دانلود پایان نامه

چارچوب کلی آماری داده های ترکیبی به صورت زیر می باشد:
به طوری که در این رابطه،متغیر وابسته و در برگیرنده متغیرهای توضیحی می باشد. تعداد شرکت ها (مشاهدات نمونه ای) و بیانگر زمان است. اسکالر و دارای بعد که در آن تعداد متغیرهای توضیحی می باشد. جزء خاص مقطع های زمانی و اثرات باقی مانده است (بالتاجی، 2005).
حال با توجه به مطالب بالا مدل این پژوهش به گونه زیر ارائه میشود:
Earnings Managementit= + ( Product Market Competition)it+ Uit
مدل های رگرسیون دادههای ترکیبی، با استفاده از روش اثرات تلفیقی و داده های تابلوئی به روش اثرات ثابت یا اثرات تصادفی برآورد می شود. در روش اثرات مشترک فرض بر این است کهها برای برش های مقطعی ثابت است (). مدل اثرات ثابت مدلی است که در آن عرض از مبدأ بین واحدها تغییر میکند، به طوری که در این مدل عرض از مبدأ هر واحد از واحد دیگر متفاوت است، اما عرض از مبدأ هر واحد طی زمان ثابت است. در روش اثرات تصادفی نیز، فرض می شود تفاوت بین شرکت ها تصادفی بوده که در این صورت یک جزء تصادفی مانند به معادله اضافه می گردد (همان، 2005). برای تشخیص روش تخمین مناسب باید آزمون های مختلفی انجام داد.
آزمون F لیمر
به منظور گزینش یکی از روش های داده های تابلوئی یا داده های تلفیقی، از آزمون F لیمر استفاده شده است. آماره آزمون F لیمر تعیین می کند که آیا عرض از مبدأ جداگانه برای هر یک از مقاطع یا دوره ها وجود دارد یا خیر؟ در صورتی که بین مشاهدات، ناهمگنی یا تفاوت های فردی وجود داشته باشد، از روش داده های تابلوئی و در غیر این صورت، از روش داده های تلفیقی استفاده می شود. زیرا داده ها فقط روی هم انباشت شده اند و تفاوت بین آن ها لحاظ نشده است. در آزمون F لیمر، فرضیه صفر بیانگر یکسان بودن عرض از مبدأها (داده های تلفیقی) و فرضیه مقابل، نشان دهنده ناهمسانی عرض از مبدأها (داده های تابلوئی) است.
آزمون هاسمن
در صورتی که فرضیه صفر آزمون F لیمر پذیرفته نشود (روش داده های تابلوئی مرجح شناخته شود)، این پرسش مطرح می شود که مدل مورد بررسی، در قالب کدام یک از روش های اثرات ثابت یا اثرات تصادفی قابل برآورد است؟ بنابراین، برای انتخاب یکی از روش های اثرات ثابت و اثرات تصادفی، از آزمون هاسمن استفاده می شود. در این آزمون، فرضیه صفر عبارت است از استقلال (نبود ارتباط بین) جزء اخلال مربوط به عرض از مبدأ و متغیرهای توضیحی (روش اثرات تصادفی). در حالی که، فرضیه مقابل حاکی از وجود همبستگی بین جزء اخلال مربوط به عرض از مبدأ و متغیرهای توضیحی است. در صورت پذیرفته شدن فرضیه صفر، از روش اثرات تصادفی و در غیر این صورت از روش اثرات ثابت استفاده می شود.
3-9-2- تحلیل همبستگی در الگوهای رگرسیون
تحلیل همبستگی ابزاری است که برای تعیین میزان ارتباط متغیرهای مستقل و وابسته، استفاده می شود. تحلیل همبستگی، عموماً با استفاده از معیارهایی نظیر ضریب همبستگی، ضریب تعیین و ضریب تعیین تعدیل شده انجام میشود (آذر و مومنی، 1384). ضریب همبستگی ()، شدت و نوع رابطه بین متغیرهای مستقل و وابسته را نشان میدهد. لیکن، ضریب تعیین نسبت به ضریب همبستگی معیار گویاتری است (همان، 1384). ضریب تعیین معیاری است که قوت رابطه میان متغیر مستقل و متغیر وابسته را تشریح می کند. مقدار این ضریب در واقع مشخص کننده آن است که چند درصد از تغییرات متغیر وابسته توسط متغیر مستقل توضیح داده می شود. مقدار از رابطه زیر تعیین می شود (پیندیک و روبینفیلد، 1370):
که در آن:
SSE : تغییرات جمله خطا که توسط رگرسیون توضیح داده نمی شود.
SST: کل تغییرات در مقدار متغیر وابسته.
با این حال اغلب ترجیح داده می شود که از مقیاس دیگری به نام ضریب تعیین تعدیل شده برای بررسی نیکویی برازش مدل رگرسیون چند متغیره استفاده کنند. این ضریب همان ضریب تعیین است که در آن مقادیر SST و SSE با درجات آزادیشان تعدیل گردیده اند. این ضریب در رگرسیون چند متغیره به صورت زیر محاسبه می شود (پیندیک و روبینفیلد، 1370):

مطلب مرتبط :   دانلود پایان نامه با موضوع آموزش های فنی و حرفه ای، بازار کار و کارآفرینی

که در آن n تعداد مشاهدات و k تعداد متغیرهای مستقل است. در واقع هدف از به کارگیری تسهیل در مقایسه نیکویی برازش چندین معادله رگرسیون است که از نظر تعداد متغیرهای مستقل توضیحی متفاوتند.
3-9-3- آزمون معنادار بودن در الگوی رگرسیون
در رگرسیون چندگانه دو یا چند متغیر مستقل وجود دارد و لازم است که برای مشخص شدن معنادار بودن آنها دو آزمون انجام گیرد. ابتدا آزمون معنادار بودن معادله رگرسیون و در مرحله بعد آزمون معنادار بودن هر کدام از ضرایب متغیرهای مستقل در معادله.
3-9-3-1- آزمون معنادار بودن معادله رگرسیون
در یک معادله رگرسیون چندگانه، چنانچه هیچگونه رابطه ای میان متغیر وابسته و متغیرهای مستقل وجود نداشته باشد، می بایست تمامی ضرایب متغیرهای مستقل در معادله، مساوی صفر باشند. بدین ترتیب ما می توانیم معنادار بودن معادله رگرسیون را آزمون کنیم. این کار با استفاده از آماره F با فرض های زیر صورت می گیرد(عباسینژاد، 1380 و ذوالنور، 1374):
معادله رگرسیون معنادار نیست
معادله رگرسیون معنادار است
چنانچه در سطح اطمینان 95% (خطای 5%= ) آماره F محاسبه شده از معادله رگرسیون کوچکتر از مقدار F بدست آمده از جدول باشد فرض را نمیتوان رد کرد و در غیر اینصورترد می شود. واضح است که در صورت رد شدن ، معادله رگرسیون معنادار خواهد بود.
3-9-3-2- آزمون معنادار بودن ضرایب