۲) بازده حقوق صاحبان سهام:
در بین معیارهای عملکرد حسابداری، بازده حقوق صاحبان سهام از پرطرفدارترین و پرکاربردترین معیارهای عملکرد حسابداری است. برخی محققان امکان تفکیک بازده حقوق صاحبان سهام به نسبت­های سودآوری، گردش دارایی و اهرم مالی به واسطه تحلیل دوپونت را دلایل شهرت این معیار در بین تحلیلگران، مدیران مالی و سهامداران برشمرده­اند. فرمول محاسبه بازده حقوق صاحبان سهام و نسبت­های مستتر در آن به صورت رابطه (۳-۱۱) است (دوت و دوتویت، ۲۰۰۷):
ROE = = * * (3-11)
ROE: بازده حقوق صاحبان سهام
NI: سود خالص
Sales: فروش
Asset: ارزش دفتری دارایی­ ها
Equity: ارزش دفتری حقوق صاحبان سهام
۳) حاشیه سود:
این نسبت را حاشیه سود خالص هم می­نامند و به وسیله آن، سودآوری هر ریال از فروش را محاسبه می­ کنند؛ به این ترتیب که مقدار «سود پس از کسر مالیات» را بر خالص فروش تقسیم می­ کنند.
= حاشیه سود (۳-۱۲)
نسبت حاشیه سود، نتیجه روابط متقابل میان سه عامل است: ۱) حجم فروش؛ ۲) سیاست قیمت­ گذاری؛ ۳) ساختار هزینه. حسابداران شرکت ممکن است دریابند که حاشیه سود شرکت مطلوب نیست، ولی به طور دقیق ندانند نقش هر یک از سه عامل در پایین بودن حاشیه سود چیست (نوو، ۱۳۸۹، ۵۱).
۳-۶- روش گردآوری اطّلاعات و داده ­ها
گردآوری داده ­های مورد نیاز پژوهش، یکی از مراحل اساسی آن است و به لحاظ اهمیت آن، باید به طور دقیق تعریف و مشخص شود. مرحلۀ گردآوری داده ­ها، آغاز فرآیندی است که طی آن پژوهش­گر یافته­های میدانی و کتابخانه­ای را گردآوری می­ کند و سپس به خلاصه­سازی یافته­ ها از طریق طبقه ­بندی و سپس تجزیه و تحلیل آنها می ­پردازد و فرضیه ­های تدوین شده خود را مورد ارزیابی قرار می­دهد و در نهایت نتیجه ­گیری می­ کند و پاسخ مسأله پژوهش را به اتکای آنها می­یابد. به عبارت دیگر، پژوهش_­گر به اتکای داده ­های گردآوری شده حقیقت را آن طور که هست کشف می­ کند. بنابراین، اعتبار داده ­ها اهمیت بسیاری دارد، زیرا داده ­های غیر معتبر مانع از کشف حقیقت می­ شود و مسأله و مجهول مورد نظر پژوهش­گر به درستی معلوم نمی­ شود و یا تصویری انحرافی و ناصحیح از آن ارائه خواهد شد. برای حفظ اعتبار داده ­های گردآوری شده، پژوهش­گر باید داده ­های صحیح را با دقت تمام گردآوری کند (حافظ نیا، ۱۳۸۵، ۱۶۲).
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

در این پژوهش برای جمع­آوری اطّلاعات مربوط به مباحث تئوریک مانند تعریف مسأله و بیان اصلی تحقیق و هم­چنین ادبیات موضوع تحقیق از مطالعات تجربی منتشر شده در مجلات (علمی و فصلنامه­ها)، گزارش­های تحقیق و پایان نامه­ ها، کتاب­ها، مقالات منتشرشده استفاده شده و برای گردآوری داده ­های مربوط به متغیرهای تحقیق از منابع و پایگاه­های اطّلاعاتی مختلف از جمله صورت­های مالی حسابرسی شده شرکت­ها در سایت کدال (www.Codal.ir) و سئو (www.Seo.ir) استفاده شده است.
۳-۷- روش تجزیه و تحلیل داده ­ها
داده ­ها به عنوان آگاهی­ های خام و پردازش نشده، ابتدایی­ترین شناخت پژوهشگر پیرامون پاسخ­های احتمالی هستند که در رابطه با مسأله تحقیق مطرح شده ­اند. لذا پژوهشگر پس از دستیابی به این داده ­ها، با توجه به ماهیت آنها و ساختار و قالب فرضیه ­ها، با این سؤال روبرو می­ شود که از چه طریقی این داده ­ها را طبقه ­بندی، پردازش و در نهایت تحلیل کند تا بتواند فرضیه ­ها را که حالت پاسخ­های احتمالی و موقتی برای مسأله تحقیق دارا هستند، تعیین تکلیف نماید (خاکی، ۱۳۸۴، ۱۶۰).
برای تجزیه و تحلیل داده ­ها، با توجه به ماهیت آنها، روش­های مختلفی وجود دارد که پژوهشگر باید به کاربرد و سنخیت این روش­ها توجه کند تا در نهایت بتواند استنتاج­ها و نتیجه ­گیری­های معتبر و دقیقی را به عمل آورد (همان منبع).
پس به طور کلی می­توان گفت که در تجزیه و تحلیل داده ­ها یک بعد کمّی وجود دارد که آن محاسبات آماری خاص است و یک بعد کیفی، که آن تحلیل­ها، استدلال­ها، و استنتاج­هایی است که بر نتایج محاسبات آماری صورت می­پذیرد تا بتوان در نهایت آن را به جامعۀ آماری تعمیم داد (همان منبع).
در این پژوهش به منظور تجزیه و تحلیل داده ­ها و انجام آزمون فرضیه ­های تحقیق از روش تحلیل رگرسیون (با بهره گرفتن از تکنیک پنل دیتا) استفاده شده است. لذا بدین منظور در این تحقیق پس از اجرای مرحله تحقیق کتابخانه­ای و میدانی و استخراج اطّلاعات کافی از نمونه­ها و محاسبه ارزش­های هریک از متغیرها با بهره گرفتن از نرم افزارهایExcel ، با بهره گرفتن از نرم ­افزارهای SPSS21، EViews8 (برای آزمون پنل دیتا) و Stata11 (به منظور انجام آزمون ناهمسانی واریانس­ها و آزمون خود همبستگی) به تجزیه و تحلیل یافته­ ها و آزمون فرضیه ­ها پرداخته شده است.
در ادامه فصل مفروضات مدل رگرسیون خطی که برای انجام آزمون­ها مورد نیاز است و نیز توضیحات مختصری در مورد داده ­های پنلی و مزایای بکارگیری آن­ها و نیز روش­های مورد استفاده جهت آزمون داده ­های پنلی، تشریح خواهد شد.
۳-۸- مفروضات مدل رگرسیون خطی
۳-۸-۱- فرض عدم هم­خطی
هم­خطی وضعیتی است که نشان می­دهد یک متغیر مستقل تابعی خطی از سایر متغیرهای مستقل است. اگر هم­خطی در یک معادله رگرسیون بالا باشد، بدین معنی است که بین متغیرهای مستقل همبستگی بالایی وجود دارد و ممکن است R-Square مدل دارای اعتبار بالایی نباشد. به عبارتی دیگر، با وجود آن که مدل خوب به نظر می­رسد، ولی دارای متغیرهای مستقل معنی­داری نمی ­باشد. در این پژوهش برای بررسی هم­خطی بین متغیرهای مستقل از آزمون همبستگی بین متغیرهای مستقل استفاده می­ شود. برای پذیرش عدم­ هم­خطی بین متغیرهای مستقل، باید همبستگی شدیدی بین متغیرهای مستقل (بالای ۷/۰) وجود نداشته باشد.
۳-۸-۲- فرض همسانی واریانس­ها
فرض می­ شود که واریانس خطاها مقدار ثابتی است که معمولاً با نشان داده می­ شود. این فرض به همسانی واریانس­ها معروف است. اگر خطاها، واریانس ثابت نداشته باشند، گفته می­ شود آن­ها ناهمسان هستند. در این پژوهش برای تشخیص ناهمسانی واریانس­ها از نرم­ افزار Stata و آزمون LR^[49] استفاده می­ شود. در این آزمون فرض صفر مبتنی بر همسانی واریانس­ها و فرض یک مبتنی بر ناهمسانی واریانس­ها است. اگر آماره آزمون از مقدار بحرانی (۵%) کوچک­تر باشد، فرض صفر مبنی بر همسانی واریانس­ها رد خواهد شد، به عبارت دیگر در این حالت ناهمسانی واریانس­ها وجود خواهد داشت.
H­_۰: همسانی واریانس­ها
H₁: ناهمسانی واریانس­ها
۳-۸-۳- فرض عدم وجود خود همبستگی
در مدل­های رگرسیون فرض بر آن است که جملات خطا از دوره­ای به دوره بعد مستقل می­باشند، اما در بسیاری از موارد، جملات خطا در دوره­ های مختلف همبسته­اند. در چنین مواردی جملات خطا اصطلاحاً دارای خود همبستگی یا همبستگی سریالی هستند. برای بررسی آن که در یک مدل رگرسیون، جملات خطا خود همبسته می­باشند یا خیر، از نرم افزار Stata و آزمون ^[۵۰]LM استفاده می­ شود. اگر آماره آزمون از مقدار بحرانی (۵%) کوچک­­تر باشد، فرضیه­ صفر مبنی بر عدم وجود خود همبستگی رد می­ شود. بنابراین در این حالت خود همبستگی وجود دارد.
H­_۰: عدم وجود خود همبستگی
H₁: وجود خود همبستگی
لازم به ذکر است که چنان­چه خود همبستگی بین متغیرها مورد تأیید قرار گرفت، جهت رفع خود همبستگی بین متغیرها، اگر مدل اثرات ثابت انتخاب شود، از پارامتر AR₁ استفاده می­ شود؛ و چنان­چه مدل اثرات تصادفی انتخاب شود، از روش تصادفی با در نظر گرفتن AR­_۱ برای رفع خود همبستگی بین متغیرها استفاده می­ شود.
۳-۹- تعریف داده ­های پنلی
قبل از پرداختن به روش­های آماری مورد استفاده جهت آزمون فرضیه ­ها ابتدا لازم است توضیحی در خصوص داده ­های پنلی و مزایای آن­ها ارائه شود:
داده ­های پنلی^[۵۱] به مجموعه ­ای از داده ­ها گفته می­ شود که بر اساس آن مشاهدات به وسیله تعداد زیادی از متغیرهای مقطعی (N) که اغلب به صورت تصادفی انتخاب می­شوند، در طول یک دوره زمانی مشخص(T) مورد بررسی قرار گرفته باشند، (N*T) دادۀ آماری را داده ­های پنلی یا داده ­های مقطعی- سری زمانی می­نامند. به این دلیل که داده ­های پنلی در برگیرنده هر دو جنبه داده ­های مقطعی و سری زمانی می­باشند، بکارگیری مدل­های توضیح­ دهنده آماری مناسبی که ویژگی­های آن متغیرها را توصیف کند، پیچیده­تر از مدل­های استفاده شده در داده ­های مقطعی و سری زمانی است.
۳-۱۰- مزایای داده ­های پنلی
داده­­های پنلی دارای مزایای فراوانی نسبت به داده ­های مقطعی یا سری زمانی هستند که برخی از مهم­ترین آنها عبارتند از:

• • داده ­های مقطعی و سری زمانی صرف، ناهمسانی­های فردی را لحاظ نمی­کنند، لذا ممکن است که تخمین تورش­داری به دست دهند، در حالی که در روش پنل می­توان با لحاظ کردن متغیرهای مخصوص انفرادی^[۵۲] این ناهمسانی­ها را لحاظ کرد.

• • داده ­های تابلویی دارای اطّلاعات بیش­تر، تغییرپذیری بیش­تر، هم­خطی کم­تر، درجه آزادی بالاتر و کارایی بالاتر نسبت به سری زمانی و داده ­های مقطعی می­باشند. به خصوص اینکه یکی از روش­های کاهش هم­خطی، ترکیب داده ­های مقطعی و زمانی به صورت داده ­های تابلویی می­باشد.

• • با مجموعه داده ­های تابلویی، می­توان اثراتی را شناسایی و اندازه ­گیری کرد که در داده ­های مقطعی محض یا سری زمانی خالص قابل شناسائی نیست. گاهی استدلال می­ شود داده ­های مقطعی، رفتارهای بلندمدت را نشان می­ دهند، در حالی که در داده ­های سری زمانی بر اثرات کوتاه­مدت تأکید می­ شود. با ترکیب این دو خصوصیت در داده ­های تابلویی، که خصوصیت متمایز پنل دیتاست، ساختار عمومی­تر و پویاتری را می­توان تصریح و برآورد کرد (مهرگان و اشرف زاده، ۱۳۸۷، ۴۱).

• • داده ­های تابلویی که بر حسب بنگاه­ها، خانوارها و افراد جمع­آوری می­شوند، ممکن است دقیق­تر از داده ­های مشابه اندازه ­گیری شده در سطح کلان باشند. بنابراین، تورشی که ممکن است در داده ­های کلان حاصل شود، در داده ­های تابلویی حداقل می­گردد (بالتاجی، ۲۰۰۵، ۴).

• • داده ­های پنلی از طریق فراهم کردن تعداد داده ­های زیاد، تورش را پائین می­آورد (گجراتی، ۲۰۰۴، ۶۳۸).

• • مطالعه مشاهدات به صورت داده ­های پنلی، وضعیت بهتری برای مطالعه و بررسی پویایی تغییرات نسبت به سری زمانی و مقطعی داراست.

۳-۱۱- روش­های آماری مورد استفاده جهت آزمون داده ­های پنلی در EViews