وبلاگ

CAR_i,t+1=α+β_۱ΔFIN_i,t+ β_۲UX_i,t+ β_۳BETA_i,t+ β_۴SIZE_i,t+e_i,t+1
مدل فرضیه فرعی اول:
CAR_i,t+1=α+ β_۱ ΔIFIN_i,t + β_۲UX_i,t+ β_۳BETA_i,t+ β_۴SIZE_i,t + e_i,t+1
مدل فرضیه فرعی دوم و سوم:
CAR_i,t+1=α+ β_۱ΔEquity_i,t+ β _۲ΔDebt_i,t+ β_۳ ΔIFIN_i,t+ β_۴UX_i,t+ β_۵BETA_i,t+ β_۶SIZE_i,t + e_i,t+1
۳-۷) روش تجزیه و تحلیل داده ها و اطلاعات
برای بررسی فرضیات رگرسیونی تحقیق ابتدا باید در مرحله اول به بررسی پایایی متغیر ها پرداخته شود، در مرحله دوم باید با بهره گرفتن از آزمون چاو به بررسی وجود عرض از مبدأ در مدل رگرسیون پرداخته شود، در صورتی که وجود عرض از مبدا تایید نشود از مدل ترکیبی^۱ برای آزمون معادله رگرسیون استفاده می کنیم، اما در صورتی که وجود عرض از مبدأ تایید شود باید با استفاده آزمون هاسمن^۲ به بر رسی وجود اثرات ثابت می پردازیم، درصورتی وجود اثرات ثابت تایید شود برای آزمون فرضیه از مدل اثرات ثابت استفاده می کنیم، در غیر این صورت از مدل اثرات تصادفی برای آزمون مدل استفاده می گردد.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۳-۷-۱ )بررسی فروض کلاسیک رگرسیون خطی– مدل کلاسیک رگرسیون خطی مبتنی بر چند فرض ساده می باشد که کلیه تفسیرها در خصوص معادله رگرسیون به برقراری این فروض بستگی دارد. در این بخش مهم ترین این فرض ها مورد بررسی قرار می‎گیرد و در صورت نقض این فروض راه کار پیشنهادی برای رفع آن ها ارائه می گردد.
۱-Pool
۲-Hasman

• • ناهمسانی واریانس ^[۲۱]

یکی از مهم ترین فروض مدل کلاسیک رگرسیون خطی این است که اجزای اخلالU_i که در تابع رگرسیون جامعه ظاهر می شوند، دارای واریانس همسان می باشند یعنی : E (u_i²)= σ^۲, i = 1 , 2,…, nاگر این فرض تأمین نشود دارای ناهمسانی واریانس خواهیم بود. مشکل ناهمسانی واریانس، در داده های مقطعی متداول تر از داده های زمانی است. از آن جایی که یکی از ابعاد داده های تابلویی بعد مقطعی می باشد، لذا در تحقیق حاضر امکان مواجهه با مسأله ناهمسانی واریانس وجود دارد. استفاده از تخمین زن های OLS(حداقل مربعات معمولی) در شرایط ناهمسانی واریانس چه مسائلی را به دنبال دارد؟ در این صورت تخمین زن های OLSدارای ویژگی کارا بودن (حداقل واریانس) نخواهند بود. این امر باعث می شود که فاصله اعتماد بیش از حد لازم بزرگ شود و در نتیجه آزمون های F , t احتمالاً نتایج غلطی را به ما می دهند.
برای رفع ناهمسانی واریانس می توان از روش حداقل مربعات تعمیم یافته^[۲۲](EGLS) استفاده کرد. روش تبدیل متغیرهای اصلی به نحوی که متغیرهای تبدیل شده، فروض مدل کلاسیک را تأمین کنند و سپس به کار بردن روش OLS^[23] در آن ها به روش (EGLS) معروف است. به طور خلاصه (EGLS) همان OLSبرای متغیرهای تبدیل شده است که فرض استاندارد حداقل مربعات را تأمین می کمند (خاکی، ۱۳۹۰). در این تحقیق، به منظور رفع ناهمسانی واریانس از تخمین زن های (EGLS) استفاده شده است.

• • خود همبستگی –^[۲۴]در مفهوم رگرسیون، مدل کلاسیک رگرسیون خطی فرض می کند که در اجزای اخلال u خود همبستگی وجود ندارد. به طور سمبلیک داریم :

E (u_i u_j) = 0 i ≠ j
به طور ساده مدل کلاسیک فرض می کند که جزء اخلال مربوط به یک مشاهده، تحت تأثیر جزء اخلال مربوط به مشاهده دیگر قرار نمی گیرد. اما اگر چنین وابستگی وجود داشته باشد به آن خود همبستگی گویند. یکی از مشهورترین آزمون های تشخیص خود همبستگی، آزمون دوربین – واتسن (DW)^[25]، است (افلاطونی و نیکبخت، ۱۳۸۹) و همواره بین صفر و چهار قرار دارد. اگر d ≈ ۰ باشد دال بر وجود خود همبستگی مثبت و اگر d ≈ ۲^[۲۶]نشان دهنده عدم وجود خود همبستگی است و اگر d ≈ ۴ باشد، نشان دهنده خود همبستگی منفی است. در حالت وجود خود همبستگی، تخمین زن های OLS‌ بدون تورش^[۲۷] و سازگارند، اما کارا نیستند، در نتیجه نمی توان آزمون های F , Tمعمولی معناداری را به خوبی به کاربرد و از این رو اقدامات درمانی موردنیاز می باشد. الگویی که عموماً برای رفع این مشکل مورد استفاده قرار می‎گیرد، الگوی خود رگرسیونی است که با AR^[28] نشان داده می شود. چنان چه خود همبستگی با ورود جمله AR (1)برطرف شود به این معنی است که خود همبستگی مرتبه اول وجود داشته و در صورت عدم رفع خود همبستگی چنان چه این خود همبستگی با ورود جملات ARمرتبه n رفع شود، نشان می دهد که رگرسیون از خودهمبستگی مرتبه n برخوردار بوده است (گجراتی، ۱۳۹۰، ص ۳۱).

• • نرمال بودن ^[۲۹]–برای بررسی نرمال بودن داده ها از آزمون های نرمال بودن استفاده می شود. این آزمون ها به طور کلی به دو گروه شامل روش های ترسیمی و روش های عددی تقسیم می شوند. روش های ترسیمی تنها تصویری از توزیع متغیر تصادفی را ارائه می کنند اما روش های عددی قادرند معیاری عینی و کمی برای قضاوت در خصوص نرمال بودن توزیع متغیر تصادفی فراهم نمایند. در روش های عددی می توان هم از آمار توصیفی و هم از تکنیک ها و آزمون های مختلف آمار استنباطی استفاده کرد. در این تحقیق با بهره گرفتن از آزمون جارک – برا (به عنوان یک روش عددی) به آزمون نرمال بودن داده ها پرداخته شده است. در این آزمون از اختلاف بین ضریب کشیدگی و چولگی داده های مورد بررسی می توان به نرمال بودن توزیع داده ها پی برد. در این آزمون فرض صفر مبتنی بر نرمال بودن است که در صورت به دست آمدن احتمال تأیید کمتر از ۵ درصد، فرض صفر با احتمال ۹۵ درصد اطمینان پذیرفته می شود. این آزمون در جریان بررسی آمار توصیفی داده های تحقیق انجام شده است.

• • هم خطی^[۳۰]–هم خطی در اثر ارتباط خطی یا فنی متغیرهای مستقل مدل به وجود می آید. معیار تشخیص هم خطی (به تورم واریانس معروف است) مبتنی بر تغییر ضریب تعیین و واریانس رگرسیون در نتیجه ورود متغیرهای هم خط به مدل است. از جنبه کاربردی تا زمانی که میزان توضیح دهندگی مدل به واسطه ورود متغیرهای هم خط کاسته نشود و ضرایب رگرسیونی آن ها نیز معنادار باشند، در جهت رفع هم خطی اقدامی صورت نمی‎گیرد. راه کار رفع هم خطی پیش از حذف متغیرهای شدیداً هم خط، استفاده از تحلیل عاملی یا همان ادغام کردن تأثیر متغیرهای هم خط در قالب یک متغیر روی مدل است (آذر، ۱۳۸۱).

• • مانایی متغیرها^[۳۱]–از آن جا که ممکن است متغیرهای اقتصادی دارای داده های تلفیقی نامانا باشند. بنابراین باید قبل از به کارگیری در مدل، بررسی لازم در خصوص مانایی آن ها صورت گیرد و نسبت به مانا یا نامانا بودن متغیرهای تلفیقی اطمینان حاصل شود. در واقع، به طور معمول عملیاتی مانند استفاده از روش حداقل مربعات معمولی (OLS) در تحقیقات تجربی با فرض مانا بودن متغیرهای سری زمانی صورت می گیرد. مانایی در مجموع به دو شکل مانای اکید و مانای ضعیف قابل بررسی است. مانای اکید به این معنی است که عامل تغییر زمان هیچ گونه تأثیری بر تابع توزیع مشترک ندارد. در عمل، با توجه به دشوار بودن آزمون‎های مانایی اکید، محقق ها معمولاً از آزمون های مانایی ضعیف استفاده می کنند. بر همین اساس، در این تحقیق نیز متغیرها در صورت برخورداری از خصوصیات مانایی ضعیف، مانا شناخته می شوند. ثبات میانگین، ثبات واریانس و ثبات کوواریانس فرایند تصادفی به ازای مقادیر مختلف t، از خصوصیات مانایی ضعیف است. به منظور پرهیز از به کارگیری داده های تلفیقی نامانا از سه روش زیر می توان متغیرهای موجود در مدل را آزمون کرد :

الف: روش ترسیمی ؛
ب: روش همبسته نگار (که تابع خود همبستگی را در مقابل تعداد مشخصی وقفه ترسیم می کند ) ؛
ج: روش آزمون ریشه واحد
همچنین، برای بررسی و آزمون ریشه واحد در نرم افزارهای آماری سه آزمون متداول به شرح زیر وجود دارد که به طور معمول مورد استفاده قرار می گیرند :

• • آزمون دیکی فولر ^[۳۲](DF)

• • آزمون دیکی فولر افزوده شده (ADF)^[33]

• • آزمون فیلیپس پرون (PP)^[34]

در آزمون دیکی فولر روال کار بر این است که متغیر دارای داده تلفیقی را با یک وقفه خود رگرس می کنند:
μ + ρy_t-1 + ς
سپس می توان نتیجه گرفت که سری y یک سری مانا می باشد، اگر شیب وقفه آن در رگرسیون بالا ۱>ρ>1- باشد. در صورتی که ۱ = ρ باشد می توان گفت سری نامانا می باشد. چنان چه مدل گام تصادفی با مقصد نامعلوم باشد در این صورت در طی فرایند آغازشده در برخی نقاط واریانس متغیر وابسته به طور مداوم همراه با زمان افزایش یافته و به سوی بی نهایت حرکت می کند. در آزمون دیکی فولر افزوده معادله رگرسیون به صورت تفاضلی به شرح زیر تدوین می شود :
در این رگرسیون شرط مانایی کوچک تر از صفر بودن سیگما (ρ) است. همچنین با رعایت وجود وقفه کمتر باید تا جایی به مدل وقفه داد که مشکل خود همبستگی آن حل شود. در نرم افزارهای اقتصادسنجی معمولاً‌ ناحیه بحرانی آزمون ریشه واحد در سه سطح اطمینان مختلف شامل : ۹۹ درصد، ۹۵ درصد و ۹۰ درصد صورت می گیرد. در این جا، فرض صفر دلیل نامانایی و رد فرض صفر دلیل بر مانایی شمرده می شود. نحوه دستیابی به نتیجه در آزمون دیکی فولر افزوده، مقایسه با مقدار بحرانی است. در صورتی که آماره آزمون ناحیه بحرانی بزرگ تر باشد، آن گاه فرض صفر رد می شود. در صورتی که داده های تحقیق از نوع سری زمانی باشند آزمون فیلیپس – پرون مناسب است. در صورتی که نتیجه آزمون ریشه واحد، حاکی از نامانایی متغیرهای سری زمانی باشد راه حل موجود در این رابطه تفاضل گیری و توجه به آزمون هم انباشتگی است. در واقع هنگامی که متغیرها مانا نمی باشند، اضافه کردن روند زمانی در بین متغیرها و یا کم کردن روند قطعی از متغیرها موجب مانایی متغیرها نخواهد شد. البته اگر چه روش معمول رسیدن به مانایی تفاضل گیری است اما از آن جا که این اقدام موجب از دست دادن اطلاعات داده ها می گردد، به عنوان راه حل نهایی حل مشکل نامانایی توصیه شده است و توسط محقق ها به ویژه در خصوص داده های اقتصادی که معمولاً نامانا هستند، مورد استفاده قرار می گیرد، زیرا برای حفظ اطلاعات در رابطه با سطح بلندمدت متغیرها کار خاصی نمی توان انجام داد (خاکی، ۱۳۹۰، ص ۲۳).

• • نحوه عملکرد جمله AR-وجود خود همبستگی نشان دهنده این مطلب است که بین اجزای اخلال یک دوره با دوره های گذشته ارتباط وجود دارد. ورود جملات َAR در هر مرتبه، موجب برطرف شدن خود همبستگی مرتبه اول، دوم وnام می شود. به این صورت که فرض می شود که رابطه اجزای اخلال به صورت زیر باشد:

u_t = ρ. u_t-1 +
که در آن ρ معروف به ضریب خود همبستگی و جزء اخلال تصادفی می باشد. چنان چه ρ = ۱ باشد، خواهیم داشت :
u_t – u_t-1 =
به این ترتیب معادله رگرسیون برای دوره های t – ۱ , t‌ به صورت زیر خواهد بود :
Y_t = β_۰ + β_۱X_t + u_t
Y_t-1 = β_۰ + β_۱X_t-1 + u_t-1
با کسر دو معادله از هم به معادله زیر می رسیم که در واقع جزء اخلال این معادله عددی است که از تفاضل دو جمله خطای قبلی به دست آمده و مستقل از جملات دیگر است :
به این ترتیب اطلاعات یک دوره از کل دوره های مورد بررسی حذف شده و خود همبستگی ایجادشده رفع می شود. لذا جملات AR، در هر مرتبه ای منجر به از بین رفتن خود همبستگی بین اجزای اخلال مدل می‎شوند (خاکی، ۱۳۹۰). در این تحقیق به منظور تشخیص خود همبستگی بین اجزای اخلال مدل رگرسیون، از آماره DW‌ (دوربین – واتسن) استفاده شده است.
مشکل های دیگری مانند همبستگی متقاطع در واحدهای تکی در نقاط زمانی یکسان نیز وجود دارند. تکنیک های تخمین متعددی برای بررسی برخی از این مشکل های وجود دارد. دو روش بسیار معروف و رایج عبارتند از :

1. مدل تأثیر های ثابت (FEM)^[35]