نقش ترجیحات سرمایه‌ گذاران نهادی در تصمیم گیری آنها در بورس اوراق …

در این رابطه،  جمله خطای تصادفی با میانگین صفر و واریانس  است. فرض اساسی در مدل تاثیرات تصادفی این است که مقاطع مورد مطالعه متعلق به جامعه ای بزرگتر هستند و میانگین مشترکی برای عرض از مبدأ دارند. اختلاف در مقادیر عرض از مبدأ هر مقطع در جمله خطای (  ) منعکس می‌شود. بر اساس مدل اثرات تصادفی، رابطه (۲) این چنین خواهد بود:
 
(رابطه ۵)
 
 
 
جمله خطای ترکیبی  متشکل از دو جزء  (خطاهای مقطعی) و  (خطای ترکیبی) می‌باشد. مدل اجزاء خطا به این سبب خوانده می‌شود که جمله خطای ترکیبی (  ) از دو و یا چند جزء خطا تشکیل شده است. بایستی توجه کرد که در این حالت واریانس های مربوط به مقاطع مختلف برابر نبوده و مدل دچار ناهمسانی واریانس خواهد بود.لذا به جای استفاده از روش ols، بایستی از روش حداقل مربعات تعمیم یافته GLS استفاده شود.
چند نکته در مورد روش های اثرات ثابت و تصادفی قابل ذکر است (ابونوری و قاسمی،۱۳۸۷):
۱)در روش اثرات تصادفی نبایستی بین جمله خطاهای مقطعی و متغیرهای توضیحی الگو رابطه وجود داشته باشد.درحالی که در روش اثرات ثابت این رابطه می تواند وجود داشته باشد. همان طور که قبلا نیز گفته شد، در روش اثرات ثابت باید جمله عرض از مبدأ طی زمان ثابت باشد در حالی که در روش اثرات تصادفی عرض از مبدأ می تواند طی زمان تغییر کند.
۲) در روش اثرات ثابت نمی توان از متغیر موهومی استفاده کرد، زیرا با متغیرهای موهومی که برای عرض از مبدأ در این مدل به کاربرده می‌شود، همخطی پیدا خواهد کرد. این در حالتی است که در روش اثرات تصادفی می توان از این نوع متغیر استفاده نمود.
در پایان لازم به ذکر است که برای انتخاب بین روش اثرات ثابت و تصادفی می توان از آزمون هاوسمن[۶۵]۱ استفاده کرد:
(رابطه ۶)
در این رابطه  و  به ترتیب بردار ضرایب در روش اثرات ثابت و تصادفی،  و  به ترتیب کوواریانس ضرایب در روش اثرات ثابت و تصادفی می باشند. همانگونه که ملاحظه می گردد نتایج آزمون هاوسمن دارای توزیع جانبی x2 (خی دو) می‌باشد و تعداد درجات آزادی آن برابر با تعداد متغیرهای توضیحی (k) مدل است. در این آزمون فرضیات زیر آزمون می گردد:
H0: روش اثرات تصادفی کاراتراست.
H1: روش اثرات ثابت کاراتراست.
البته آزمون دیگری به نام آزمون LM وجود دارد که از آن نیز استفاده می‌کنند. آزمون LM به روش بروش-پاگان برای انتخاب بین دو روش اثرات مشترک و اثرات تصادفی با استفاده از باقیمانده های مدل اثرات مشترک قابل محاسبه می‌باشد:
(رابطه۷)
 
e: باقیمانده مقادیر مشاهده شده و پیش بینی شده در مدل اثرات مشترک است. بقیه عوامل دقیقاًًًً همانند عوامل معادله (۳) و یا همان آزمون Fمی‌باشد. این آماره نیز دارای توزیع خی دو (x2 ) با درجه آزادی یک می‌باشد. چنانچه آماره LM محاسبه شده بیشتر از آماره مقدار بحرانی در سطح ۹۵% باشد بدین مفهوم است که تفاوت بین مقاطع تصادفی است یعنی اینکه عرض از مبدأها متفاوت نبوده، بلکه تفاوت ها در جمله اخلال ظاهر می‌شوند و لذا می بایست از روش GLS استفاده شود. بنابراین الگوهای مورد نظر را می توان به سه روش یادشده برآورد نمود. پس از آن باید این موضوع بررسی شود که نتایج حاصل از کدامیک از روشهای فوق برای تجزیه و تحلیل نهایی ملاک عمل قرار گیرد و لذا بدین منظور از سه آزمون یاد شده F،LM و هاوسمن برای انتخاب بین این سه روش، استفاده می نمائیم۲۰۰۳)Yaffee,).
۳-۹٫ آزمون های آماری مورد نیاز برای تخمین مدل ها
پس از بحث و بررسی در رابطه با نوع مدل ها و روش های مورد استفاده در تخمین ضرایب مربوط به متغیرهای این تحقیق لازم است که در مرحله بعدی موضوع آزمون های آماری اساسی و مورد نیاز جهت انجام استنباط های نهایی مطرح گردد که به ترتیب و به شرح زیر ارائه می‌شود:
۳-۹-۱٫ آزمون معنی داری مدل رگرسیون
از آنجا که برآورد ضرایب مربوط به متغیرهای توضیحی معادلات رگرسیون با استفاده از داده‌های مربوط به نمونه انجام می‌گیرد، لذا به کمک علم آمار بایستی مشخص کرد که این برآوردها تا چه حد درباره کل جامعه تطبیق می‌کنند. از این رو مسأله آزمون فرضیه تک تک پارامترها مورد توجه قرار می‌گیرد.
اگر مدل رگرسیون
 
در نظر گرفته شود. فرضهای آزمون ضرایب βi به شرح زیر خواهد بود:
(رابطه ۸) H0: β= ۰ i =1,2,….,k
H1: β≠ ۰
آماره آزمون t را با مقدار بدست آمده از جدول t استیودنت در سطح  و با در جه آزادی (n-k-1) مقایسه می کنیم. اگر آماره آزمون بزرگتر از عدد بدست آمده از جدول باشد، فرض H0 را رد می کنیم و یا به عبارت دیگر نتیجه می گیریم که βi در سطح α درصد معنی داراست. روش ساده تر برای آزمون تک تک ضرایب،توجه به ستون احتمال[۶۶] است. اگر این احتمال کمتر از ۱۰ درصد باشد، نشانگر معنی دار بودن ضریب متغیر یاد شده است.
برای بررسی و آزمون معنی دار بودن معادله رگرسیون نیز از آماره F استفاده خواهیم نمود. با توجه به مدل رگرسیونی معرفی شده در قبل، فرضیه های این آزمون به شرح زیر خواهد بود: (رابطه ۹)
 
اگر فرضیه H0 صحیح باشد به این معنی است که هیچکدام از متغیرهای توضیحی بر تغییرات Ytتأثیری ندارند و تغییرات صرفاً تصادفی است. و لی اگر فرضیه H1 درست باشد به این مفهوم است که حداقل یک متغیر توضیحی وجود دارد که در تغییرات Yt (متغیر وابسته) مؤثر است. نحوه آزمون نیز بدین صورت است که آماره آزمون F را با مقدار بدست آمده از جدول F در سطح  درصد و با درجه آزادی K و n – k -1 مقایسه می کنیم. اگر آماره آزمون بزرگتر از عدد بدست آمده از جدول باشد فرض H0را رد می کنیم و نتیجه می گیریم که کل مدل رگرسیون تخمین زده شده معنی دار است. روش ساده تر برای این آزمون نیز توجه کردن به مقدار احتمال مربوط به آماره F مدل است. اگر کمتر از ۱۰ درصد باشد، نشانگر معنی دار بودن ضرایب کل رگرسیون خواهد بود.
۳-۹-۲٫ آزمون های خودهمبستگی و ناهمسانی واریانس
در مورد خودهمبستگی در مدل های اقتصادسنجی باید گفت که فرض ناهمبسته بودن جملات اخلال  یکی از فروض رگرسیون است و در صورتی که نقض شود، مدل رگرسیون دچار همبستگی[۶۷] بین جملات اخلال می‌شود. از سوی دیگر فرض برابری واریانس های جملات اخلال، یکی دیگر از فروض کلاسیک رگرسیون است و در صورتی که این فرض نیز نقض شود مشکل واریانس ناهمسانی[۶۸] در مدل رگرسیونی بوجود می آید.
اصولاً گفته می‌شود که خود همبستگی مشکل مربوط به داده‌های سری زمانی و ناهمسانی واریانس مشکل خاص داده‌های مقطعی است. در یک تقسیم بندی کلی می توان گفت که اگر سری زمانی مورد مطالعه طولانی و واحدهای مقطعی محدود باشد، بایستی به مشکل خود همبستگی بیشتر توجه گردد و در شرایطی که سری زمانی دوره مطالعه محدود و واحدهای مقطعی زیاد باشد احتمال بیشتری در وجود ناهمسانی واریانس بین گروهی وجود خواهد داشت.
برای شناسایی خود همبستگی و یا همان همبسته بودن جملات اخلال می توان از آزمون هایی نظیر آزمون دوربین واتسون[۶۹]،آزمون ضریب تکاثری لاگرانژ(LM) استفاده کرد. در این تحقیق از آزمون «h دوربین» استفاده می‌شود. اصولا در مدل هایی که متغیر وابسته خود به صورت متغیر مستقل و با وقفه در مدل ظاهرگردد از این آزمون استفاده می گردد. آماره h به صورت زیر محاسبه می گردد:
(رابطه ۱۰)
 
که در آن:
n = تعداد مشاهدات
α = ضریب متغیر وابسته وقفه دار

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.