۳-۱۱-۱-۱٫ روش اثراث ثابت

در روش اثرات ثابت فرض بر این است که ضرایب مربوط به متغیرها (شیب‌ها) ثابت هستند و اختلافات بین واحدها را می‌توان به صورت تفاوت عرض از مبداء نشان داد. برای برآورد روش اثرات ثابت از مدل حداقل مربعات متغیر مجازی استفاده می‌شود. مدل اخیر یک مدل رگرسیونی کلاسیک بوده و هیچ شرط جدیدی برای تجزیه و تحلیل آن لازم نیست و از طریق روش حداقل مربعات معمولی قابل برآورد می‌باشد.

۳-۱۱-۱-۲٫ روش اثرات تصادفی

مدل‌های اثرات ثابت تنها درصورتی منطقی خواهد بود که ما اطمینان داشته باشیم که اختلاف بین مقاطع را می‌توان به صورت انتقال تابع رگرسیون نشان داد، در حالی که همیشه نمی‌توان از وجود این موضوع مطمئن بود. برای رفع این مشکل مدل اجزاء خطا یا اثرات تصادفی پیشنهادشدهاست. این روش فرض می‌کند که جزء ثابت مشخص کننده مقاطع مختلف به صورت تصادفی بین واحدها و مقاطع توزیع شده است.

۳-۱۱-۱-۳٫ آزمون چاو

در بررسی داده های مقطعی و سری‌های زمانی، اگر ضرایب اثرات مقطعی و اثرات زمانی معنادار نشود، می‌توان داده ها را با یکدیگر ترکیب کرده و به وسیله یک رگرسیون حداقل مربعات معمولی تخمین بزنیم. از آنجایی که در اکثر داده های ترکیبی اغلب ضرایب مقاطع یا سری‌های زمانی معنادار هستند این مدل که به مدل رگرسیون ترکیب شده معروف است کمتر مورد استفاده قرار می‌گیرد (یافی^[۷۰]، ۲۰۰۳). لذا برای اینکه بتوان مشخص نمود که آیا داده های پانل جهت برآورد تابع مورد نظر کارآمدتر خواهد بود یا نه، فرضیه‌ای را آزمون می‌کنیم که در آن کلیه عبارات ثابت برآورد با یکدیگر برابر هستند. در این آزمون فرضیه یعنی یکسان بودن عرض از مبداء ها در مقابل فرضیه یعنی ناهمسانی عرض از مبداءها قرار می‌گیرد. در صورتی که فرضیه پذیرفته شود به معنی یکسان بودن شیب‌ها برای مقاطع مختلف بوده و قابلیت ترکیب شدن داده ها و استفاده از مدل رگرسیون ترکیب شده مورد تأیید آماری قرار می‌گیرد. اما در صورت رد فرضیه روش داده های پانل پذیرفته می‌شود و می‌توان از روش داده های پانل استفاده کرد.

۳-۱۱-۱-۴٫ آزمون هاسمن

به منظور اینکه مشخص گردد کدام روش (اثرات ثابت و یا اثرات تصادفی) جهت برآورد مناسب‌تر است (تشخیص ثابت یا تصادفی بودن تفاوت های واحدهای مقطعی) از آزمون هاسمن استفاده می‌شود. در روش اثرات تصادفی بار متغیرهای حذف شده روی جمله اخلال قرار می گیرند، اما این مشروط بر آن است که بین متغیرهای مستقل و مؤلفه خطای مقطعی همبستگی وجود نداشته باشد. آزمون هاسمن وجود این همبستگی را بررسی می‌کند. این آزمون مبتنی بر این فرض اولیه است که در صورت وجود همبستگی، روش اثرات ثابت سازگار و روش اثرات تصادفی ناسازگار است.

فرضیه صفر در آزمون هاسمن به صورت زیر خواهد بود:

فرضیه صفر ‌به این معنی است که ارتباطی بین جزء اخلال مربوط به عرض از مبدأ و متغیرهای توضیحی وجود ندارد و آن‌ ها از یکدیگر مستقل هستند. در حالی که فرضیه مقابل ‌به این معنی است که بین جزء اخلال مورد نظر و متغیرهای توضیحی همبستگی وجود دارد. از آنجایی که به هنگام وجود همبستگی بین اجزاء اخلال و متغیر توضیحی با مشکل اریبی و ناسازگاری مواجه می‌شویم، ‌بنابرین‏ بهتر است در صورت پذیرفته شدن (رد) از روش اثرات ثابت استفاده کنیم. هنگامی که بین اجزاء اخلال و متغیر توضیحی همبستگی وجود نداشته باشد ( قبول)، هر دو روش اثرات ثابت و اثرات تصادفی سازگار هستند ولی روش اثرات ثابت ناکارآ بوده و بایستی از روش اثرات تصادفی استفاده شود (بالتاجی، ۱۹۹۵).

۳-۱۱-۲٫ آزمون معنادار بودن مدل

برای بررسی معنادار بودن مدل رگرسیون از آماره Fاستفاده شده است. فرضیه صفر در آزمون Fبه صورت زیر خواهد بود:

که به وسیله آماره زیر صحت آن مورد بررسی قرار می‌گیرد:

1. 1. Spence and Zeckhauser ↑

1. 1. Jensen and Meckling ↑

1. 1. Fazzari et al ↑

1. 1. Chan et al ↑

1. 1. Shleifer and Vishny ↑

1. 1. Sitthipongpanich ↑

1. 1. Francis et al ↑

1. 1. Modigliani and Miller ↑

1. 1. Crespi and Scellato ↑

1. 1. Hovakimian and Hovakimian ↑

1. 1. Vafeas ↑

1. 1. Gompers et all ↑

1. 1. Deakin and Konzelmann ↑

1. 1. Fama and Jensen ↑

1. 1. Shleifer and Vishny ↑

1. 1. Balatbat et all ↑

1. 1. Perkinson ↑

1. 1. Hapb et al ↑

1. 1. Terry Gray ↑

1. 1. Megginson ↑

1. 1. Mangz and NellMenu ↑

1. 1. Warfield and et al ↑

1. 1. Huddart ↑

1. 1. Admati and et al ↑

1. 1. Maug ↑

1. 1. Haugen and Senbet Lemma ↑

1. 1. Gillan and Starks ↑

1. 1. Short and et al ↑

1. 1. Henry ↑

1. 1. Kirzner ↑

1. 1. Seldon ↑

1. 1. Smith ↑

1. 1. Berle and Means ↑

1. 1. Ross et al ↑

1. 1. British Management Buyouts ↑

1. 1. Kaplan ↑

1. 1. DeAngelo and Rice ↑

1. 1. Lehn and Poulsen ↑

1. 1. Lowenstein ↑

1. 1. Levy and Sarnat ↑

1. 1. Lasfer ↑

1. 1. Abdussalam ↑

1. 1. Chen et al ↑

1. 1. Denis and Sarin ↑

1. 1. Florackis et al ↑

1. 1. Ruan et al ↑

1. 1. Hasan and Butt ↑

1. 1. La Porta and et al ↑

1. 1. Frith et al ↑

1. 1. Chaw and Leong ↑

1. 1. Kaster ↑

1. 1. Gordon ↑

1. 1. Maxolf and Stowart ↑

1. 1. Myers and Majluf ↑

1. 1. Pawlina ↑

1. 1. Kadapakkam et al ↑

1. 1. Hubbard ↑

1. 1. Pawlina and Renneboog ↑

1. 1. Lee ↑

1. 1. Agca and Mozumdar ↑

1. 1. Kalatzis et al ↑

1. 1. Duchin et al ↑

1. 1. YKuo and Hung ↑

1. 1. Ding and Qian ↑

1. 1. Paligorova ↑

1. 1. Kroes and Manikas ↑

1. 1. Ben Mohamed et al ↑

1. 1. Bayraktar ↑

1. 1. Baltagi ↑