شکل ۳-۱- در حالت توازن کمتر مالکیت

توازن بیشتر مالکیت

ویژگی های مدیران مستقل

پیش داوری ‌در مورد پیش‌بینی های عواید توسط مدیریت

درستی پیش‌بینی های عواید توسط مدیریت

شکل ۳-۲- در حالت توازن بیشتر مالکیت

۳ –۸ –۲– مدل های آماری تحقیق

از آنجایی که BIAS (پیش‌داوری ‌در مورد پیش‌بینی عواید توسط مدیریت) و FE (درستی پیش‌بینی عواید توسط مدیریت) متغیرهای پیوسته هستند، در این پژوهش از رگرسیون چندگانه و مدل های زیر به ترتیب دنبال خواهد شد.

مدل(۱)

مدل (۲)

۳ –۸ –۳- شیوه اندازه‌گیری متغیرها

۳ –۸ –۳ – ۱- متغیرهای وابسته

۳ –۸ –۳– ۲- متغیرهای مستقل

OUT= درصد مدیران مستقل در هیئت مدیره

اعضای موظف هیئت مدیره+ اعضای غیرموظف هیئت مدیره= کل اعضای هیئت مدیره

COMPEN₌اگر پاداش اعضای هیئت مدیره بیشتر از میزان متوسط صنعت باشد مساوی است با یک و در غیر این صورت صفر می‌باشد.

متوسط صنعت= جمع پاداش شرکت های بررسی شده تقسیم بر تعداد شرکت های بررسی شده.

CPA= اگر شرکت حداقل یک مدیر مستقل با مدرک لیسانس حسابداری داشته باشد مساوی است با یک در غیر این صورت صفر می‌باشد.

توازن مالکیت= توازن مالکیت با بهره گرفتن از نمره Z طبقه‌بندی خواهد شد، که مساوی با سهام‌های نگه داشته شده توسط بزرگترین سهامدار تقسیم بر مجموع سهام‌های نگه داشته شده توسط دومین تا پنجمین سهامدار بزرگ است. اگر نمره Z بزرگتر از حد متوسط صنعت همان سال نباشد، به گروه توازن بالاتر مالکیت در غیر این صورت به گروه توازن پائین‌تر مالکیت اختصاص داده می‌شود.

متوسط صنعت= جمع سهام های شرکت های موجود در صنعت مورد نظر تقسیم بر تعداد شرکت های موجود در صنعت مورد نظر.

۳– ۸–۳– ۳- متغیرهای کنترلی

MONTH= اگر پیش‌بینی‌های عواید(EPS ) شرکت قبل از پایان سال مالی انجام شود مساوی یک، اگر پیش‌بینی یک ماه بعد از پایان سال مالی (فروردین) انجام شود مساوی با ۲ و اگر پیش‌بینی‌ها بین اردیبهشت و تیرماه انجام شود مساوی ۳ است.

اندازه شرکت (لگاریتم طبیعی کل دارایی‌ها)

۳ -۹- تکنیک های تجزیه و تحلیل داده ها

پس از جمع‌ آوری داده ها محقق باید آن‌ ها را دسته‌بندی و تجزیه و تحلیل نماید، آنگاه به آزمون فرضیه‌هایی بپردازد که تا این مرحله تحقیق او را یاری کرده‌اند، تا پاسخی برای پرسش‌های تحقیق بیابد. تجزیه و تحلیل داده ها فرآیندی چند مرحله‌ای است که طی آن داده های گردآوری شده به طرق مختلف خلاصه، دسته‌بندی و در نهایت پردازش می‌شوند تا زمینه برقراری انواع تحلیل‌ها و ارتباط بین داده ها به منظور آزمون فرضیه‌ها فراهم آید. در این فرایند، داده ها هم از لحاظ مفهومی و هم از جنبه تجربی پالایش می‌شوند و روش‌های گوناگون آماری نقش به سزایی در استنتاج‌ها به عهده دارند. برای تجزیه و تحلیل داده های این تحقیق در مرحله اول، داده ها به لحاظ توصیفی مورد تجزیه و تحلیل قرار می‌گیرند. این بخش، شامل آماره‌های مرکزیت و پراکندگی داده‌هاست. برای آزمون فرضیه‌ها از رگرسیون مقطعی به روش حداقل مربعات جزیی استفاده شده است. تمامی آزمون‌ها به وسیله نرم‌افزارهای آماری Eviews 7 انجام شده‌اند.

۳- ۹ – ۱ – تخمین مدل‌های رگرسیون با داده های پنل

برای برآورد الگوهای رگرسیون خطی دو متغیره و چند متغیره معمولاً از روش کمترین مجذورات معمولی^[۳۷] که به اختصار با OLS نشان داده می‌شود، استفاده می‌گردد. این روش دارای ویژگی‌های مطلوب آماری مانند بدون تورش بودن، بهترین ‌برآورد کننده خطی بدون تورش یا BLUE بودن را دارا می‌باشد. اما برای رفع مشکلاتی همچون خود همبستگی جملات پسماند و ناهمسانی واریانس از روش کمترین مجذورات تعمیم گرفته، یعنی ^[۳۸]GLS استفاده می‌شود.

از ویژگی‌های مهم روش GLS رفع مشکلاتی همچون خود همبستگی و ناهمسانی واریانس می‌باشد به همین دلیل در این تحقیق در صورت لزوم از این روش استفاده شود.

روش GLSاقدام به موزون نمودن متغیرهای الگوی مدل رگرسیون می‌نماید. به همین دلیل روش مذکور را روش کمترین مجذورات موزون(Weighted LS یا WLS) می‌نامند(اشرف زاده و مهرگان،۱۳۸۷).

۳ – ۹– ۱-۱- مزایای استفاده از داده های تابلویی (ترکیبی)

بالتاگی مزایای استفاده از داده های تابلویی نسبت به داده های مقطعی یا سری زمانی را چنین بر می‌شمارد:

۱- از آنجا که داده های تابلویی به افراد، بنگاه‌ها، ایالات، کشورها و از این قبیل واحدها طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می‌شود. تکنیک‌های تخمین با داده های تابلویی، همان گونه که نشان خواهیم داد می‌توانند این ناهمسانی واریانس را با متغیرهای تکی و خاص مورد ملاحظه و بررسی قرار دهند.

۲- با ترکیب مشاهدات سری زمانی و مقطعی، داده های تابلویی با اطلاعات بیشتر، تغییر پذیری بیشتر،هم‌خطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیشتری را ارائه می‌دهند.

۳- با مطالعه مشاهدات مقطعی تکراری، داده های تابلویی به منظور مطالعه پویای تغییرات، مناسب‌تر و بهترند.

۴- داده های تابلویی تاثیراتی را که نمی‌توان به سادگی در داده های مقطعی وسری زمانی مشاهده کرد، بهتر نشان می‌دهند.

۵- داده های تابلویی محقق را قادر می‌سازند تا مدل‌های رفتاری پیچیده را بهتر مطالعه کنند.

۶- داده های تابلویی با ارائه داده برای هزاران واحد، می‌تواند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه‌ها(به صورت تجمعی و کلی) حاصل شود، حداقل سازند.

به طور کلی باید گفت داده های تجربی را به شکلی غنی می‌سازد که در صورت استفاده از داده های سری زمانی یا مقطعی این امکان وجود ندارد.

۳-۹-۱-۲ -آزمون های انتخاب مدل در پنل دیتا

۳ – ۹ -۱ – ۲-۱- آزمون چاو (آزمون F)

‌در مورد داده های ترکیبی ابتدا آزمون F(آزمون چاو) به منظور انتخاب شیوه تخمین مدل از بین دو راهکار Pooling وPanel انجام می­ شود.

در داده های ترکیبی اثرات زمانی و مقطعی داده ها و همچنین اثرات همزمان آن ها آزمون می شود.طبق مدل اثرات ثابت–زمانی برای هر یک از سال‌های یک عرض از مبدأ و طبق مدل اثرات ثابت–مقطعی برای هر یک از این شرکت‌ها یک عرض از مبدأ ارائه می‌شود.حال برای اینکه ببینیم این عرض از مبدأ‌ها از لحاظ آماری باهم تفاوت معنادار دارند یا خیر، آزمون چاو را به کار می‌گیریم.

‌بنابرین‏ فرضیه و به صورت زیر مطرح می شود:

:عرض از مبداها با هم تفاوت دارند↔ مدل اثرات ثابت زمانی یا مقطعی یا هر دو که مقادیر ثابت مدل (عرض از مبدأ) در هریک از حالت های فوق به شرح زیر می‌باشد:

1. 1. Pooled↔

1. 1. panelازنوع اثرات ثابت زمانی↔

1. 1. panelازنوع اثرات ثابت مقطعی↔

1. panelازنوع اثرات ثابت زمانی ‌و مقطعی↔

:H₁ تمام عرض از مبداها با هم برابرند↔Pooled

۳– ۹ –۱-۲-۲-آزمون White cross-section