دسترسی متن کامل – نقش مدیریت ریسک مالی بر ارزش شرکت ها- قسمت ۱۴

۳-۶) روش تجزیه و تحلیل داده ها
تجزیه و تحلیل داده ها ، فرآیندی چند مرحله ای است که طی آن داده هایی که از طریق به کارگیری ابزارهای جمع آوری در نمونه (جامعه) آماری ، فراهم آمده اند ، خلاصه و دسته بندی و در نهایت پردازش می شوند تا زمینه برقراری انواع تحلیل ها و ارتباط بین این داده ها به منظور آزمون فرضیه ها فراهم آید . در این فرآیند ، داده ها هم از لحاظ مفهومی و هم از جنبه تجربی پالایش می گردند و تکنیک های گوناگون آماری ، نقش مهمی در استنتاج و تعمیم ها برعهده دارند (خاکی،۱۳۸۷،ص ص ۳۰۶-۳۰۵). صورت های مالی شرکت ها شامل ترازنامه ، صورت سود و زیان و یادداشت های همراه صورت های مالی در پایان هر سال مالی (۲۹ اسفندماه) به عنوان ابزار تحقیق مورد استفاده قرار گرفته است .
به منظور تجزیه وتحلیل داده های گردآوری شده می توان از دو روش استفاده نمود :
۳-۶-۱) آمار توصیفی[۱۹۹]– آمار توصیفی به مجموعه ای از فنون و روش های آماری اطلاق می شود که به منظور ساماندهی (خلاصه و تنظیم نمودن) داده ها از طریق جدول های توزیع فراوانی ، نمایش داده ها از طریق رسم نمودارها و بیان خصوصیت ها و ویژگی های مهم داده ها از طریق معیارهای آماری ، به توصیف داده های حاصل از تمام عنصرهای مجموعه ی مورد بررسی یا بخشی از آن جامعه یا نمونه می پردازد (بامبی مقدم،۱۳۹۰،ص۲) . آمار توصیفی ارائه شده در این تحقیق شامل آماره های گرایش به مرکز است .
۳-۶-۲) آمار استنباطی[۲۰۰]– در تحلیل آمار استنباطی همواره نظر بر این است که نتایج حاصل از مطالعه گروه کوچکی به نام نمونه ، چگونه به گروه بزرگتری به نام جامعه تعمیم داده شود و مباحثی مانند همبستگی مدنظر قرار دارد (حافظ نیا،۱۳۸۰،ص۲۴۲) . به طور کلی هدف آمار استنباطی ، انجام یک آزمون معنادار بودن به لحاظ آماری و نیز استنباط هایی درباره ی اطلاعات جمع آوری و تنظیم شده از جامعه برای تبیین و تصمیم گیری است (بامبی مقدم،۱۳۹۰،ص۲) .
در این تحقیق در گام اول از روش های آمار توصیفی در تنظیم داده ها در جداول توزیع فراوانی و محاسبه شاخص های تمرکز و پراکندگی استفاده شده است . سپس در گام بعدی جهت تجزیه و تحلیل داده ها از تکنیک های آمار استنباطی استفاده می شود .
برای آزمون فرضیه های تحقیق از مدل رگرسیون چند متغیره استفاده شده است . این مدل به صورت زیر
می باشد :
Vjt = β۰ + β۱Djt + β۲QRjt + β۳ALRjt +β۴CEjt۵CRjt۶ROAjt + ℰjt
Vjt = ارزش شرکت
Djt = استفاده از ابزار مشتقه
jt QR = نسبت آنی
=ALRjt نسبت بدهی
CEjt=هزینه سرمایه
CRjt= تمرکز مالکیت
ROAjt=سوددهی(بازده دارایی)
j = جمله خطای تصادفی
در این تحقیق از داده های پانلی با استفاده از نرم افزار۷ Eviews استفاده شده است . محققین می توانند از داده‌های پانلی برای مواردی که مسائل را نمی توان صرفا به صورت سری زمانی یا برش های مقطعی بررسی کرد ، بهره گیرند . مثلا در بررسی تابع تولید مساله ای که وجود دارد این است که بتوان تغییرات تکنولوژیک را از صرفه‌های به مقیاس تفکیک کرد . در این گونه موارد داده‌های مقطعی فقط اطلاعاتی را در مورد صرفه‌های به مقیاس فراهم می آورد. در حالی که داده‌های سری زمانی اثرات هردو را بدون هیچ گونه تفکیکی نشان می دهد . تلفیق داده‌های سری زمانی با داده‌های مقطعی نه تنها می تواند اطلاعات سودمندی را برای تخمین مدل های اقتصادسنجی فراهم آورد ، بلکه بر مبنای نتایج به دست آمده می توان استنباط‌های سیاست گذاری در خور توجهی نیز به عمل آورد .
داده‌های پانلی حاوی اطلاعات بیشتر ، تنوع گسترده تر و هم خطی کمتر میان متغیرها بوده و در نتیجه کاراتر می باشند . در حالی که در سری های زمانی هم خطی بیشتری را بین متغیرها مشاهده می کنیم . با توجه به این که داده‌های پانلی ترکیبی از سری‌های زمانی و مقطعی می باشد ، بعد مقطعی موجب اضافه شدن تنوع زیادی شده و در نتیجه برآوردهای معتبرتری را می توان انجام داد . در اینجا تعداد مشاهدات ما به NT افزایش یافته که منجر به برآوردهای کاراتری از متغیرها می شود . این امر را می توان در محاسبه واریانس جامعه مشاهده کرد . در داده‌های سری زمانی این واریانس به صورت σ۲۲/N-K محاسبه می‌شود ولی در داده‌های پانلی به صورت σ۲۲/NT-N-K قابل محاسبه است . چون مخرج کسر دومی بزرگتر از کسر اولی است ، پس واریانس داده‌های پانلی کمتر بوده و بنابراین تخمین کاراتری خواهد داشت. داده‌های پانلی امکان طراحی الگوهای رفتاری پیچیده تری را فراهم می کنند و امکان بیشتری را برای شناسایی و اندازه گیری اثرات فراهم می کنند که با اتکای صرف به آمارهای مقطعی یا سری زمانی به سادگی قابل شناسایی نیستند . نمونه مدلی که برای توضیح رفتار متغیرها در این نوع داده‌ها می توان ساخت به صورت زیر است :
β = بردار k×۱ از پارامترها
Xit = بردار k×۱ از مشاهدات مربوط به متغیرهای توضیحی( t=1,2,…,T و i=1,2,…,N )
فرض بر این است که جمله اخلال(uit) یک نوفه سفید[۲۰۱] است .
قبل از هر چیز باید نوع داده ها از جهت پانل و یا پولین بودن مشخص گردد که برای این منظور از آزمون لیمر استفاده خواهد شد که دارای آماره F می باشد . در این جا دو حالت وجود د

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

ارد یا داده های ما از نوع پولینگ می باشند که باید با استفاده از روش اثرات مشترک تخمین زده شوند ، و یا داده ها از نوع پانل هستند که باید با استفاده از یکی از دو روش اثرات ثابت و یا اثرات متغیر که در ادامه ارائه شده اند تخمین زده شوند (عزت الله لطفی، ۱۳۹۱،ص ۹۶) .
نخست مدل اثرات ثابت که در آن αi های N پارامتر، نامعلوم ولی ثابت هستند و دیگری مدل اثرات تصادفی که در آن عرض از مبدا ثابت نبوده و تصادفی است و همچنین مستقل از متغیرهای توضیحی می باشد .
مدل اثرات ثابت- در این مدل هر یک از مولفه‌ها یک مقدار ثابت مخصوص به خود دارد و به دلیل آن که برای کار کردن با هر یک از این مقادیر ثابت ، یک متغیر مجازی در نظر گرفته می شود ، تخمین زن اثرات ثابت ، تخمین زن متغیرهای مجازی حداقل مربعات(LSDV) نیز نامیده می شود . این مدل را می توان به شکل زیر نوشت :
=D ماتریس متغیرهای مجازی با ابعاد NT×N
= ماتریس متغیرهای توضیحی با ابعاد NT×k
β = ماتریس ضرایب با ابعاد k×۱
مدل اخیر یک مدل رگرسیونی کلاسیک بوده و هیچ شرط جدیدی برای تجزیه و تحلیل آن لازم نیست و می توان مدل را با استفاده از OLS برآورد کرد .
مزیت مدل با اثرات ثابت این است که می تواند اثراتی را که در هر یک از مؤلفه‌ها متفاوت است ولی در طول زمان تغییر نمی کند ، نشان دهد . البته پس از تشکیل مدل دیگر نمی توان به آن متغیری افزود که در طول زمان تغییر نکند ، چرا که با اثرات ثابت موجود هم خطی کامل پیدا خواهد کرد . از سوی دیگر عیب چنین مدلی این است که در آن باید برای هریک از متغیرهای مجازی یک ضریب و در مجموع N ضریب تخمین زد . این امر هنگامی که تعداد مؤلفه‌ها یعنی N خیلی زیاد باشد ، که معمولاً نیز چنین است ، مسئله ساز خواهد شد.
برای برطرف کردن این مشکل یک راه آن است که میانگین زمانی هر یک از متغیرها را از مقدار اصلی آن ها کم نمود . با این کار به مدلی خواهیم رسید که فاقد عرض از مبدأ بوده و می توان روش حداقل مربعات معمولی را برای آن اجرا نمود و روش دیگر آن است که از تفاضل مرتبه اول متغیرها به جای آن ها در مدل استفاده نمود . دراین صورت نیز عرض از مبدأ از مدل حذف می‌شود و مشکل تعداد زیاد پارامترها برای تخمین نیز برطرف می گردد :
مدل اثرات تصادفی- یک روش جایگزین برای تخمین مدل اثرات ثابت ، تخمین مدل اثرات تصادفی است . تفاوت چنین مدلی با اثرات ثابت این است که در آن عرض از مبدأ مختص هر یک از متغیرها مقادیر ثابتی نیستند ، بلکه به صورت تصادفی انتخاب می شوند . لذا مقدار αi در مدل کلی برابر است با αit= uit +vit که در آن vit یک متغیر تصادفی نوفه سفید با میانگین صفر و واریانس σ۲ است . یک فرض مهم این است که متغیر vit باید مستقل از متغیرهای توضیحی و اجزای خطای uit باشد . اگر vit ها با متغیرهای توضیحی همبسته باشند ، آنگاه تخمین زن‌های اریب و ناسازگاری به دست خواهند آمد . از سوی دیگر مزیت این مدل بر مدل اثرات ثابت آن است که تعدادپارامترهای کمتری باید تخمین زده شود .
فرم کلی چنین مدلی به صورت روبرو می باشد:
برای تخمین این مدل باید توجه داشت که در این حالت واریانس‌های مربوط به مقاطع مختلف با هم یکسان نبوده و مدل ما دچار واریانس ناهمسانی می‌باشد که باید از با استفاده از برآوردگر GLS آن را تخمین زد . به صورت زیر:
∑= واریانس uit
Ι= ماتریس واحد
Ω= ماتریس واریانس-کوواریانس
با معرفی این دو روش سؤالی که پیش می آید این است که در عمل ما بایستی کدام یک از روش های مذکور را استفاده کنیم . برای تصمیم گیری از آزمون هاسمن استفاده می گردد .