چکیده:
بسیاری از تجزیه و تحلیلهای آماری بر اساس فرض نرمال بودن دادهها هستند اما این فرض نرمال بودن همیشه اتفاق نمیافتد برخی از دادهها توزیع غیر نرمال دارند مثلا دادههای غیرنرمال زمانی به وجود میآیند که اندازهگیری به یک نقطه یا مرز نرسد. دلایل به وجود آمدن دادههای غیرنرمال عبارتند از: ١) وقتی از جمعیتهای مختلف نمونهگیری میشود (موقعیتها، جنسیت، فصلها و...، ٢) حرکت در زمان، ٣) تاثیرناکارا، ٤) مشاهده ی دادههای پرت ٥) دادههای چند مدی. گاهی اوقات در براوردها با دادههایی مواجه میشویم که دارای توزیع نرمال نیستند. درچنین مواقعی چنانچه به اشتباه دادهها نرمال فرض شوند و مدل به روش OLS تخمین زده شود براوردگرهای حاصل اریب و ناسازگار خواهند شد لذا برای دستیابی به براوردگرهای بدون تورش باید از روشهای دیگری استفاده کرد. در این پژوهش اثرات شاخص قیمت بورس، شاخص بانک و نرخ ارز بر بازده سهام ١٠ بانک کشور در سالهای ٩٣ تا ٩٦ مورد بررسی قرار گرفت. با توجه به غیر نرمال بودن بازده سهام بانکها از روشهایی همچون لاجیت، پروبیت، کوانتایل، ارزش فرین و مدلهای خطی تعمیم یافته جهت تخمین استفاده گردید. برآوردها توسط نرم افزار EVIEWS و R انجام گرفت. نتایج نشان میدهند در تخمین OLS مقدار بسیار بالا بوده و در حقیقت رگرسیون نتوانست تغییرات متغیر وابسته را با استفاده از متغیرهای مستقل توضیح دهد پس چون تخمین زنهای OLS ناسازگار واریب هستند برای متغیر وابسته غیرنرمال مناسب نیستند. در این مطالعه با استفاده از سایر روشهای پیشنهادی رگرسیون تاکید بر بررسی روشهای مختلف برآورد رگرسیون خطی با جملات پسماند غیر نرمال صورت گرفته است نه بررسی بازار سهام.
Many statistical analyzes are based on the assumption that the data are normal, but this assumption is not always
true. Some data are abnormally distributed, such as abnormal data occurring when the measurement does not
reach a point or boundary. The reasons for abnormal data generation are: 1) when sampled from different
populations (positions, gender, seasons, etc) , 2) time travel, 3 (ineffective, 4) observing outliers 5) Multimedia
data. Occasionally, estimates come with data that do not have a normal distribution. In such cases, if the data are
wrongly assumed normal and the model is estimated by OLS, the resulting estimators will be biased and
incompatible. In this study, the effects of stock price index, bank index and exchange rate on stock returns of 10
banks of the country should be used. It was evaluated in the years 93 to 96. Due to the abnormal returns of banks'
stocks, methods such as Logit, Probit, Quantile, Freeze Value and Generalized Linear Models were used to
estimate. Estimates were performed by EVIEWS and R software.. The results show that the R ^ 2 value is very
high in the OLS estimation and in fact the regression could not explain the dependent variable changes using the
independent variables so the OLS estimates of the women are incompatible with the abnormal dependent
variable. In this study using Other proposed methods of regression emphasize on different methods of estimating
linear regression with abnormal residual sentences rather than stock market research.
خلاصه ماشینی:
(رجوع شود به تصویر صفحه) به طوریکه n: تعداد مشاهدات ، C: کشیدگی نمونه ، : میانگین نمونه ، : براورد گشتاوردهای مرکزی سوم و چهارم اگر داده های نمونه از یک جامعه با توزیع نرمال و با یک حجم نمونه مناسب ، انتخاب شده باشند تابع نمونه ای JB دارای توزیع مجانبی ٢ (٢) χ است .
فرض کنید Yیک متغیر پاسخ باشد مدل خطی تعمیم یافته GLM به صورت زیر تعریف می شود: (رجوع شود به تصویر صفحه) 1 Generalized Linear Model 2 Heteroskedastic 199 پا.
٣-تخمین و برآورد مدل : در این پژوهش ١٠ بانک پذیرفته شده در بورس اوراق بهادار تهران در فاصله زمانی٣ ساله یعنی از تاریخ ١٣٩٣/٧/١لغایت ١٣٩٦/٦/٢٣ مورد بررسی قرار گرفته است و با استفاده از مدلهای لوجیت و پروبیت باینری، رگرسیون تعمیم یافته ، رگرسیون 1 Quantile regression 2 Least Absolute Deviations (LAD) 3 Buchinsky 200 کوانتایل و ارزش فرین به پیش بینی بازده سهام های صنعت بانک پرداخته شد.
نتایج تخمین مدل های مورد مطالعه در شرایطی که متغیر وابسته گسسته باشد (رجوع شود به تصویر صفحه) ماخذ: یافته های تحقیق در اینجا به بررسی اثر شاخص قیمت صنعت ، شاخص کل و اثرات نرخ ارز بازده سهام بانکها پرداخته شده است .
نتایج تخمین در رگرسیون کوانتایل (رجوع شود به تصویر صفحه) در روش کوانتایل تنها متغیر شاخص بانک معنادار است اما چون در روش OLS مقدار است پس مدل OLS قادر به توضیح رفتار متغیر وابسته با استفاده از متغیرهای توضیحی نمی باشد و چون این روش مطالعه چندکهای مختلف را بدون در نظر گرفتن نوع توزیع انجام می دهد بر روش OLS برتری دارد.