پژوهش دانشگاهی – بررسی رابطه ی میان سیاست سود تقسیمی، فرصت های سرمایه گذاری و تأمین …

0 Comments

M : ماتریس واریانس-کواریانس به روش اثرات تصادفی
M1 : ماتریس واریانس-کواریانس به روش اثرات ثابت
s : برآورد به روش اثرات تصادفی
bs : برآورد به روش اثرات ثابت
چنانچه آماره محاسبه شده بزرگتر از خی-دو جدول با درجه آزادی باشد فرضیه H مبنی بر پذیرش اثرات تصادفی رد می شود. در این صورت از روش اثرات ثابت استفاده میگردد. ولی اگر فرضیه H پذیرفته شود باید از روش اثرات تصادفی استفاده شود.
۳-۷-۲-۱) اثرات ثابت
در این روش، عرض از مبدأ برای هر یک از واحدها متفاوت است اما ضرایب شیب میان واحدهای مختلف ثابت است. این مدل، اثرات ثابت نامیده میشود. اصطلاح اثرات ثابت به این دلیل است که با وجود تفاوت عرض از مبدأ میان واحدهای مختلف، عرض از مبدأ طی زمان تغییر نمی کند.
۳-۷-۲-۲) اثرات تصادفی
مدل اثرات تصادفی هنگامی یک الگوی مناسب به شمار می رود که تفاوت بین داده های مقطعی به صورت تصادفی باشد. باید توجه داشت در این حالت ممکن است واریانس ها ی مربوط به مقاطع مختلف با هم یکسان نبوده و مدل مورد نظر دچار ناهمسانی واریانس باشد، که باید به جای روش OLS از روش رگرسیون حداقل مربعات تعمیم یافته ( GLS)[3] استفاده کرد.
۳-۸) آزمون دوربین-واتسون[۴]
یکی از مشهورترین آزمون‌ها جهت تشخیص وجود یا عدم وجود خود همبستگی، آزمون دوربین-واتسون است. این آزمون تابع مفروضاتی به شرح زیر است:

  1. مدل رگرسیونی دارای جزء عرض از مبدأ است.
  2. متغیرهای مستقل غیر صادفی است.
  3. اجزای اخلال به وسیله الگوی خود رگرسیونی مرتبه اول حاصل می‌شوند.
  4. مدل رگرسیون شامل مقادیر با وقفه‌ای از متغیرهای وابسته به عنوان یکی از متغیرهای توضیحی نیست. به بیان دیگر مدل رگرسیون دارای الگوی خود رگرسیونی نیست.
  5. هیچ مشاهده مفقوده‌ای در داده‌ها وجود نداشته باشد.
این مطلب را هم بخوانید :
جستجوی مقالات فارسی - بررسی رابطه ی میان سیاست سود تقسیمی، فرصت های سرمایه گذاری و تأمین مالی شرکت ...

از نظر آزمون خود همبستگی بین مشاهدات، چنانچه مقدار آماره دوربین-واتسون نزدیک به ۲ باشد (در واقع بین ۱٫۵ تا ۲٫۵ قابل قبول است) می‌توان بیان نمود که خود همبستگی بین مشاهدات وجود نخواهد داشت، یا به عبارت دیگر، جزء خطای یک مشاهده تحت تأثیر جزء خطای مشاهده‌ی دیگر نمی‌باشد.
۳-۹) تحلیل رگرسیون
تحلیل رگرسیون روشی برای مطالعه سهم یک یا چند متغیر مستقل در پیش بینی متغیر وابسته است. میزان تغییر یک متغیر بر اثر متغیر دیگر را ضریب رگرسیون میگویند که عبارت است از میزان تغییری که در متغیر وابسته بر اثر یک واحد تغییر در متغیر مستقل بروز می کند. ضریب تعیین مهمترین معیاری است که با آن میتوان رابطه بین متغیر مستقل و وابسته را توضیح داد. این ضریب شاخصی است که بیانگر درصد تغییرات بیان شده به وسیله مدل رگرسیون است. به عبارت دیگر این شاخص نشان میدهد که چند درصد مقادیر پیش بینی شده متغیر وابسته با مقادیر واقعی انطباق دارد. تحلیل رگرسیون با چندین فرض اصلی و مهم رو به رو است که در ادامه به مفروضات اساسی مربوط به مدل های رگرسیون پرداخته میشود.
۳-۹-۱) رگرسیون چند متغیره
در برخی از مسائل پژوهشی، به ویژه آن هایی که هدف پیش بینی دارند، تعیین همبستگی بین متغیر ملاک (که قصد پیش بینی آن را داریم)و ترکیب متغیرهای پیش بینی کننده، که هر کدام از آنها تا حدودی با این متغیر همبستگی دارند، دارای اهمیت زیادی است. روشی که از طریق آن متغیرهای پیش بینی کننده ترکیب میشوند، “رگرسیون چند متغیری” است. در این روش، یک معادله رگرسیون چند متغیری محاسبه میشود که ارزش های اندازه گیری شده پیش بینی را در یک فرمول خلاصه میکند. ضرایب معادله برای هر متغیر، بر اساس اهمیت آن در پیش بینی متغیر ملاک محاسبه و معین میشود. درجه همبستگی بین متغیرهای پیش بینی کننده در معادله رگرسیون چند متغیری و متغیر ملاک، به وسیله ضریب نشان داده میشود.
رگرسیون چند متغیری دارای روش های مختلفی است. تفاوت روش های آن در نحوه انتخاب متغیرهای پیش بینی کننده است.
۳-۹-۲) ضریب تعیین و ضریب تعیین تصحیح شده
ضریب تعیین معیاری است که قوت رابطه میان متغیر مستقل و متغیر وابسته را تشریح می کند. مقدار این ضرایب در واقع مشخص کننده آن است که چند درصد از تغییرات متغیر وابسته توسط متغیر مستقل توضیح داده میشود. مقدار ۲R از رابطه ی زیر تعیین می شود.
۲R = 1 ˗ = ۱ ˗
که در آن:
SSE : تغییرات جمله خطا که توسط رگرسیون توضیح داده نمیشود.
SST : کل تغییرات در مقدار متغیر وابسته.
با این حال اغلب ترجیح داده میشود که از مقیاس دیگری به نام ضریب تعیین تصحیح شده[۵] برای بررسی نیکویی برازش[۶] مدل رگرسیون چند متغیره استفاده کنند. این ضریب همان ضریب تعیین است که در آن مقادیر SST و SSE درجات آزادی شان تعدیل گردیده اند. این ضریب در رگرسیون چند متغیره به صورت زیر محاسبه میشود.
۱ – . ( ۱ – R۲ = ۱ – ( / ) = ۱ – .
که در آن n تعداد مشاهدات و k تعداد متغیر های مستقل است.
با افزودن تعداد متغیرهای مستقل به مدل رگرسیون ممکن است مقدار ۲R افزایش یابد. برای جلوگیری از این حالت و کنترل تورم ۲R از آماره ی ۲R تعدیل شده استفاده می گردد که مشکلات ۲R را برطرف می کند. در واقع هدف از به کارگیری ۲R تسهیل در مقایسه نیکویی برازش چندین معادله رگرسیون است که از نظر تع

این مطلب را هم بخوانید :
اثربخشی معنا درما نی گروهی بر کیفیت زندگی وتغییرسبک دلبستگی- قسمت ۵

دانلود کامل پایان نامه در سایت pifo.ir موجود است.

داد متغیرهای مستقل توضیحی متفاوتند.
۳-۹-۳) مدل رگرسیون
معمولا مراحل زیر در تشکیل، تجزیه وتحلیل و تأیید مدل رگرسیون رعایت میشود :
شناسایی متغیرها. برای تشکیل مدل رگرسیون در این مرحله، متغیر وابسته و متغیر مستقل را برای تشکیل معادله رگرسیون شناسایی میکنیم.