بررسی تاثیر شیوه های حاکمیت شرکتی برمدیریت سرمایه درگردش شرکتهای پذیرفته شده …

این آزمون از مشهورترین آزمون ها جهت تشخیص خود همبستگی است. زمانی که آماره دوربین واتسون در حدود ۱٫۵ تا ۲٫۵ باشد، معرف آن است که خود همبستگی وجود ندارد، ولی مقادیر بالاتر یا کمتر از ۱٫۵ تا ۲٫۵ معرف آن است که جملات خطا به صورت تصادفی اتفاق نمی افتند و بنابراین ، نتایج غیرواقعی است(همان منبع).
روش های گوناگون برای رفع خود همبستگی وجود دارد که عبارتند از: روش اولین تفاضل ، روش کوکران – اورکات، روش دوربین – واتسون و روش GLS ( گجرانی،۱۳۸۷: ۵۴۷).
در این پژوهش برای تشخیص خود همبستگی از آزمون دوربین – واتسون استفاده می شود.به طوریکه اگر ۱٫۵<DW<2.5 باشد خود همبستگی در مدل وجود ندارد و در صورت وجود خود همبستگی در مدل با اضافه کردن جزء متغیر توضیحی(AR[39](1), AR(2),MA(2),…….)مشکل خود همبستگی حل می شود (بدری،۱۳۸۹).
۳-۱۱-۵ هم خطی
اصطلاح هم خطی، منسوب به راگنارفریش است. هم خطی در اصل به معنای وجود ارتباط خطی بین همه یا بعضی از متغیرهای توضیحی مدل رگرسیون است. از فروض کلاسیک، کامل بودن مرتبه ماتریس X (ماتریس متغیرهای توضیحی) است که نقض این فرض موجب بروز مشکل هم خطی می شود. البته هم خطی بر دو نوع هم خطی کامل و هم خطی ناقص است و در صورتی که هم خطی از نوع کامل باشد، فرض کلاسیک مذکور نقض می شود و با استفاده از موارد زیر هم خطی رفع می شود:
۱٫حذف متغیری که باعث هم خطی شده است
۲٫تبدیل متغیرها (به جای سطح، از اولین تفاضل استفاده شود)
۳٫استفاده از لگاریتم داده ها
۴٫استفاده از داده های جدید و اضافی (عادل آذر،۱۳۸۰)
۳-۱۱-۶ آزمون مانایی
داده های مورد استفاده در مطالعات اقتصاد سنجی را می توان به سه دسته داده های سری زمانی، مقطعی، پانلی تقسیم بندی کرد. به استثنای داده های مقطعی، در بقیه داده ها باید آزمون ریشه واحد صورت گیرد (صمدی،۲۵). روشهای سنتی اقتصادسنجی در برآورد ضرایب یک الگو، مبتنی بر پایا[۴۰] (مانا) بودن سریهای زمانی میباشند. متغیر سریزمانی وقتی مانا است که میانگین، واریانس، کواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باشد و مهم نباشد که در چه مقطعی از زمان، این شاخصها را محاسبه کنیم. امّا از طرفی، «بررسیهایی که از سالهای ۱۹۹۰ به بعد انجام شده، نشان داده است که بسیاری از متغیرهای سریزمانی در اقتصاد مانا نیستند»(هژبر کیانی، ۱۳۷۶: ۵۲). به عبارتی دیگر، میانگین و واریانس این سریها در طول زمان متغیر بوده و کواریانس آنها در ازای وقفههای مشخص، ثابت نیست که از این خصوصیات به عنوان نامانا[۴۱]بودن سریهای زمانی یاد میشود. اگر سریهای زمانی مورد استفاده در برآورد ضرایب الگو نامانا باشند، برآورد الگو با چنین متغیرهایی ممکن است به رگرسیون کاذب[۴۲] منجر شود؛ بدین معنی که ممکن است ضریب تعیین به دست آمده از الگوی برآوردی بسیار بالا بوده، ولی هیچ رابطۀ معنیداری بین متغیرهای الگو وجود نداشته باشد. عدم توجه به چنین نکتهای، موجب گمراهی محقق و استنباطهای غلط در مورد ارتباط بین متغیرها خواهد شد. از این رو قبل از استفاده از این متغیرها لازم است نسبت به مانایی یا عدم مانایی آنها اطمینان حاصل کرد.(نوفرستی ،۱۳۷۸:۸۶)
آزمون مزبور با استفاده از نرم افزار EViews 7 و روش های آزمون لوین ، لین و چو[۴۳](۲۰۰۲) ، آزمون ایم ، پسران و شین[۴۴] (۲۰۰۳)، آزمون ریشه واحد فیشر – دیکی فولر تعمیم یافته[۴۵] و آزمون ریشه واحد فیشر – فیلیپس پرون[۴۶](۱۹۹۹) و چویی[۴۷] انجام می شود (مشکی و دهدار،۱۳۹۰).
این آزمونها اصطلاحاً آزمون های ریشه واحد پانل نامیده می شوند، از لحاظ تئوری آنها آزمون های ریشه واحد سری های چندگانه هستند که برای ساختارهای اطلاعات پانل بکار رفته اند. در این آزمون ها روند بررسی مانایی همگی به یک صورت است و با رد H0 عدم مانایی رد می شود و بیانگر مانایی متغیّر است. بنابراین با رد فرضیه H0 نامانایی یا ریشه واحد رد می شود و مانایی پذیرفته می شود. که یا در سطح و یا با یک تفاضل و یا با دو تفاضل مانا می شود که برای تشخیص این قسمت به Prob آن توجه می شود که بایستی از ۵ درصد کوچکتر باشد(شاهچراو همکارش،۱۳۹۰:۱۰۳).
۳-۱۱-۷ آزمون معنی دار بودن اثرات فردی F لیمر
برای انتخاب بین روشهای دادههای تابلویی و داده‏های تلفیقی، از آماره F لیمر[۴۸] استفاده می‏شود.
در این آزمون فرضیه  بیانگر یکسان بودن عرض از مبدأها(داده‌های تلفیقی) و فرضیه مخالف  نشان دهنده ناهمسانی عرض از مبدأها(روش داده‏های تابلویی) می باشد. لذا می‏توان نوشت:
(روش داده‌های تلفیقی) H0۱۲=…=α
(روش داده‌های تابلویی) حداقل یکی از عرض از مبدأها با بقیه متفاوت است:H1
اگر مقدار p-value محاسبه شده بیشتر از سطح خطای ۵ درصد باشد، فرض صفر رد نمیشود و باید از روش داده‌های تلفیقی استفاده شود. در غیر این صورت از روش داده ‏های تابلویی استفاده خواهدشد(بالتاجی[۴۹]، ۱۳۹۱).
۳-۱۱-۸ آزمون هاسمن
اگر بعد از انجام آزمون F لیمر فرضیه H0 رد شود، این پرسش مطرح میشود که برآورد مدل در قالب کدام یک از روش‌های اثرات ثابت(یعنی عرض از مبدأها، پارامترهای نامعلوم ولی ثابت هستند) یا اثرات تصادفی (یعنی عرض از مبدأها تصادفی و مستقل از متغیرهای توضیحی است)انجام شود. آماره آزمون‌هاسمن[۵۰] برای تشخیص ثابت یا تصادفی بودن تفاوت واحدهای مقطعی مورد استفاده قرار میگیرد. در آزمون‌هاسمن فرضیه‌های H0 و H1 به صورت زیر تعریف می شوند:
H0: bsروش اثرات تصادفی (هیچ همبستگی بین اثرات ثابت ورگرسورها وجودندارد)
H1: bs روش اثرات ثابت (حداقل یک همبستگی بین اثرات ثابت ورگرسورها وجوددارد)
اگر مقدار p-value محاسبه شده بیشتر از سطح خطای ۵ درصد باشد، فرض صفر رد نمیشود و باید از روش اثرات تصادفی استفاده شود و اگر این فرضیه رد شود روش اثرات ثابت ملاک تجزیه و تحلیل قرار خواهد گرفت (همان منبع).
۳-۱۱-۹ آزمونt
از آزمون t به منظور بررسی معنیدار بودن ضرایب محاسبه شده، ضرایب همبستگی و مدل‌های رگرسیونی استفاده میشود. به طور کلی آزمون معنیدار بودن روشی است که با استفاده از نتایج نمونه درستی یا نادرستی فرضیه H0 را در جامعه تعیین مینماید. تصمیم درباره پذیرش و یا رد نیز بر اساس مقدار عددی تابع آزمون حاصل از داده‌های موجود انجام میشود. بر اساس این آزمون چنانچه سطح معنی داری محاسبه شده بیش از ۵ درصد باشد، مقادیر محاسبه شده از لحاظ آماری در سطح اطمینان ۹۵ درصد معنیدار نخواهند بود.
به طور رایج در کلیه برآورد‌ها، این آزمون برای بررسی معنی داری ضرایب مدل مورد استفاده قرار میگیرد به این معنی که فرضیه H0، که صفر بودن ضریب و در نتیجه عدم تأثیر متغیر مستقل مربوطه بر متغیر وابسته در جامعه مورد بررسی میباشد، را مورد آزمون قرار میدهد. در صورت رد فرضیه H0، فرضیه Hکه مخالف صفر است(یعنی اثرگذاری متغیر مستقل بر متغیر وابسته)، مورد پذیرش قرار میگیرد(گجراتی، ۱۳۸۷).
۳-۱۱-۱۰ ضریب تعیین
با استفاده از ضریب تعیین(R2) ، مناسب بودن خط رگرسیون برازش شده اساس مجموعه ای از داده‌ها مورد بررسی قرار میگیرد. به طور کلی اگر تمام مشاهدات مربوط به متغیر وابسته بر روی خط رگرسیون باشند، برازش کامل بدست خواهد آمد که این حالت کمتر اتفاق می افتد. عموماً بعضی از et‌ ها مثبت و برخی دیگر منفی هستند و بنابراین مشاهدات مربوط به متغیر Y در اطراف خط رگرسیون برازش شده قرار می گیرند. نتیجه مطلوب مورد انتظار این است که این باقی مانده‌ها در اطراف خط رگرسیون تا حد ممکن کوچک باشند. در این راستا ضریب تعیین معیار خلاصه ای است که بیان میکند چگونه خط رگرسیون نمونه داده‌ها را به خوبی برازش میکند(همان منبع). با توجه به توضیحات فوق به طور خلاصه تغییرات کل مقادیر مشاهده شده Y از میانگین آن را میتوان به دو بخش تقسیم نمود که یک بخش از آن قابل استناد به خط رگرسیون(Ŷ) و بخش دیگر آن قابل استناد به نیرو‌های تصادفی میباشد(e).
بنابراینTSS= ESS + RSS که در آن TSS کل تغییرات متغیر وابسته را حول میانگین آن نشان میدهد، ESS قسمتی از تغییرات را که توسط رگرسیون برآورد شده است و RSS قسمت مربوط به تغییرات تصادفی Y را نشان میدهد. با تقسیم طرفین این رابطه بر TSS، رابطه بدست میآید:
و در نتیجه ضریبR2 به صورت رابطه تعریف میگردد:
با توجه به رابطه می توان گفت که R2 درصد تغییرات کل در Y که به وسیله مدل رگرسیون توضیح داده شده است را اندازه گیری مینماید. با توجه به رابطه می توان گفت که R2 هم مثبت و هم کوچکتر از یک میباشد. در حالت برازش کامل رگرسیون که معمولاً اتفاق نمیافتد R2 برابر با یک و در حالت عدم ارتباط بین متغیر وابسته و مستقل برابر صفر میباشد. به طور کلی هر چه مقدار این ضریب به یک نزدیکتر باشد، نشان دهنده برازش بهتر مدل خواهد بود(گجراتی، ۱۳۸۷).
۳-۱۱-۱۱ آزمون F رگرسیون
در معادله رگرسیون چند گانه، چنانچه رابطه ای میان متغیر وابسته و متغیر‌های مستقل وجود نداشته باشد، باید تمام ضرایب متغیر‌های مستقل در معادله، مساوی صفر باشند. با داشتن مدل رگرسیون چند متغیره قاعده تصمیمگیری به صورت زیر میباشد:
تمامی ضرایب شیب به طور همزمان صفر هستند …=۰ β۲= H0: β۱=
حداقل یکی از ضرایب شیب غیر صفر است …≠۰ β۲= H1: β۱=
اگر در سطح اطمینان ۹۵ درصد، آماره F محاسبه شده از معادله رگرسیون، بزرگتر از مقدار F جدول باشد، فرض صفر رد میشود و در غیر این صورت فرض صفر رد نمیشود(بالتاجی، ۲۰۰۵).
۳-۱۱-۱۲ برآورد ضرایب رگرسیون

برای دانلود فایل متن کامل پایان نامه به سایت 40y.ir مراجعه نمایید.