۰٫۰۰

۰٫۰۰

۰٫۰۰

۰٫۰۰

۰٫۰۰

۰٫۰۰

تعداد مشاهدات

۸۵۶

در نهایت، در آزمون جارک- برا، سطح خطای محاسبه شده کوچکتر از ۰٫۰۵ است، نشان دهنده توزیع غیر نرمال برای متغیرهای تحقیق می باشد. ما با بهره گرفتن از روش تبدیل جانسون سعی در نرمالسازی متغیرهای وابسته نمودیم که تنها متغیر وابسته GOI با بهره گرفتن از این روش نرمال شد. نتایج نرمالسازی این متغیر در جدول ۴-۲ ارائه شده است:

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

جدول ۴-۱-۲٫ نتایج حاصل از آزمون جارک برا

عنوان متغیر

علامت اختصاری

آماره

سطح معناداری

بازده ناخالص دارایی های غیرمالی

GOI

۱٫۴۵

۰٫۴۸

به طور کلی، با توجه به زیاد بودن تعداد نمونه و استناد به قضیه حد مرکزی، عدم نرمال بودن متغیرها توجیه می گردد.
۴-۳٫ نتایج آزمون های اولیه
در این بخش رابطه بین متغیرهای چرخه تبدیل وجه نقد، دوره پرداخت بدهی، دوره وصول مطالبات و دوره گردش موجودی کالا با سودآوری شرکت را با بهره گرفتن از داده های ترکیبی برای ۱۰۷ شرکت طی دوره ۱۳۸۵-۱۳۹۲ مورد آزمون قرار می دهیم. برای این منظور ابتدا خواص آماری داده های ترکیبی را به لحاظ مانایی یا وجود ریشه واحد مورد بررسی قرار داده، سپس رابطه بلندمدت میان متغیرها را مبتنی بر رویکرد هم انباشتگی تابلویی آزمون می کنیم. در پایان نیز عدم هم خطی میان متغیرهای مستقل را مورد بررسی قرار می دهیم.
۴-۳-۱٫ آزمون ریشه واحد
داده های مورد استفاده در مطالعات اقتصاد سنجی را می توان به سه دسته داده های سری زمانی، مقطعی، پانلی تقسیم بندی کرد. به استثنای داده های مقطعی، در بقیه داده ها باید آزمون ریشه واحد صورت گیرد(صمدی،۱۳۸۸، ۲۵).
روش­های سنتی اقتصادسنجی در برآورد ضرایب یک الگو، مبتنی بر پایا^[۴۵] (مانا) بودن سری­های زمانی می­باشند. متغیر سری­زمانی وقتی مانا است که میانگین، واریانس، کواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باشد و مهم نباشد که در چه مقطعی از زمان، این شاخص ­ها را محاسبه کنیم. امّا از طرفی، «بررسی­هایی که از سال­های ۱۹۹۰ به بعد انجام شده، نشان داده است که بسیاری از متغیرهای سری­زمانی در اقتصاد مانا نیستند»(هژبر کیانی، ۱۳۷۶، ۵۲). به عبارتی دیگر، میانگین و واریانس این سری­ها در طول زمان متغیر بوده و کواریانس آن­ها در ازای وقفه­های مشخص، ثابت نیست که از این خصوصیات به عنوان نامانا^[۴۶] بودن سری­های زمانی یاد می­ شود. اگر سری­های زمانی مورد استفاده در برآورد ضرایب الگو نامانا باشند، برآورد الگو با چنین متغیرهایی ممکن است به رگرسیون کاذب^[۴۷] منجر شود؛ بدین معنی که ممکن است ضریب تعیین به دست آمده از الگوی برآوردی بسیار بالا بوده، ولی هیچ رابطۀ معنی­داری بین متغیرهای الگو وجود نداشته باشد. عدم توجه به چنین نکته­ای، موجب گمراهی محقق و استنباط­های غلط در مورد ارتباط بین متغیر­ها خواهد شد. از این رو قبل از استفاده از این متغیرها لازم است نسبت به مانایی یا عدم مانایی آنها اطمینان حاصل کرد.(نوفرستی ،۱۳۷۸، ص۸۶)
همانطور که اشاره شد یکی از راه های اجتناب از رگرسیون کاذب ،اطمینان از ایستایی داده ها است از اینرو قبل از تخمین مدل ، خواص آماری داده ­های پانل، به لحاظ مانایی یا وجود ریشه واحد مورد بررسی قرار می­گیرند. برای این منظور ما از هر چهار آزمون ریشه واحد استفاده کرده ایم. در همه این آزمون ها، فرضیه صفر نشان دهنده وجود یک ریشه واحد می باشد. نتایج حاصل از آزمون ریشه واحد برای متغیرهای مدل (به جزء متغیرهای مجازی) در جدول ۴-۲ ارائه شده است. همانطور که مشاهده می شود، تمامی متغیرها در سطح مانا بودند؛ متغیرهای AR و DEBT نیز در ۳ آزمون از ۴ آزمون مانا بودند که آنها را هم مانا در سطح محسوب نمودیم. اما گردش موجودی کالا(INV) و اندازه (SALES) مانا نبودند که با یکبار تفاضل گیری مانا شدند.

جدول ۴-۲٫ نتایج آزمون ریشه واحد

متغیر

نام آزمون

آماره آزمون

P-Value

نتیجه آزمون