صاحبان سهام صنعت
بر اساس فرضیه فرعی 4 برای بررسی رابطه بین نسبت بدهی های بلندمدت به ارزش بازار حقوق صاحبان سهام و بازده غیر عادی در هر صنعت از رگرسیون چند متغیره زیر استفاده می شود: (مدل 5)
〖CAAR〗_(i.t)=a+B_1 Industry 〖LM2〗_(i,t) +B_2 〖size〗_(i,t)+B_3 Q_T+B_4 P/E_(i,t) +B_5 Interest+B_6 〖Risk〗_(i,t)+e_t

Industry LM2i,t : نسبت بدهی های بلندمدت صنعت به ارزش بازار حقوق صاحبان صاحبان سهام صنعت
برای آزمون فرضیه اصلی2 جهت بررسی رابطه بین ساختار سرمایه بر اساس ارزش بازار و بازده غیر عادی در هر صنعت از تلفیق مدل 4 و 5 رگرسیون چند متغیره زیر حاصل می شود: (مدل 6)

〖CAAR〗_(i.t)=a+B_1 Industry 〖LM1〗_(i,t)+B_2 Industry 〖LM2〗_(i,t) +B_3 〖size〗_(i,t)+B_4 Q_T+B_5 P/E_(i,t) +B_6 Interest+B_7 〖Risk〗_(i,t)+e_t

برای آزمون فرضیه اصلی سوم بر اساس رگرسیون چند متغیره زیر رابطه بین میزان متمرکز بودن صنعت و بازده غیر عادی در هر صنعت سنجیده می شود: (مدل 7)

〖CAAR〗_(i.t)=a+B_1 HI+B_2 〖size〗_(i,t)+B_3 Q_T+B_4 P/E_(i,t) +B_5 Interest+B_6 〖Risk〗_(i,t)+e_t

HI: شاخص هرفیندال
مدل دیگری که برای آزمون فرضیه اصلی 3 وجود دارد از تلفیق کلیه مدل های ذکر شده و به صورت زیر ارائه می شود: (مدل 8)

〖CAAR〗_(i.t)=a+B_1 Industry 〖L1〗_(i,t)+B_2 Industry 〖L2〗_(i,t)+B_3 Industry 〖LM1〗_(i,t)+B_4 Industry 〖LM2〗_(i,t) +B_5 〖size〗_(i,t)+B_6 Q_T+B_7 P/E_(i,t) +B_8 Interest+B_9 〖Risk〗_(i,t)+B_10 HI+e_t

3-11-روش تجزیه و تحلیل داده ها وآزمون فرضیه ها

پس از آن‌که پژوهشگر داده‌ها را گردآوری و طبقه‌بندی کرد باید مرحله بعدی فرایند پژوهش، که به مرحله تجزیه و تحلیل داده‌ها معروف است، را آغاز کند. این مرحله در پژوهش اهمیت زیادی دارد زیرا نشان دهنده تلاش‌ها و زحمات فراوان گذشته است. در این مرحله، پژوهش‌گر اطلاعات و داده‌ها را در جهت آزمون فرضیه و ارزیابی آن مورد بررسی قرار می‌دهد. در مرحله تجزیه و تحلیل، آنچه مهم است این است که پژوهش‌گر باید اطلاعات و داده‌ها را در مسیر هدف پژوهش، پاسخ‌گویی به سؤال‌های پژوهش و نیز ارزیابی فرضیه‌های پژوهش خود، مورد تجزیه و تحلیل قرار دهد (حافظ‌نیا، 1385: 231).
در انجام این پژوهش، از روش‌های آماری متعددی استفاده می‌شود که در ادامه به تفصیل تشریح می‌شود. پس از جمع‌آوری اطلاعات، توابع (الگوهای) مورد نظر به کمک الگوهای اقتصادسنجی برآورد خواهند شد. این الگوها شامل رگرسیون چندمتغیره، آزمون فروض کلاسیک، روش استفاده از داده‌ها، آزمون ریشه واحد در داده‌های ترکیبی و آزمون هم‌جمعی است که در ادامه به شرح این الگوها پرداخته می‌شود.

3-11-1- رگرسیون چندمتغیره

در برخی از مسائل پژوهشی، به ویژه آن‌هایی که هدف پیش‌بینی دارند، تعیین همبستگی بین متغیر ملاک (که قصد پیش‌بینی آن را داریم) و ترکیب متغیرهای پیش‌بینی‌کننده، که هر کدام از آن‌ها تا حدودی با این متغیر همبستگی دارند، دارای اهمیت زیادی است. روشی که از طریق آن متغیرهای پیش‌بینی‌کننده ترکیب می شوند، “رگرسیون چندمتغیره” است. در این روش، یک معادله رگرسیون چندمتغیری محاسبه می شود که ارزش‌های اندازه‌گیری پیش‌بینی شده را در یک فرمول خلاصه می‌کند. ضرایب معادله برای هر متغیر، براساس اهمیت آن در پیش‌بینی متغیر ملاک محاسبه و معین می‌شود. درجه همبستگی بین متغیرهای پیش‌بینی‌کننده در معادله رگرسیون چندمتغیری و متغیر ملاک، به وسیله ضریب نشان داده می‌شود.(دلاور، 1384: 220).
رگرسیون چندمتغیری دارای روش‌های مختلفی است. تفاوت روش‌های آن در نحوه انتخاب متغیرهای پیش‌بینی‌کننده است. همان طور که در بخش قبل به تفصیل بیان شد، در این پژوهش برای بررسی رابطه بین ساختار سرمایه و بازده غیر عادی از مدل های رگرسیون چند متغیره متعددی استفاده می شود.

3-11-2- آزمون فرضیه‌های کلاسیک

3-11-2-1- نبود خودهمبستگی

با توجه به اين كه در مدلهاي رگرسيون، فرض بر آن است كه جملات خطا ( ) از دوره‌اي به دوره بعد مستقل هستند، اما در بسياري موارد، جملات خطا در دوره‌هاي مختلف همبستگی دارند. در چنين مواردي جملات خطا اصطلاحاً داراي خودهمبستگي يا همبستگي متوالي86هستند. خودهمبستگي جملات خطا معمولاً در مطالعات سريهاي زماني مشاهده مي‌شود. برخي از دلايل وجود خود همبستگي در جملات خطا عبارتند از (زارع، 1381: 97و ذوالنور، 1374: 80):
متغيرهاي توضيحي حذف شده. در چنين حالتي گنجانيدن متغيرهاي توضيحي حذف شده در مدل، اين مشكل را برطرف ميکند.
مدلبندي اشتباه يك الگو. اگر الگويي خاص را خطي فرض كنيم، در حاليكه شكل واقعي آن غيرخطي است، خطاها مي‌توانند منعكس كننده برخي وابستگي‌ها باشند.
تحريف مشاهدات آماري برخي داده‌هاي سريهاي زماني شامل نوعي از فرايند هموارسازي هستند كه توزيع واقعي داده‌ها در خلال دوره‌هاي مورد بررسي را به صورت ميانگين متحرك درآورده و براي مثال آثار فصلي آن را در يك سري زماني از بين مي‌برند. در نتيجه براي چنين متغيري، مقادير ‌ مي‌توانند با يكديگر همبستگي پيدا كنند.
وجود خودهمبستگي در جملات خطاي مدل رگرسيون منجر به نتايج زير مي‌شود (زارع، 1381، 100 و ذوالنور، 1374: 85-86):

ضرايب رگرسيون كماكان برآورد كننده‌هاي نااريب87 هستند. اما، ويژگيهاي واريانس حداقل را ندارند. اين برآورده كننده‌ها نسبتاً ناكارا هستند.
ميانگين مربعات جملات خطا، مي‌تواند به صورتي قابل توجه واريانس واقعي جملات خطا را كم برآورد کند.
شيوه‌هاي فاصله اطمينان و آزمون‌ها كه در آن‌ها از توزيع‌هاي t و F استفاده مي‌شود، اكيداً قابل
كاربرد نيستند.
در نتيجه اريب بودن ميانگين مربعات جملات خطا، نيز غيرقابل اتكا و اريب خواهد بود.

براي بررسي آن‌ كه در يك مدل رگرسيون جملات خطا خودهمبسته هستند يا خير، آزمون‌هايي طراحي شده است. در اين ميان آزمون‌هايي كه بيشتر مورد استفاده قرار مي‌گيرد، آزمون دوربين- واتسن است. آزمون دوربين- واتسن بر مدل خطاي خودهمبسته مرتبه اول مبتني است. اين مدل به صورت زير است:

پارامتر خود همبستگي با مقدار
و ut : متغير مستقل با فرض
در اين مدل وقتي كه د مثبت باشد، خود همبستگي مثبت و وقتي كه منفي باشد، خود همبستگي منفي وجود دارد. در حالت خود همبستگي وجود ندارد. از اين رو در آزمون دوربين- واتسن فرضيات آزمون عبارتند از (ذوالنور، 1374: 86-88):

آماره دوربين- واتسن براي اين آزمون به صورت زير است:

كه در آن et جمله خطاي رگرسيون در دوره tام و n تعداد مشاهدات در برازش رگرسيون است.

3-11-2- 2- همخطي88 و اصلاح آن

در برخي موارد در تحليل رگرسيون خطي با اين پديده روبرو ميشويم که ميان متغيرهاي مستقل، رابطهاي هم‌خطي وجود دارد. راه‌حلهايي که براي رفع مشکل همخطي توصيه ميشود به صورت زير است:
با افزايش تعداد نمونهها يا استفاده از نمونهي جديد، يعني با حرکت به سمت جامعه آماري با افزايش حجم نمونه، ميتوان مشکل همخطي را تا حدودي برطرف كرد.
با طراحي مدل رگرسيوني که حاوي متغيرهاي مستقل کمتري باشد، ميتوان مشکل هم‌خطي را تا حدودي برطرف كرد (عباسي‌نژاد، 1380: 144-143).

3-11-2- 3- ضريب تعيين و ضريب تعيين تصحيح شده

ضريب تعيين معياري است كه قوت رابطه ميان متغير مستقل و متغير وابسته را تشريح مي‌كند. مقدار اين ضرايب در واقع مشخص كننده آن است كه چند درصد از تغييرات متغير وابسته توسط متغير مستقل توضيح داده مي‌شود. مقدار از رابطه زير تعيين مي‌شود (پينديك و روبينفيلد، 1370: 112):

SSE :
تغييرات جمله خطا كه توسط رگرسيون توضيح داده نمي‌شود.
SST:
كل تغييرات در مقدار متغير وابسته.

با اين حال اغلب ترجيح داده مي‌شود كه از مقياس ديگري به نام ضريب تعيين تصحيح شده89، براي بررسي نيكويي برازش90 مدل رگرسيون چند متغيره استفاده كنند. اين ضريب همان ضريب تعيين است كه در آن مقادير SST و SSE با درجات آزاديشان تعديل شده‌اند. اين ضريب در رگرسيون چند متغيره به صورت زير محاسبه مي‌شود (پينديك و روبينفيلد، 1370، ص113):

كه در آن n تعداد مشاهدات و k تعداد متغيرهاي مستقل است. در واقع هدف از به كارگيري تسهيل در مقايسه نيكويي برازش چندين معادله رگرسيون است كه از نظر تعداد متغيرهاي مستقل توضيحي متفاوتند.

3-11-2-4- آزمون معنادار بودن در الگوي رگرسيون

در رگرسيون چندگانه، دو يا چند متغير مستقل وجود دارد و لازم است كه براي مشخص شدن معنادار بودن آن‌ها دو آزمون انجام شود. ابتدا آزمون معنادار بودن معادله رگرسيون و در مرحله بعد آزمون معنادار بودن هر كدام از ضرايب متغيرهاي مستقل در معادله.

3-11-2-5- آزمون معنادار بودن معادله رگرسيون

در يك معادله رگرسيون چندگانه، چنانچه هيچگونه رابطه‌اي ميان متغير وابسته و متغيرهاي مستقل وجود نداشته باشد، بايد تمامي ضرايب متغيرهاي مستقل در معادله، مساوي صفر باشند. بدين ترتيب ما مي‌توانيم معنادار بودن معادله رگرسيون را آزمون كنيم. اين كار با استفاده از آماره F با فرض‌هاي زير صورت مي‌گيرد (عباسينژاد، 1380: 89 و ذوالنور، 1374: 56-59):
معادله رگرسيون معنادار نيست
معادله رگرسيون معنادار است

چنانچه در سطح اطمينان 95% (خطاي 5%= چ) آماره F محاسبه شده از معادله رگرسيون كوچكتر از مقدار F بدست آمده از جدول باشد فرض را نميتوان رد کرد و در غير اينصورترد مي‌شود. واضح است كه در صورت رد شدن ، معادله رگرسيون معنادار خواهد بود.

3-11-2-6- آزمون معنادار بودن ضرايب

بعد از آزمون معنادار بودن رگرسيون، بايد معنادار بودن هر كدام از ضرايب آزمون شود. هدف از انجام اين آزمون، آن است كه مشخص شود آيا در سطح اطمينان مورد نظر ضريب محاسبه شده مخالف صفر است يا خير؟ فرضهاي اين آزمون به شرح زير است (ذوالنور، 1374: 56-54):
ضريب جامعه صفر است.
ضريب جامعه مخالف صفر است.

براي آزمون اين فرضيهها از آماره t استفاده مي‌شود. اگر در سطح اطمينان 95% (خطاي 5%= ) آماره به دست آمده از آزمون، كوچكتر از t بدست آمده از جدول با همان درجه آزادي باشد، فرض تأييد شده و در غير اين صورت رد مي‌شود. در اين آزمون عدم ردبه مفهوم بي‌معنا بودن ضريب مورد نظر و رد به معني معنادار بودن ضريب موردنظر است.

3-11-3- روش استفاده از داده‌ها

معمولاً استفاده از داده‌های آماری به سه روش مقطعی، سری زمانی و ترکیبی امکان‌پذیر است:
1. داده‌های مقطعی: در داده‌های مقطعی، مقادیر یک یا چند متغیر برای چندین واحد اقتصادی (مشاهدات نمونه‌ای) برای یک زمان مشخص جمع‌آوری می‌شود.
2. داده‌های سری‌زمانی: در داده‌های سری زمانی، مقدار یک یا چند متغیر در طول یک دوره زمانی مشاهده می‌شود.
3. داده‌های ترکیبی: در داده‌های ترکیبی، عناصر هر دو دسته از داده‌های سری زمانی و مقطعی وجود دارد. یعنی، اطلاعات مربوط به داده‌های مقطعی در طول زمان مشاهده می‌شود. به بیان دیگر، چنین داده‌هایی دارای دو بعد هستند که یک بعد آن مربوط به واحدهای مختلف در هر مقطع زمانی خاص است و بعد دیگر آن مربوط به زمان می‌
شود. یعنی، روش داده‌های ترکیبی، روشی برای تلفیق مشاهدات مقطعی در خلال چندین دوره زمانی است (گجراتی91،1995: 64).
در این پژوهش با توجه به نوع داده‌ها و روش‌های تجزیه و تحلیل موجود، از روش داده‌های ترکیبی استفاده می‌شود. زیرا به منظور بررسی رابطه میان ساختار سرمایه و بازده غیر عادی شرکت های پذیرفته شده در بورس اوراق بهادار، متغیرهای مستقل و وابسته از دو جنبه متفاوت مورد بررسی قرار می‌گیرند. از یک سو، این متغیرها در میان شرکت های صنایع مختلف و از سوی دیگر، در دوره زمانی 1389- 1380 آزمون می‌شوند.
منظور از داده‌های ترکیبی، مجموعه‌ای از داده‌هاست که متشکل از تعداد زیادی از متغیرهای مقطعی (N) است که در طول یک دوره زمانی مشخص (T) مورد بررسی قرار می‌گیرند. در این صورت تعداد مشاهدات х N T بوده که با استفاده از مدل‌های مختلفی قابل تخمین است.

دسته بندی : پایان نامه ها

دیدگاهتان را بنویسید