تعداد شرکتها

۱۱۰

۱۱۰

میزان کشیدگی منحنی فراونی نسبت به منحنی نرمال استاندارد را برجستگی یا کشیدگی می نامند. اگر کشیدگی حدود صفر باشد، منحنی فراوانی از لحاظ کشیدگی وضعیت متعادل و نرمال خواهد داشت، اگر این مقدار مثبت باشد منحنی برجسته و اگر منفی باشد منحنی پهن می باشد. کشیدگی تمامی متغیر های این مدل مثبت است. سود غیر منتظره (UE) بیشترین برجستگی و متغیر بازده غیرعادی سهام(AR) کمترین برجستگی را نسبت به منحنی نرمال دارد.
مقدار بیشینه و کمینه متغیرهای جدول (۴-۲) و (۴-۳) به همراه نام شرکت و سال مورد نظر در پیوست شماره ۲ در انتهای پایان نامه نشان داده شده است.
۴-۳-۲) آزمون نرمال بودن متغیرهای وابسته مدل های جانبی
قبل از برآورد مدل باید نرمال بودن متغیر وابسته مورد آزمون قرار گیرد، توزیع غیرنرمال این متغیر منجر به تخطی از مفروضات این روش برای تخمین پارامترها می شود. لذا لازم است نرمال بودن توزیع متغیر وابسته تحقیق مورد آزمون قرار گیرد. در این مطالعه این موضوع از طریق آماره جارک- برا مورد بررسی قرار می گیرد. فرض صفر و فرض مقابل در این آزمون به صورت زیر می باشد:
H0: Normal Distribution
H1: Not Normal Distribution
از آنجائیکه احتمال آماره جارک- برا در جدول(۴-۲) و (۴-۳) برای متغیرهای وابسته مدل های جانبی (TA-AR) کمتر از ۵% است، فرضیه صفر مبنی بر نرمال بودن توزیع متغیرهای مربوطه رد می شود.
در این راستا برای نرمال سازی متغیرهای مذکور از تبدیل جانسون Johnson استفاده شده است، که تابع تبدیل متغیرهای وابسته در پیوست شماره (۳) بررسی و نشان داده شده است. همانطور که در پیوست شماره (۳) مشاهده می شود احتمال آماره داده های اولیه برای متغیرهای وابسته جمع اقلام تعهدی(TA)، کمتر از ۰۵/۰ است که حاکی از نرمال نبودن متغیرهای مذکور است که با نرمال سازی توسط نرم افزار افزایش یافته است، در نتیجه فرضیه H0 مبنی بر نرمال بودن متغیر مذکور پذیرفته می شود. نگاره (۱) توزیع متغیر وابسته مذکور را بعد از نرمال سازی نشان می دهد.
 
نگاره (۱): نمودار توزیع نرمال متغیر وابسته مدل جانبی اول بعد از نرمال سازی
از طرفی دیگر احتمال آماره داده های اولیه برای متغیر وابسته بازده غیرعادی سهام (AR) کمتر از ۰۵/۰ است که حاکی از نرمال نبودن متغیر است که با نرمال سازی توسط نرم افزار هم در سطح ۰۵/۰ و هم در سطح ۱/۰ نرمال نشده، همچنین از آنجائیکه متغیر مذکور مقادیر منفی هم در برمیگیرد از روش لگارتیم گیری و COX-BOX هم نتوانستیم برای نرمال سازی متغیر مذکور استفاده کنیم. در نتیجه در این پژوهش با توجه به بزرگ بودن حجم نمونه (N>30)، و تعداد مشاهدات بالا، از قضیه حد مرکزی بهره گرفته شده است؛ از قضیه حد مرکزی می توان نتیجه گرفت که هر چه حجم پایه در نمونه برداری بزرگتر باشد، واریانس بین نمونه ها کمتر و توزیع میانگین جوامع نمونه برداری شده به توزیع نرمال نزدیک تر می شودو نرمال بودن توزیع مورد نظر با افزایش تعداد تکرارها (n) افزایش مییابد(بدری و عبدالباقی،۱۳۸۹). جدول(۴-۴) نتایج حاصل از نرمالیته متغیروابسته را قبل و بعد از نرمال شدن نشان میدهد.