ضریب همبستگی ریشه دوم ضریب تعیین است که می تواند مقادیری بین ۱+ و ۱- را به خود بگیرد. علامت آن همان علامت شیب خط رگرسیون است یعنی اگر شیب خط رگرسیون مثبت باشد ضریب همبستگی نیز مثبت، و در غیر این صورت منفی خواهد بود. همچنین اگر شیب خط رگرسیون صفر باشد، ضریب همبستگی نیز صفر می گردد. ضریب همبستگی، شدت رابطه و همچنین نوع رابطه را نیز نشان می دهد. لازم به ذکر است که ضریب تعیین در مقایسه با ضریب همبستگی، معیار گویاتری است(آذر و مومنی، ۱۳۸۷).

• ضریب تعیین تعدیل شده

ضریب تعیین تعدیل شده، مهمترین معیاری است که با آن می توان رابطه بین دو متغیر را توضیح داد که میزان انحراف مشاهدات را با برآورد خط رگرسیون اندازه می گیرد. این ضریب، بین صفر تا یک در نوسان بوده به طوری که مقدار صفر بیانگر آن است که خط رگرسیون هرگز نتوانسته است تغییرات را به تغییرات متغیر مستقل نسبت دهد. مقدار یک نیز بیانگرآن است که خط رگرسیون به طور دقیق توانسته است تغییرات را به تغییرات دیگری نسبت دهد(آذر و مومنی، ۱۳۸۷).
تفاوت بین ضریب تعیین و ضریب تعیین تعدیل شده می تواند ناشی از حجم نمونه و تعداد متغیرها باشد. در صورتی که نمونه کوچک باشد، ضریب تعیین تعدیل شده برای تفسیر مناسب تر است. با بزرگ شدن حجم نمونه این دو ضریب به هم نزدیک می شوند. با افزودن تعداد متغیرها به مدل رگرسیون، مقدار ضریب تعیین ممکن است افزایش یابد، اما درجه آزادی کمتر می شود. برای جلوگیری از این وضعیت و کنترل تورم(تورش) ضریب تعیین، آماره دیگری به نام ضریب تعیین تعدیل شده مطرح می شود که مشکلات ضریب تعیین را برطرف می سازد(آذر و مومنی، ۱۳۸۷).
۱۰ – ۳- داده های ترکیبی(تابلویی)^[۱۴۸]
داده های تابلویی، ترکیبی از داده های مقطعی و سری زمانی می باشند. در داده های سری زمانی یک یا چند متغیر را طی یک دوره زمانی مشاهده می کنیم. در داده های مقطعی، مقادیر یک یا چند متغیر برای چند واحد یا مورد نمونه ای در یک زمان یکسان جمع آوری می شود(سوری، ۱۳۹۱).
در داده های تابلویی، واحد مقطعی یکسان(برای مثال یک خانواده، یا یک بنگاه، یا یک ایالت) طی زمان بررسی و سنجش می شوند. به طور خلاصه، داده های تابلویی دارای ابعاد مکانی و زمانی اند. نامهای دیگری برای داده های تابلویی وجود دارد، از قبیل داده های ترکیبی(ترکیبی از مشاهدات مقطعی و سری زمانی) یا داده های میکرو پانل، داده های طولی. مدل های رگرسیونی مبتنی بر این نوع داده ها را مدل رگرسیون داده های تابلویی می نامیم. اگر تعداد مشاهدات زمانی برای تمام مؤلفه‌های موجود در پانل یکسان باشد، به آن پانل متوازن^[۱۴۹] گفته می شود. اما در صورتی که مشاهدات مفقوده ای برای تعدادی از مؤلفه‌ها وجود داشته باشد، پانل را نامتوازن می نامیم(سوری، ۱۳۹۱).
مزایای داده‌های پانل عبارت است از(سوری، ۱۳۹۱):
ü محققین می توانند از داده‌های پانلی برای مواردی که مسائل را نمی توان صرفاً به صورت سری زمانی یا برشهای مقطعی بررسی کرد، بهره گیرند. مثلاً در بررسی تابع تولید مساله ای که وجود دارد این است که بتوان تغییرات تکنولوژیک را از صرفه‌های به مقیاس تفکیک کرد. در این گونه موارد داده‌های مقطعی فقط اطلاعاتی را در مورد صرفه‌های به مقیاس فراهم می آورد. در حالی که داده‌های سری زمانی اثرات هردو را بدون هیچ گونه تفکیکی نشان می دهد. تلفیق داده‌های سری زمانی با داده‌های مقطعی نه تنها می تواند اطلاعات سودمندی را برای تخمین مدل های اقتصادسنجی فراهم آورد، بلکه بر مبنای نتایج بدست آمده می توان استنباط‌های سیاست گذاری در خور توجهی نیز به عمل آورد.
ü داده‌های پانلی حاوی اطلاعات بیشتر، تنوع گسترده تر و هم خطی کمتر میان متغیرها بوده و در نتیجه کاراتر می باشند. در حالی که در سری های زمانی هم خطی بیشتری را بین متغیرها مشاهده می کنیم. با توجه به اینکه داده‌های پانلی ترکیبی از سری‌های زمانی و مقطعی می باشد، بعد مقطعی موجب اضافه شدن تنوع زیادی شده و در نتیجه برآوردهای معتبرتری را می توان انجام داد. واریانس داده‌های پانلی کمتر بوده و بنابراین تخمین کاراتری خواهد داشت.
ü داده‌های پانلی امکان طراحی الگوهای رفتاری پیچیده تری را فراهم می کنند.
ü داده‌های پانلی امکان بیشتری را برای شناسایی و اندازه گیری اثراتی فراهم می کنند که با اتکای صرف به آمارهای مقطعی یا سری زمانی به سادگی قابل شناسایی نیستند.
۱۱ – ۳- آزمون مانایی(ایستایی) متغیرها
سری های زمانی، یکی از مهمترین داده های آماری مورد استفاده در تجزیه و تحلیل تجربی هستند. در تحقیقات همواره چنین فرض می کنیم که سری زمانی مانا است و اگر این حالت وجود نداشته باشد، آزمون های آماری متعارفی که اساس آن ها بر پایه t، F، خی دو و آزمون های مشابه بنا شده، مورد تردید قرار می گیرد. در رگرسیون هایی که داده های آن از نوع سری زمانی است، اگر متغیرهای سری زمانی مانا نباشند، ممکن است مشکلی به نام رگرسیون کاذب یا رگرسیون ساختگی به وجود آید. در این گونه رگرسیون ها، در عین حالی که هیچ رابطه با مفهومی بین متغیرها وجود ندارد ولی ضریب تعیین R² بزرگ و مقدار آماره t ضرایب نیز بزرگ بدست می آید و این ممکن است باعث استنباط های غلط در مورد میزان ارتباط بین متغیرها شود. لازم است همواره مواظب عواقب استفاده از داده های سری زمانی نامانا و امکان بروز رگرسیون کاذب باشیم. از طرفی اگر در یک مدل، متغیرها نامانا شدند، به جای سطح، اولین تفاضل(یا تفاضل مراتب بالاتر) آنها می تواند مانا بوده و از آنها در مدل استفاده کنیم و مدل را بر اساس متغیرهای جدید تخمین بزنیم؛ در این حالت مشکل رگرسیون کاذب برطرف می شود. حال این سوال مطرح می شود که آیا مشکل دیگری وجود ندارد. هنگامی که از تفاضل ها در برآورد ضرایب یک الگو استفاده می کنیم، اطلاعات ارزشمندی را در رابطه با سطح متغیرها از دست می دهیم. هر چند شرط مانایی متغیرهای سری زمانی یک رابطه رگرسیونی را می توان از طریق تفاضل گیری تامین کرد ولی با تفاضل گیری مرتبه اول(یا مراتب بالاتر) رابطه بلندمدت بین سری های زمانی را از دست می دهیم. اینجاست که هم انباشتگی به کمک ما می آید تا بتوان رگرسیون را بدون هراس از کاذب بودن بر اساس سطح متغیرهای سری زمانی برآورد کرد(سوری، ۱۳۹۱).
۱۲ – ۳- آزمون ریشه واحد
آزمون ریشه واحد، یکی از معمولی ترین آزمون هایی است که امروزه برای تشخیص مانایی(سکون) یک فرایند سری زمانی مورد استفاده قرار می گیرد. اساس آزمون ریشه واحد بر این منطق استوار است که وقتی در یک فرایند خود رگرسیونی مرتبه اول p = 1 باشد، در آن صورت، سری ناماناست. بنابراین اگر به روش حداقل مربعات معمولی، ضریب p معادله فوق برآورده شود و برابر با یک بودن آن مورد آزمون قرار گیرد، می توان مانایی یا نامانایی یک فرایند سری زمانی را به اثبات رساند(سوری، ۱۳۹۱).
آزمون های متعددی در راستای بررسی ریشه واحد در الگوهای پانل عنوان شده است. از جمله آنها می توان به آزمون های لیون، لین و چوی^[۱۵۰](۲۰۰۲)، بریتونگ^[۱۵۱](۲۰۰۰)، ایم، پسران و شین^[۱۵۲](۲۰۰۳)، آزمون دیکی فولر تعمیم یافته^[۱۵۳] و آزمون فیلیپس پرون، مادالا و وو^[۱۵۴](۱۹۹۹)، چاو^[۱۵۵](۲۰۰۱) و هاردی^[۱۵۶](۲۰۰۰) اشاره کرد.
در این پژوهش از آزمون لیون، لین و چوی برای بررسی پایایی متغیرهای پژوهش استفاده شده است.
۱۳ – ۳- آزمون دوربین– واتسون^[۱۵۷] (D-W)
یکی از مفروضاتی که در رگرسیون مدنظر قرار می گیرد، استقلال خطاها و نبود همبستگی میان آنها است. در صورتی که فرضیه استقلال خطاها رد شود و خطاها با یکدیگر همبستگی داشته باشد، امکان استفاده از رگرسیون وجود ندارد. به منظور بررسی استقلال خطاها از یکدیگر از این آزمون استفاده می شود.
۱۴ – ۳- خلاصه فصل
در این فصل ابتدا روش شناسی پژوهش شامل فرضیه های پژوهش، قلمرو پژوهش، جامعه و نمونه آماری و روش تجزیه و تحلیل اطلاعات مورد بررسی قرار گرفته است. سپس متغیرهای پژوهش و نحوه سنجش آنها، و در ادامه روش های آزمون فرضیه ها ارائه شده است.