RESTATEMENT = (متغیر دامی دارای دو بخش ۰ و ۱ ) ۱ برای شرکتهایی که ارائه مجدد صورتهای مالی می نمایند و ۰ برای شرکتهایی که ارائه مجدد صورتهای مالی نمی نمایند.
۳-۵-۲ معرفی و نحوه اندازه گیری متغیرهای وابسته
متغیر وابسته، متغیری است که همراه با تغییرات متغیر مستقل تحت تاثیر قرار میگیرد و وابستگی مستقیم و یا معکوس نسبت به متغیر وابسته نشان میدهد. در این پژوهش بر اساس تعاریف ارائه شده، حجم معاملات سهام به عنوان متغیر وابسته تعریف شده است. در این تحقیق نسبت Qتوبین نماینده فرصت های رشد میباشد که به صورت زیر تعریف میگردد.
نسبت Q توبین QT)) : یکی از ابزارهای اندازه گیری عملکرد شرکت( ارزش بازار) میباشد این نسبت توسط آقای جیمز توبین در تجزیه و تحلیل های اقتصاد کلان به منظور پیشبینی آینده فعالیت های سرمایه گذاری در سال ۱۹۷۸ مطرح شد.هدف وی برقراری یک رابطه علت و معلولی بین شاخص Q توبین و میزان سرمایه گذاری انجام شده توسط شرکت بود. اگر شاخص Q توبین محاسبه شده شرکت برای بازار بزرگتر از یک باشد، انگیزه زیادی برای سرمایه گذاری وجود دارد، بعبارتی نسبت Q توبین بالا، معمولاً نشانه ارزشمندی فرصت های رشد شرکت میباشد. اگر نسبت Q توبین کوچکتر از یک باشد سرمایه گذاری متوقف می شود. در صورتی که شرکت از تمامی فرصت های سرمایه گذاری بهره برداری کند ارزش نهایی Q توبین بسوی عدد واحد یک میل پیدا میکند.
۳-۵-۳ معرفی و نحوه اندازه گیری متغیرهای کنترلی
متغیرهای کنترلی مورد استفاده متغیرهایی هستند که توانایی تحصیل سود و بازده کافی سرمایه گذاران برای سنجش سلامت مالی و مدیریت مؤثر شرکت به کار گرفته می شود. این متغیرها که بر فرصتهای رشد تاثیر گذار هستند به شرح زیر است :
ROA : (بازده داراییها) نسبت سود بعد از بهره و مالیات به دارایی ها
ROE :(بازده حقوق صاحبان سهام)نسبت درآمد خالص به حقوق صاحبان سهام
NI/NS : سود خالص بعد از بهره ومالیات تقسیم بر فروش خالص
DIV/TA :کل سود سهام تقسیمی تقسیم بر کل دارایی ها
NS/NFA : فروش خالص تقسیم بر خالص دارایی های ثابت
/TA LTD: بدهی های بلند مدت تقسیم بر کل دارایی ها
LOG_TA : لگاریتم طبیعی کل دارایی ها
NFA/TA : خالص دارایی های ثابت تقسیم بر کل دارایی ها
۳-۶ مدل های رگرسیونی داده های ترکیبی
واژه رگرسیون برای اولین بار توسط گالتون ، در سال ۱۸۷۷ به کار رفت. این واژه به معنی بازگشت بوده و نشان دهنده آن است که مقدار یک متغیر به متغیر دیگری مربوط است. مدلهای رگرسیون بر اساس این نظریه ساخته شده اند که اگر دو عامل با یکدیگر همبستگی داشته باشند، تغییر یکی با تغییر دیگری قرین خواهد شد. هر چه ارتباط دو عامل مذبور به یکدیگر نزدیکتر باشد، ضریب همبستگی تغییرات آن ها بزرگ تر و به حداکثر همبستگی یعنی ۱، نزدیکتر خواهد بود. بنابرین اگر روند گذشته نشان دهد که بین تغییر یک عامل و تغییرات چند عامل دیگر همبستگی معناداری وجود دارد، می توان تصور کرد که در آینده نیز همبستگی مذبور حفظ خواهد شد و اگر ضریب همبستگی مذبور را بدانیم، می توان اندازه تغییر عامل وابسته را نسبت به تغییر عامل مستقل مرتبط با آن، اندازه گیری و پیشبینی کنیم.
در اکثر مدلهای رگرسیونی، معمولا میخواهیم تغییرات یک متغیر(y) را بر حسب تعدادی از متغیرها (xها) که معتقدیم باعث تغییرات y می شود توضیح دهیم. اغلب این کار را در قالب یک تابع انجام میدهیم:
رابطه ۳-۱) y_i=f(x_it) k=1,2,…..,N i=1,2,…..,N
اندیس k تعداد متغیرهای توضیح دهنده را نشان میدهد. اغلب برای شروع، شکل این تابع را خطی فرض میکنند:
رابطه ۳-۲) y_i=β_۰+β_۱ x_1i+β_۲ x_2i+⋯+β_k x_ki+ε_i
در اینجا اندیس i نشان دهنده تعداد مشاهداتی است که از هر متغیر در دست داریم. تعداد مشاهدات میتواند بر حسب زمان باشد، در این صورت yt و xkt را داریم که هر متغیر در طول سال، فصل، ماه و …. اندازه گیری می شود و خواهیم داشت t,…,1,2 =t به عبارت دیگر yt و xkt سری زمانی میباشند. یعنی یک متغیر واحد که مقادیر آن در فاصله زمانی مورد نظر بر اساس یک مکانیزم معین (مثلا یک مکانیزم آماری) تولید می شود. در حالت دیگر می توان در یک زمان خاص، برای مثال در یک سال معین، یک متغیر را در یک جامعه آماری اندازه گیری کرد. در این حالت یک مقطع از جامعه را در یک زمان خاص پیمایش کرده ایم که به زبان فنی تر آن را برش مقطعی می گوئیم.
با اعمال فرض های کلاسیک رگرسیون، مدل مذکور برای یافتن βها یا ضرایب تابع، برآورد می شود. با نقض فروض کلاسیک با مشکلاتی چون همبستگی پیاپی جملات اخلال یعنی tɛ در مدل های سری زمانی و واریانس ناهمسانی در مدل های مقطعی روبرو میشویم. آزمون های آماری در مورد ضرایب، آماره های R2 و F رگرسیون و نظایر آن به تعدادی مشاهدات یعنی، T در مورد سری زمانی و N در مورد داده های مقطعی و تعداد پارامترها (βهای) برآورد شده بستگی دارد (۱+K پارامتر یا β در مدل (۱۲) برآورد میشوند)، اغلب با یک مشکل عمومی در این مدلها روبرو میشویم، متغیرهای توضیحی یعنی xها با یکدیگر همخطی دارند که باعث می شود مقادیر درست βها برآورد نشود و استنتاج با مشکل مواجه شود.
در مدل های پنل دیتا، متغیرها را هم در میان مقاطع جامعه آماری و هم در طول زمان اندازه گیری میکنیم. البته باید توجه داشت که متغیر ها باید در طول سالها یکسان بمانند که درصورت عدم رعایت آن پنل نامتوازن خواهد بود.
به این ترتیب با دو بعد سروکار داریم: بعد زمان و بعد مقاطع، که آن را داده های گروهی- زمانی نیز میگویند.
واضح است که تعداد مشاهدات از یک متغیر، چندین برابر شده است، یعنی از T یا N در داده های سری زمانی یا داده های مقطعی به N × T در داده های پانل، افزایش یافته است. متغیرها در عرض جامعه اندازه گیری می شود و واریانس عرض، اطلاعات زیادی برای آزمون فرضیات فراهم می آورد. در طول دوره زمانی نیز همین متغیر اندازه گیری شده و واریانس آن در طول زمان میتواند اطلاعات مفیدی از پویایی های متغیر مربوطه در طول زمان برای آزمون فرضیات با ماهیتی دیگر فراهم کند و امکان مدل سازی شبیه آنچه در ادبیات سری زمانی مطرح است به وجود آید.
برای آشنایی بیشتر با پانل دیتا ابتدا نماد مدل خطی پانل دیتا را نشان میدهیم و سپس به معرفی نمایش ماتریسی خواهیم پرداخت:
رابطه۳-۳) y_it=β_io+β_۱ x_1it+β_۲ x_2it+⋯+β_k x_kit+ε_it
که به زبان ماتریسی به صورت زیر است:
رابطه۳-۴) y_it=x_it β+ε_it i=1,…,N t=1,…,T
اندیس i برای افراد یا مقاطع ( تعداد N) و اندیس t برای زمان ( از ۱ تا T) در نظر گرفته شده است.
در ارامه لازم به بیان است که برای تخمین مدل ها بایستی بر اساس جدول شماره(۳-۳)روش مورد استفاده را بر اساس نوع داده ها انتخاب نموده و سپس بر اساس آن مدل های تصریح شده مورد آزمون قرار بگیرد.
نمودار شماره (۳-۱) : انتخاب روش تخمین
نوع داده ها
سری زمانی
مقطعی
ترکیبی
تابلویی
تلفیقی
آزمون F لیمر
اثرات ثابت
اثرات تصادفی
آزمون هاسمن
۳-۶-۱ آزمون F لیمر