ROA:بازده داراییها می‌باشد که برابر با نسبت سود خالص به کل دارایی ها است.

capex growth:رشد مخارج سرمایه ای می‌باشد که برابر است با:

(۳-۱۱)

Capex growth =

ε_i,t :باقیمانده مدل می‌باشد.

نکته:ما کلیه داده های به دست آمده در این تحقیق را برای سال مالی قبل از عرضه اولیه به دست می آوریم. به عبارت دیگر اگر سهام یک شرکت برای اولین بار در سال ۹۰ در بورس عرضه شده باشد ، ما صورت های مالی سال ۸۹ را مورد استفاده قرار می‌دهیم.

۳-۱۰- آزمون فرضیه‌ها

در چهارچوب مدل تحقیق به ازای فرضیه های تحقیق، فرضیه های آماری بشرح زیر طبقه بندی شده است:

فرضه اول: شرکت های دارای عرضه اولیه،در دوره مالی قبل از عرضه اولیه،سود را مدیریت می‌کنند.

در این تحقیق فرضیه صفر و فرضیه مقابل آن ‌به این صورت است:

H₀: در شرکت های دارای عرضه اولیه، در دوره مالی قبل از عرضه اولیه، میانگین مدیریت سود (مبتنی بر اقلام واقعی و اقلام تعهدی) صفر است.

H₁: در شرکت های دارای عرضه اولیه، در دوره مالی قبل از عرضه اولیه، میانگین مدیریت سود (مبتنی بر اقلام واقعی و اقلام تعهدی) مخالف صفر است.

فرضیه دوم: شرکت های دارای عرضه اولیه ای که توسط سازمان حسابرسی، مورد حسابرسی قرار می گیرند، بیشتر از اقلام واقعی در مدیریت سود استفاده می‌کنند.

H₁: شرکت های دارای عرضه اولیه ای که توسط سازمان حسابرسی، مورد حسابرسی قرار می گیرند، بیشتر از اقلام واقعی در مدیریت سود استفاده می‌کنند.

H₀: شرکت های دارای عرضه اولیه ای که توسط سازمان حسابرسی، مورد حسابرسی قرار می گیرند، بیشتر از اقلام تعهدی در مدیریت سود استفاده می‌کنند.

برای آزمون فرضه اول از آزمون t استیودنت (یک جمله ای) و از نرم افزارSpss استفاده می‌کنیم و برای سنجش فرضیه دوم اقدام به برآورد ضرایب مدل رگرسیون با بهره گرفتن از روش حداقل مربعات معمولی (OLS) در نرم افزار Eviews و از آزمون t استیودنت (دو جمله ای)، در نرم افزار Spss استفاده می‌کنیم.

۳-۱۱- بخش دوم: مدل داده های تلفیقی و روش های تخمین

۳-۱۲- مقدمه

امروزه روش داده های تلفیقی به لحاظ مزایا و برتری هایی که نسبت به روش های مقطعی و سرس زمانی دارد،به طور فزاینده ای در تحقیقات اقتصادی استفاده می شود. داده های تلفیقی به مجموعه داده هایی اطلاق می شود که بر اساس آن مشاهدات به واسطه تعداد زیادی از متغیرهای مقطعی(N) که اغلب به صورت تصادفی انتخاب می‌شوند، در طول یک دوره زمانی (T) مورد بررسی قرار می‌گیرد. در این صورت N×T داده های آماری را داده های تلفیقی_سری زمانی می‌نامند (مشکی،۱۳۹۰).

۳-۱۲-۱- مزایای استفاده از داده های تلفیقی

1. 1. از آنجا که استفاده از داده های ترکیبی به افراد ، بنگاه ها، شرکت ها و کشور ها و از این قبیل واحد ها، در طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می شود.

1. 1. با ترکیب مشاهدات سری زمانی و مقطعی، داده های ترکیبی اطلاعات بیشتر، تغییر پذیری بیشتر، هم خطی کمتر میان متغیرها، درجه آزادی بیشتر و کارایی بیشتر را ارائه می‌کند.

1. 1. در مطالعه مشاهدات مقطعی تکراری، داده های ترکیبی به منظور مطالعه پویایی تغییرات، مناسب تر و بهترند.

1. 1. داده های ترکیبی، تاثیراتی را که نمیتوان به سادگی در داده های سری زمانی و مقطعی مشاهده کرد بهتر معین می‌کنند.

1. داده های ترکیبی با ارائه داده برای هزاران واحد، می‌توانند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه های اقتصادی(به صورت جمعی و کلی) حاصل شود و به حداقل برسانند. به طور کلی باید گفت،داده های ترکیبی، تحلیل های تجربی را به شکلی غنی می‌سازد که در صورت استفاده از داده های زمانی یا مقطعی این امکان وجود ندارد. البته نمی توان گفت که مدل سازی با داده های ترکیبی هیچ مشکلی ندارد.(تفلاطونی و ‌نیک‌بخت،۱۳۸۹).

۳-۱۳- انواع مدل های داده های تلفیقی

مدل های مربوط به داده های تلفیقی از انواع مختلف مدل ها تشکیل شده است در یک طبقه بندی کلی می توان مدل های مذبور را بشرح زیر طبقه بندی نمود:

الف)داده های تلفیقی ایستا

ب)داده های تلفیقی پویا

۳-۱۳-۱- مدل داده های تلفیقی ایستا

الف)مدل ضرایب ثابت(CCM)

ب)مدل اثرات ثابت(FEM)

ج)مدل اثرات تصادفی(REM)

۳-۱۳-۱-۱- مدل ضرایب ثابت: در صورتی که هیچکدام از اثرات مقطعی ویا اثرات زمانی تفاوت معنی داری از هم نداشته باشند،در آن صورت می توان تمامی داده هارا با هم ترکیب نموده و به وسیله رگرسیون حداقل مربعات معمولی (OLS) تخمین زد.مدل مذبور مدل رگرسیون ترکیبی نیز نامیده می شود. شکل کلی مدل با فرض وجود سه متغیر مقطعی (سه شرکت)، ده دوره زمانی(۲۰۰۰۰-۱۹۹۱) و دو متغیر مستقل به شرح زیر خواهد بود:

(۳-۱۲)

Y_i,t=α_۱+β_۱X_1i,t+β_۲X_2i,t+u_i,t

t=1,2,3,…,۱۰ i=1,2,3

در رابطه فوق y نشان دهنده متغیر وابسته، iنشان دهنده iامین واحد مقطعی،t نشان دهنده t امین دوره زمانی، X_i,t نشان دهنده برداری از متغیر های مستقل و u_i,t جمله خطا می‌باشد. اگر هر واحد مقطعی دارای تعداد یکسانی از مشاهدات سری زمانی باشد در آن صورت داده های ترکیبی، متوازن نامیده شده و در غیر اینصورت نا متوازن تلقی خواهد شد.

۳-۱۳-۱-۲- مدل اثرات ثابت: در این مدل، ضرایب شیب بین واحد های مقطعی (شرکت ها) ثابت بوده و لیکن عرض از مبدأ برای هر یک از شرکت ها متفاوت می‌باشد.در این مدل با وجود آنکه عرض از مبدأ برای هر یک از شرکت ها متفاوت می‌باشد و لیکن در طول زمان ثابت بوده و تغییر نمی کند و به همین دلیل نیز به مدل اثرات ثابت معروف شده است. با در نظر گرفتن فروضات قبلی،شکل کلی مدل مذبور به شرح زیر خواهد بود:

(۳-۱۳):

Y_i,t=α_i,t+ β_۱X_1i,t+ β_۲X_2i,t

اندیس iدر جمله فوق نشان دهنده ی این مطلب است که عرض از مبدأ برای هر یک از واحد های مقطعی (شرکت ها) متفاوت بوده ولی در طول زمان ثابت است.

۳-۱۳-۱-۳- مدل اثرات تصادفی: در صورتی که متغیرها به صورت تصادفی انتخاب شده باشند و بین متغیرها توضیحی و خطاها همبستگی وجود نداشته باشد، می توان برای رسیدن به تخمین کارا و سازگار از روش اثر تصادفی استفاده نمود. طرفداران روش اثرات تصادفی چنین استدلال می‌کنند که آوردن متغیر های مجازی در مدل رگرسیون، پوششی برای بی توجهی و ناآگاهی ما از وجود متغیر های توضیحی مناسب و به کار گرفتن آن در مدل تخمین می‌باشد. لذا در مدل اثرات غفلت از کاربرد متغیرهای مذبور بواسطه جمله خطا بیان می شود.

ایده اولیه مدل اثرات تصادفی مبتنی بر رابطه(۳-۱۲) می‌باشد. در این مدل به جای آنکه فرض شود _۱,iα ثابت است ، فرض می شود متغیری تصادفی با میانگن _۱α (بدون اندیس i) می‌باشد. بر این اساس مقدار عرض از مبدأ به صورت زیر بیان می شود:

(۳-۱۴):

α_۱,i=α_۱+e_i

e_i جمله خطای تصادفی با میانگین صفر و واریانس ^۲σ می‌باشد. در این مدل اثرات احتمالی فرض بر آن است که همبستگی e_i با متغیر های توضیحی صفر می‌باشد:

(۳-۱۵):

Cov(x_i,t e_i) t=1,2,3,……,T

با جایگزینی رابطه(۳-۱۴)در رابطه (۳-۱۳)خواهیم داشت :

(۳-۱۶):