۳-۴-۲ روش اسنادی
از آنجا که در این پژوهش برای اندازه گیری متغیرهای تحقیق از گزارشها و صورتهای مالی موجود در بانک های مورد مطالعه استفاده شده است، بنابرین بانک های خصوصی ،به عنوان قلمرو مکانی تعیین گردیده است.
۳ -۵ ابزار تجزیه و تحلیل
در این تحقیق پس از وارد نمودن داده های اطلاعاتی در کاربرگهای نرم افزار با بهره گرفتن از نرم افزارExcel و با توجه به تعاریف صورت گرفته شاخص ها این مقادیر محاسبه و سپس با بهره گرفتن از نرم افزار EVIEWS داده های جمع آوری شده با بهره گرفتن از روش داده های تابلویی (panel data) مورد آزمون قرار خواهند گرفتند.
۳ -۶ قلمرو تحقیق
الف: قلمرو موضوعی: این مطالعه در زمینه بررسی تاثیر مدیریت ریسک اعتباری بر عدم ایجاد مطالبات در بانکها( مطالعه موردی : بانک های خصوصی) طبقه بندی می شود.
ب:قلمرو زمانی تحقیق: قلمرو زمانی این پژوهش نیز از ابتدای سال ۱۳۸۷ تا انتهای سال ۱۳۹۲میباشد.
ج- قلمرو مکانی: بانکهای خصوصی سراسر کشور به عنوان قلمرو مکانی انتخاب شده اند.
۳ -۷ فرضیه تحقیق
-
- مدیریت ریسک اعتباری بر عدم ایجاد مطالبات سررسید گذشته تأثیر مثبت ومعناداری دارد.
-
- مدیریت ریسک اعتباری بر عدم ایجاد مطالبات معوق تأثیر مثبت ومعناداری دارد.
-
- مدیریت ریسک اعتباری بر عدم ایجاد مطالبات مشکوک الوصول تأثیر مثبت ومعناداری دارد.
- مدیریت ریسک اعتباری بر عدم ایجاد مطالبات سوخت شده تأثیر مثبت ومعناداری دارد.
۳-۸ داده های تابلویی
داده های تابلویی ترکیبی از داده های مقطعی و سری زمانی میباشند، یعنی اطلاعات مربوط به داده های مقطعی را در طول زمان مشاهده میکنیم. واضح است که چنین داده هایی دارای دو بعد میباشند که یک بعد آن مربوط به واحدهای مختلف در هر مقطع زمانی خاص است و بعد دیگر آن مربوط به زمان میباشد. استفاده از روش داده های تابلویی نسبت به روش های مقطعی و سریهای زمانی دو مزیت عمده دارد: اول اینکه، به محقق این امکان را میدهد تا ارتباط میان متغیرها و حتی واحدها (شرکت ها)را در طول زمان در نظر بگیرد و به بررسی آن ها بپردازد و مزیت دوم نیز، در توانایی این روش در کنترل اثرات انفرادی مربوط به شرکت ها میباشد.
۳-۹ مدلسازی داده های تابلویی
برای بررسی داده های ترکیبی از معادله ذیل شروع میکنیم:
در رابطه فوق i=1, 2, …, N نشاندهنده واحدهای مقطعی (مثلاً کشورها)، t=1,2,…,T زمان و j=1, 2, …, k شماره متغیر مستقل غیر تصادفی (قابل مشاهده) میباشد. نشاندهنده متغیر وابسته برای i امین واحد مقطعی در سال t، نشاندهنده متغیر توضیحی j ام مشاهده شده برای i امین مقطع در سال t ام و نماد نشانگر خطای برآورد داده های ترکیبی است.
عرض از مبدأ برای هریک از مقطعها نشاندهنده خصوصیات مشاهده نشده آن مقطع و همچنین عرض از مبدأ برای هریک از دوره های زمانی نشاندهنده خصوصیاتی مشاهده نشده از آن دوره زمانی است.
با توجه به معادله (۳-۱)، با اعمال محدودیت در مورد ضرایب میتوان ۵ حالت مختلف، مطابق جدول ۳-۲، از معادله ۳-۱ متصور بود که در ذیل به بررسی آن میپردازیم:
تمامی ضرایب ثابت باشند. (۱)
مدل رگرسیون خطی
شیبها ثابت ولی عرض از مبدأها متفاوت باشند.
تمامی ضرایب متفاوت باشند.
عرض از مبدأها هم در بعد مقطع و هم در بعد زمان متفاوت باشند. (۳)
عرض از مبدأها فقط در بعد مقطع متفاوت باشند. (۲)
تمامی ضرایب هم در بعد مقطع و هم در بعد زمان متفاوت باشند. (۵)
تمامی ضرایب فقط در بعد مقطع متفاوت باشند. (۴)
شکل ۳-۱ :انواع حالت های رگرسیون
- تمامی ضرایب ثابت و فرض میشود که جمله اختلال قادر است تمام تفاوتهای میان واحدهای مقطعی و زمان را دریافت و توضیح دهد.
- ضرایب مربوط به متغیرها (شیب) ثابتاند و تنها عرض از مبدأ برای واحدهای مختلف مقطعی متفاوت است.
- ضرایب مربوط به متغیرها (شیب) ثابتاند ولی تنها عرض از مبدأ مابین مقاطع و بین دوره ها متفاوت است.
- همه ضرایب برای تمامی واحدهای مقطعی متفاوت است.
- تمامی ضرایب هم نسبت به زمان و هم نسبت به واحدهای مقطعی متفاوت است.
۳-۱۰- مدل پولینگ
به رگرسیون حاصل از معادله ۲-۳ رگرسیون تجمعی[۴۶] و یا پولینگ گویند. در این روش بعد زمانی و مکانی را از ضرایب حذف و معادله با روش OLS برآورد میکنیم که تخمینهای آن معمولاً سازگار و کارا خواهند بود. نکتهای که قابل ذکر است این که به دلیل وجود ناهماهنگی در داده های پانلی، این روش عملاً کاربرد زیادی ندارد.
۳-۱۱-مدل اثرات ثابت
اگر خصوصیات مشاهده نشده هر مقطع به نوعی با متغیرهای توضیحی (خصوصیات مشاهدهشده هر مقطع) در همان مقطع همبستگی داشته باشد در این صورت میتوان این خصوصیات مشاهده نشده را در قالب یک عرض از مبدأ برای هر مقطع در نظر گرفت که در این صورت خواهیم داشت:
در این حالت، به هر مقطع یک ثابت مانند اختصاص داده میشود که از یک مقطع به مقطع دیگر دچار تغییر میشود در حالی که در طول زمان تغییر نمیکند.
با بهره گرفتن از متغیرهای مجازی میتوان مدل حالت ۲ را به صورت زیر نوشت:
یا به طور خلاصه:
این مدل به مدل حداقل مربعات متغیر مجازی (LSDV)[47][48] معروف است.
۳- ۱۲- اثرات تصادفی[۴۹]
اگر خصوصیات مشاهده نشده هر مقطع، ناهمبسته با متغیرهای توضیحی باشد، هر مقطع شوکهای خاص خودش را خواهد داشت (یار احمدی و همکار، ۸۲). به عبارتی میتوانیم تفاوتهای مقطعی را ناشی از عوامل تصادفی دانسته که از مستقل است که در این صورت میتوان نوشت:
که در آن ui جزء تصادفی و ، جزء ثابت مورد انتظار برای همه مقاطع است که بیانگر میانگین خصوصیات مشاهده نشده مقطعها است.
لذا خواهیم داشت:
در روش اثرات تصادفی فرض میشود که عرض از مبدأ دارای توزیع تصادفی است و در نتیجه دارای جمله اختلال میباشد.
با توجه به فوق در مدل اثرات، عرض از مبدأها پارامترهایی نامعلوم ولی ثابت هستند و در مدل اثرات تصادفی عرض از مبدأ تصادفی و مستقل از متغیرهای توضیحی است.
جدول (۳-۱) فرمولهای رگرسیون
مدل پولینگ (تجمیعی)
مدل اثرات ثابت
مدل اثرات تصادفی
۳-۱۳-آزمونهای تشخیصی
ابتدا باید مشخص کنیم که مدل ما پولینگ است و یا پانل. اگر پولینگ بود که بر اساس آن کار را ادامه خواهیم داد ولی اگر مدل ما پولینگ نباشد، آنگاه باید مشخص کرد که مدل پانل با اثرات ثابت است و یا تصادفی.
مدل اثر ثابت
مدل اثر تصادفی
مدل تجمعی
Fلیمر
هاسمن
۳-۱۴-آزمون F– لیمر
این آزمون که به آزمون معنادار بودن اثرات ثابت و نیز به آزمون معناداری مقطعها معروف است الگوی تجمیعی را در مقابل الگوی اثرات ثابت بررسی میکند.
مدل رگرسیون تابلویی ذیل را در نظر بگیریم:
(۱)