رابطه بین روش های تامین مالی (سودانباشته، انتشار سهام و استقراض)و بازده …

رابطه بین روش های تامین مالی (سودانباشته، انتشار سهام و استقراض)و بازده  …

اصطلاح تأثیرهای ثابت ناشی از این حقیقت است که با وجود تفاوت عرض از مبدأ میان شرکت ها، اما عرض از مبدأ هر شرکت طی زمان تغییر نمی کند، یعنی طی زمان بی تغییر است. حالت کلی این رگرسیون به صورت زیر است :
i = 1 , 2, 3 , … , N
t = 1 , 2 , 3, … , T

  1. مدل تأثیرهای تصادفی (REM)[36]یا مدل اجزای خطا (ECM)[37]

در روش اثرهای تصادفی فرض می شود عرض از مبدأ یک واحد تکی انتخابی تصادفی از جامعه ای بزرگ‎تر با یک میانگین ثابت بیان می شود. حالت کلی این مدل به صورت زیر است :
i = 1 , 2, 3 , … , N
t = 1 , 2 , 3, … , T
در مشاهده های مختلف، فرض می کنیم در هر مشاهده عرض از مبدأ به صورت زیر تغییر می کند : ۰ برای در نظر گرفتن تفاوت این مدل با روش حداقل مربعات تعمیم یافته برآورد می شود (گجراتی، ۱۳۹۰).
i = 1 , 2, 3 , … , N
انتخاب مدل مناسب در داده های تلفیقی– چالش پیش روی محقق عبارت است از این که کدام مدل بهتر است؟ موندلاک (۱۹۶۱) و والاک و هاسین [۳۸] (۱۹۶۹) از مدل اثرات ثابت حمایت کرده و بالسترا و نرلاو [۳۹](۱۹۶۶) به طرفداری از مدل اثرات تصادفی پرداختند (Baltaghi, 2005). به منظور تعیین نوع مدل، از بین مدل های معتبر با توجه به تفاوت درجه آزادی، بر اساس معیار R، بهترین مدل با استفاده از آزمون هاسمن[۴۰] انتخاب شده است.
۳-۷-۲) آزمون پایایی متغیرها و اهمیت آن-در این جا ابتدا مفهوم پایایی (مانایی) یک سری زمانی را بررسی می شود که به دنبال آن بحث آزمون ریشه واحد مطرح می‌گردد. برآورد ضرایب الگو با استفاده از داده‌های سری زمانی بر این فرض استوار است که متغیرهای الگو پایا هستند. متغیر سری زمانی وقتی پایا است که میانگین، واریانس و کواریانس آن در طول زمان ثابت باقی بماند.
پایایی یا ناپایایی یک سری زمانی می‌تواند تأثیر جدی بر رفتار و خواص آن داشته باشد. وقتی یک شوک به یک سری زمانی پایا (مانا) وارد می‌شود، اثرات آن بر متغیر مورد نظر میرا است و به تدریج از بین می‌رود. یعنی اثر شوک مورد نظر در طی زمان t کمتر از اثر آن در زمان t+1 است. در مقابل، داده‌های ناپایا به گونه‌ای هستند که دوام و ماندگاری شوک‌های وارده نامحدود است، به طوری که اثر یک شوک در زمان t کمتر از اثر آن در زمان t+1 نخواهد بود (ابراهیمی، ۱۳۷۸).
آزمون پایایی متغیرها به منظور جلوگیری از ایجاد رگرسیونهای کاذب صورت می‌گیرد. اگر متغیرهای سری زمانی مورد استفاده در بر آورد ضرایب مدل ناپایا باشند در عین حال که ممکن است هیچ رابطه مفهومی بین متغیرهای مدل وجود نداشته باشد ضریب تعیین ()به دست آمده آن میتواند بسیار مبهم باشد و موجب شود تا محقق استنباطهای نادرستی در مورد میزان ارتباط بین متغیرها انجام دهد. همچنین، وجود متغیرهای ناپایا درمدل سبب می‌شود تا آزمون‌های t و f نیز از اعتبار لازم برخوردار نباشند. در چنین شرایطی کمیت بحرانی ارائه شده توسط توزیع‌های f وt کمیت بحرانی صحیحی برای انجام آزمون نیستند.
کمیت‌های بحرانی منتج از توزیع‌های t وf به گونه‌ای است که با افزایش حجم نمونه امکان رد هر چه بیشتر فرضیه را فراهم میآورد. با رد نادرست فرضیه نتیجهگیری میشود که روابط مستحکم و معنیداری بین متغیرهای مدل وجود دارد، درحالی که واقعیت جز این است و رگرسیون به دست آمده، رگرسیون کاذبی بیش نیست، از مشخصههای معمول یک رگرسیون کاذب، داشتن ضریب تعیین بالا (نزدیک به یک) و آماره دوربین واتسون DW)) پایین (نزدیک به صفر) است.
دلیل بزرگ بودن () آن است که وقتی یک سری زمانی نظیر دارای روند است کل پراکندگی رگرسیون (یعنی  ) حول میانگین ثابتY محاسبه میشود. که به غلط در طول زمان پایا فرض شده است. این امر وزن زیاد به مشاهداتی میدهد که از میانگینY فاصله دارند، درنتیجه کل پراکندگی محاسبه شده، بسیار بزرگ میشود.
از آن جا که ضریب تعیین (R2) به صورت  تعریف میشود، که در آن () جملات خطای رگرسیون است، وقتی  بزرگ میشود، جمله داخل کروشه فوق کوچک میشود و در نهایت R2 بالایی به دست میآید.
یکی از آزمونهایی که برای تعیین پایایی و ناپایایی یک متغیر استفاده میشود آزمون ریشه واحد است که در ادامه توضیح داده شده است.
 

برای دانلود متن کامل این پایان نامه به سایت  fumi.ir  مراجعه نمایید.

مدیر سایت