جهت بررسی فرضیه ی پنجم از مدل ۶ استفاده می گردد . توضیحاتی که در مورد فرضیه ی سوم ارائه شد در مورد این فرضیه نیز کاربرد خواهد داشت .
۳-۷-۲) متغیر های پژوهش
با توجه به اینکه پژوهش حاضر مسئله ی چسبندگی هزینه ها را در دو بُعد (حسابرسی و حسابداری) مورد بررسی قرار می دهد ، در نتیجه دارای دو متغیر وابسته می باشیم که در ادامه تشریح خواهد شد .
متغیر وابسته :
هزینه های حسابرسی (^[۴۵]AF) : یا به طور واضح تر حق الزحمه ی حسابرسی واقعی متغیر وابسته ی فرضیه های اول تا سوم این پژوهش است . که جهت محاسبه ی آن از لگاریتم طبیعی حق الزحمه ی حسابرسی سال جاری(t) به حق الزحمه ی حسابرسی سال قبل(t-1) استفاده می گردد .(ویلیرس و همکاران-۲۰۱۴)
هزینه های عملیاتی حسابداری (OPEX^[46]) : که متغیر وابسته ی فرضیه ی چهارم و پنجم می باشد و از لگاریتم هزینه های عملیاتی سال جاری (t) به هزینه های عملیاتی سال قبل(t-1)به دست خواهد آمد .
متغیرهای مستقل :
حق الزحمه ی حسابرسی برآورد شده (^[۴۷]EAF): جهت برآورد حق الزحمه از مدل ۱ استفاده شده و پس از برآورد حق الزحمه ، با بهره گرفتن از لگاریتم حق الزحمه ی برآوردی سال جاری (EAF_t) به حق الزحمه ی برآوردی سال قبل(EAF_t-1) ، این متغیر محاسبه نیز می گردد .
اندازه ی شرکت (^[۴۸]LTA) : که این متغیر از لگاریتم مجموع دارایی های شرکت(دارایی های جاری و غیرجاری) به دست خواهد آمد .
نسبت دارایی جاری (^[۴۹]CATA) : این متغیر از نسبت دارایی جاری به مجموع دارایی ها محاسبه می گردد .
نسبت آنی (QUICK) : که از نسبت دارایی های جاری به استثنای موجودی کالا بر بدهی های جاری به دست می آید .
نسبت بدهی بلند مدت (^[۵۰]DE) : که از نسبت بدهی بلندمدت به مجموع دارایی ها حاصل می شود.
بازده دارایی (ROI) : که از نسبت سود قبل از بهره و مالیات به مجموع دارایی ها به دست می آید .
زیان (LOSS) : متغیری مجازی است . به صورتی که اگر شرکتی در سال جاری زیان داشته باشد مقدار ۱ و در غیر این صورت مقدار صفر خواهد گرفت .
متغیرهای مستقل ذکر شده در بالا (LTA,CATA,QUICK,DE,ROI,LOSS) جهت محاسبه ی حق الزحمه ی برآوردی استفاده خواهند شد . (ویلیرس و همکاران-۲۰۱۴)
متغیر مجازی (Decrease) : که در فرضیه های اول تا سوم این گونه خواهد بود که اگر حق الزحمه ی برآوردی سال جاری نسبت به سال قبل کاهش پیدا کند(منفی باشد) مقدار۱ و درغیر این صورت صفر خواهد بود . در مورد فرضیه ی چهارم و پنج در صورتی که فروش سال جاری نسبت به سال قبل کاهش داشته باشد مقدار ۱ و در غیر این صورت صفر خواهد بود.
فروش (Sales) : متغیر مستقل مربوط به چسبندگی هزینه های حسابداری است و از لگاریتم فروش سال جاری به سال قبل به دست خواهد آمد.
نرخ تورم (Inflation Rate) : همانطور که بیان شد ، اطلاعات مربوط به آن از سایت بانک مرکزی استخراج شده است .
۳-۸) روش آماری و نحوه ی تجزیه و تحلیل داده ها
با توجه به اینکه پژوهش حاضر شرکتهای پذیرفته شده در بورس اوراق بهادار تهران را به عنوان جامعه ی آماری مورد بررسی قرار می دهد و از طرف دیگر شرکتها و سالهای گوناگون را شامل می گردد ، در نتیجه استفاده از روش آماری به صورت داده های پانل^[۵۱] نتایج روشن و واضحی در اختیار ما قرار می دهد . بنابراین روش آماری این پژوهش ، روش پانل دیتا است . با توجه به اینکه نرم افزار SPSS در انجام پانل دیتا قوی نمی باشد در نتیجه تمامی تجزیه و تحلیل ها با نرم افزار EVIEWS 8.1 انجام گردیده که در ادامه این روش آماری و آزمون های مربوط به آن تشریح خواهد شد .
(( اینجا فقط تکه ای از متن 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. ))

۳-۸-۱) روش پانل دیتا(داده های پانل)
در استفاده از اطلاعات آماری ، مدل ها به ۳ دسته تقسیم می گردند :
الف) مدل های مربوط به داده های مقطعی
ب) مدل های مربوط به سری های زمانی
ج) مدل های مربوط به داده های پانل
در مدل های مربوط به داده های مقطعی ، متغیرها در یک دوره ی زمانی معین و در واحدهای مختلف بررسی می شوند . این دوره های زمانی معین ، اصولاً فراتر از یک سال نخواهند رفت و همانطور که بیان شد در دوره های زمانی معین مانند یک هفته ، یک ماه و یا یک سال بررسی می شوند .
در مدل های مربوط به سری های زمانی ، متغیرها در یک دوره ی چند ساله و طولانی مورد بررسی قرار خواهند گرفت .
روش سوم استفاده از اطلاعات آماری ، روش های داده های پانل است . در این روش یک سری واحدهای مقطعی (مانند سازمانها ، شرکتها ، کشورها و …) در طی چند سال مورد بررسی قرار می گیرند . مزیت استفاده از روش داده های پانل نسبت به دو روش دیگر این است که اولاً تعداد مشاهدات تا حد مطلوب افزایش می یابد در نتیجه نقاط آماری بیشتری در اختیار محق قرار می گیرد که این موضوع هم خطی را بین متغیرهای توضیحی کم کرده ، در جه ی آزادی را افزایش داده و در نهایت کارایی تخمین را افزایش می دهد. سری های زمانی معمولا دچار هم خطی هستند در حالی که داده های تابلویی، موجب افزایش تغییر پذیری یا تنوع بسیار زیادی می شود که با در دست داشتن این اطلاعات می توان برآوردهای معتبرتری انجام داد. . ثانیاً با بهره گرفتن از روش پانل دیتا امکان تجزیه و تحلیل تعداد قابل توجهی از سؤالات اقتصادی و مالی به محقق داده می شود و امکان بیشتری برای شناسایی و اندازه گیری اثراتی را فراهم می کند که این امکان به وسیله ی روش های داده های مقطعی وسری های زمانی به تنهایی ممکن نیست . به بیان دیگر یکی از بارزترین مشخصه های روش پانل دیتا این است که جملات اخلال را شکسته و به تغییرات داده های مقطعی و سری های زمانی تفکیک می کند .ثالثاً داده‌های پانل امکان طراحی الگوهای رفتاری پیچیده تری را فراهم می کنند .
هنگام استفاده از روش داده های پانل ، تخمین معادله فوق به فروض ما درباره عرض از مبدأ ، ضریب شیب و جمله ی خطا بستگی دارد .
بطور کلی برای تخمین مدل های داده های تابلویی و داده های تلفیقی، سه روش وجود دارد که عبارتند از:
روش مدل اثرات مشترک(که مدل مربوط به داده های تلفیقی است)
روش مدل اثرات ثابت(که مدل مربوط به داده های تابلویی است)
روش مدل اثرات تصادفی(که مدل مربوط به داده های تابلویی است)
تعیین آنکه در مورد یک نمونه از داده ها، کدامیک از این سه روش باید مورد استفاده قرار گیرد از طریق آزمون های خاص خود انجام می گیرد. به طوری که برای انتخاب بین روش داده های تابلویی و داده های تلفیقی از آزمون لیمر و آماره ی F لیمر استفاده می شود. فرض صفر این آماره بیانگر انتخاب روش داده های تلفیقی و اولویت آن نسبت به داده های تابلویی است همچنین برای تعیین روش اثرات ثابت و تصادفی نیز از آزمون هاسمن استفاده شده به طوری که فرضیه صفر آزمون بیانگر آن است که مدل دارای اثرات تصادفی است . شکل زیر نحوه استفاده از این ۳ مدل را بهتر بیان می کند .
تصمیم گیری جهت استفاده از روش داده های تابلویی (Panel Data) و یا روش داده های تلفیقی (Pooling Data)
انجام آزمونF لیمر
تأیید فرض H₀ و رد فرض H₁ = استفاده از مدل اثرات مشترک=Pooling Data
رد فرض H₀ و تأیید فرض H₁ = استفاده از روش Panel Data
انجام آزمون هاسمن
تأیید فرض H₀ و رد فرض H₁ = استفاده از مدل اثرات تصادفی
رد فرض H₀ و تأیید فرض H₁ = استفاده از مدل اثرات ثابت
۳-۸-۱-۱) مدل اثرات مشترک (داده های ترکیبی یا داده های تلفیقی)
ساده ترین روش، حذف ابعاد فضا (مکان) و زمان از داده ها و تخمین مدل رگرسیون ، با بهره گرفتن از روش حداقل مربعات معمولی است. که آن را مدل داده های ترکیبی (Pool) می نامند. یعنی همه ی مشاهدات سری زمانی را برای هر مقطع از بالا به پایین و برای هر متغیر مدل مرتب کنیم و بعد مدل را به روش حداقل مربعات معمولی (OLS^[52]) تخمین بزنیم در این صورت مدل رگرسیون به صورت مدل جدول ۳-۴ خواهد بود .
جدول ۳-۴) مدل رگرسیون در داده های ترکیبی یا Pooling