این فصل به ارائه تجزیه و تحلیل نتایج تحقیق اختصاص دارد. تجزیه وتحلیل داده ها فرآیندی چند مرحله ای است که طی آن داده هایی که از طریق به کارگیری ابزارهای جمع‌ آوری در نمونه آماری فراهم آمده اند، خلاصه، کدبندی و دسته بندی و در نهایت پردازش می‌شوند تا زمینه برقراری انواع تحلیل ها و ارتباط ها بین این داده ها به منظور آزمون فرضیه‌ها فراهم آید. در این فرایند داده ها هم از لحاظ مفهومی و هم از جنبه تجربی پالایش می ‌شوند و تکنیک های گوناگون آماری نقش به سزایی در استنتاج ها و تعمیم‌ها دارند.

 

در ادامه این فصل، به منظور آزمون فرضیه تحقیق، مراحل عمومی آزمون فرضیه شامل تعریف فرضیه‌ آماری، انجام آزمون همبستگی و رگرسیون و تجزیه و تحلیل نتایج به دست آمده، برای فرضیه‌ تدوین شده به طور مشابهی مورد استفاده قرار گرفته است. برای تجزیه وتحلیل داده های گردآوری شده از آمار توصیفی و آمار استنباطی استفاده شده است .استفاده از آمار توصیفی با هدف تلخیص اطلاعات جمع‌ آوری شده و شناخت بیشتر نمونه مورد مطالعه از جامعه هدف مورد بررسی واقع گردید. هدف آمار استنباطی، به طور کلی انجام استنباط درباره‌ جامعه از طریق تجزیه و تحلیل اطلاعات موجود در داده های نمونه و همچنین سنجش عدم قطعیتی است که در این استنباط ها وجود دارد، است.

 

۴-۲- آمار توصیفی داده ها

 

جدول ۴-۱ آماره‌‌های توصیفی مربوط به متغیرهای تحقیق را نشان می‌دهد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول ۴-۱ آماره‌‌های توصیفی مربوط به متغیرها ROE CON₂ CON₁ LnASSET LEV ROA MB GROWTH CFO L(AGE) متغیر ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ ۴۲۰ تعداد ۳۰۱/۰ ۷۴۲/۰- ۰۰۴/۰- ۲۷۱/۱۳ ۰۷۶/۰ ۱۱۳/۰ ۱۶۵/۲ ۴۸۶/۱ ۹۵۷/۱۷۷۷۵۶ ۰۶۰/۴ میانگین ۷۶۲/۰ ۵۹۴/۰ ۱۳۳۰/۰ ۳۵۱/۱ ۰۹۲/۰ ۱۵۸/۰ ۴۶۷/۲ ۳۰۴/۱۲ ۶۲/۷۵۵۴۸۱ ۵۲۲/۰ انحراف استاندارد ۵۳۷/۱۹ ۶۸۷/۸ ۶۲۷/۱ ۷۹۷/۰ ۶۶۹/۱۲ ۸۴۷/۲ ۱۸۶/۳۰ ۹۰۵/۳۳۴ ۳۴۷/۷۵ ۵۱۶/۰- کشیدگی ۲۳۸/۰ ۸۲۹/۰- ۴۶۴/۰- ۶۶۳/۰ ۱۰۱/۳ ۰۱۵/۰- ۰۲۶/۴ ۵۳۷/۱۷ ۶۵۵/۷ ۸۰۹/۰- چولگی

با توجه به نتایج حاصل از جدول آماره های توصیفی فوق می توان بیان داشت. نتایج در مقدار چولگی متغیرهای همچون L(AGE)،ROA، CON₁ و CON₂ نشان از توزیع نامتقارن با کشیدگی به سمت مقادیر کوچک تر (چولگی منفی) دارد. شاخص سنجش پراکندگی جامعه نسبت به توزیع نرمال ضریب کشیدگی نام دارد. نتایج نشان می‌دهد با توجه به منفی بودن ضریب کشیدگی در متغیرL(AGE) توزیع جامعه از توزیع نرمال کوتاه تر است در نتیجه پراکندگی آن از توزیع نرمال بیشتر می‌باشد. در این بخش به ارائه خلاصه از ویژگی های پراکندگی داده های گردآوری شده پرداخته شد.

 

۴-۳- آمار استنباطی

 

هدف از این تحقیق بررسی و شناسایی میزان تاثیرگذاری دستورالعمل پذیرش اوراق بهادار در بورس اوراق بهادار تهران بر محافظه کاری مدیران شرکت های عضو بورس اوراق بهادار تهران است و به منظور تحقق این هدف برای دو دوره ۲ سال قبل و ۲ سال بعد از اجرایی نمودن این دستورالعمل که در دیماه ۱۳۸۶ بود داده های محافظه کاری سال های ۸۵ و ۸۴ ( قبل) و داده های ۸۷ و ۸۸ (بعد) شرکت های نمونه (۱۰۵ شرکت) استخراج گردید.

 

در این تحقیق برای آزمون فرضیه های اول و دوم استفاده از آنالیز کواریانس مفید خواهد بود. بدین منظور ابتدا متغیر کدگذاری شده Struct را به عنوان عامل تغییر در سال ۱۳۸۶ ایجاد و داده ها در نرم افزار SPSS وارد شدند. سپس برای هر کدام از فرضیه های تحقیق آنالیز کوارایانس انجام گردید.

 

تحلیل مدل خطی ترکیبی از تحلیل واریانس و تحلیل رگرسیون است و زمانی قابل استفاده است که در آن متغیر وابسته کمی بوده. چند متغیر مستقل کمی و کیفی وجود داشته باشد. به عبارتی طرح هایی که در آن ها چندین متغیر مستقل کمّی و در ارتباط با عامل های کیفی به کار برده می‌شوند، طرح های تحلیل مدل خطی^[۸۶]نامیده می‌شوند. متغیر(های) مستقل کمی در این طرح متغیر کمکی و متغیر مستقل کیفی به صاطلاح عامل نامیده می‌شوند. تحلیل مدل خطی حالت جامعی از انواع تحلیل واریانس است که در آن ضمن مقایسه میانگین­ های یک یا چند گروه و برآورد تأثیر یک یا چند متغیر مستقل، اثر یک یا چند متغیر کنترل یا کواریت^[۸۷] از معادله خارج می­ شود. به عبارت دیگر روشی آماری است که اجازه می ­دهد اثر یک متغیر مستقل بر متغیر وابسته مورد بررسی قرار گیرد در حالی که اثر متغیر دیگری را حذف کرده و یا از بین می‌برد. مقیاس متغیر همپراش یا کنترل یا کواریت، باید فاصله‌ای یا نسبی باشد.

 

پیش فرض های لازم برای انجام آزمون تحلیل مدل خطی عبارتند از:

 

1. 1. نرمال بودن

 

1. همگنی واریانس ها

۴-۳-۱- نرمال بودن متغیر وابسته

 

ابتدا باید بررسی شود توزیع داده ها دارای توزیع نرمال است یا خیر؟ فرضیه صفر در اینجا پیروی داده ها از توزیع نرمال و فرضیه مقابل آن عدم پیروی داده ها از توزیع نرمال است. برای این کار می توان با بهره گرفتن از آزمون کلموگروف- اسمیرنوف از نرمال بودن داده ها مطمئن شویم. به طور معمول چنانچه سطح معنی‌داری بیشتر از ۰۵/۰ باشد، می‌توان داده ها را نرمال فرض کرد، در غیر این صورت نمی‌توان گفت توزیع داده ها نرمال است. در این جا با توجه به مقدار احتمال^[۸۸] و عدم رد فرضیه صفر، توزیع داده ها نرمال می‌باشد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول ۴-۲ آزمون کلموگروف اسمیرنوف برای بررسی نرمال بودن توزیع داده ها Struct محافظه کاری شرطی

 

CON₁

محافظه کاری غیر شرطی

 

CON₂

قبل از ۸۶ میانگین ۰۲۵/۰- ۶۲۵/۰- انحراف معیار ۱۳۹/۰ ۴۲۴/۰ آماره آزمون ۳۶۲/۱ ۰۶۵/۱ مقدار احتمال ۰۵۶/۰ ۲۹۵/۰ بعد از ۸۶ میانگین ۰۱۶/۰ ۸۶۳/۰- انحراف معیار ۱۲۴/۰ ۷۱۱/۰ آماره آزمون ۹۲۱/۰ ۲۴۰/۱ مقدار احتمال ۳۶۵/۰ ۰۶۲/۰

۴-۳-۲- آزمون‌های تشخیصی در تعیین نوع داده ها