تخمین مدل‌های رگرسیون با داده‌های پانل

 

گروه ج، گروهی هستند که امتیاز ۵۰۱ تا ۶۵۰ را کسب کرده اند و با عدد “۴” در مدل گذاشته می شوند.
گروه د، گروهی هستند که امتیاز ۰ تا ۵۰۰ را کسب کرده اند و با عدد “۴” نشان داده می شوند.
نحوه محاسبه این امتیازها و همچنین اسامی موسسات حسابرسی که در گروه های الف، ب، ج، د قرار گرفته اند طبق حروف الفبا در پیوست آورده شده است لازم به توضیح است اگر موسسه حسابرسی را در هیچ گروهی یافت نشد در گروه “د” جای می گیرد زیرا موسسات حسابرسی که اطلاعات و مدارک مورد نیاز را به جامعه حسابداران رسمی تحویل نداده است طبق قوانین جامعه در گروه “د” قرار می گیرند.
۳-۸-۳-متغیرهای کمکی
اندازه شرکت (SIZE): لگاریتم طبیعی از ارزش دارایی ها در پایان سال
اهرم مالی(LEV): نسبت کل بدهی‌ها به کل دارایی‌ها در پایان سال
۳-۹- تکنیک های تجزیه و تحلیل داده ها
۳-۹-۱- تخمین مدل‌های رگرسیون با داده‌های پانل
برای برآورد الگوهای رگرسیون خطی دو متغیره و چند متغیره معمولاً از روش کمترین مجذورات معمولی که به اختصار با OLS نشان داده می‌شود، استفاده می‌گردد. این روش دارای ویژگی‌های مطلوب آماری مانند بدون تورش بودن، بهترین برآوردکننده خطی بدون تورش یا BLUE بودن را دارا می باشد. اما برای رفع مشکلاتی همچون خود همبستگی جملات پسماند و ناهمسانی واریانس از روش کمترین مجذورات تعمیم گرفته، یعنی 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 شده است.
روش GLS اقدام به موزون نمودن متغیرهای الگوی مدل رگرسیون می کند. به همین دلیل روش مذکور را روش کمترین مجذورات موزون (Weighted LS یا WLS) می‌نامند. (شیرینبخش و خوانساری، ۱۳۸۴).
۳-۱۰- مزایای استفاده از داده های تابلویی (ترکیبی)
بالتاگی مزایای استفاده از داده‌هایتابلویی نسبت به داده‌های مقطعی یا سری زمانی را چنین بر می‌شمارد:
۱- از آنجا که داده‌های 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 داده‌های تابلویی، همانگونه که نشان ئائه خواهد شد می‌توانند این ناهمسانی واریانس را با متغیرهای تکی و خاص مورد ملاحظه و بررسی قرار دهند.
۲- با ترکیب مشاهدات سری زمانی و مقطعی، داده‌های 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، داده‌های تابلویی به منظور مطالعه پویای تغییرات، مناسب‌تر و بهترند.
۴- داده‌های تابلویی تاثیراتی را که نمی‌توان به سادگی در داده‌هایمقطعی وسری زمانی مشاهده کرد، بهتر نشان می‌دهند.
۵- داده‌های تابلویی محقق را قادر می‌سازد تا مدل‌های رفتاری پیچیده را بهتر مطالعه کند.
داده‌های 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.