۳-۳- روش های گردآوری اطلاعات

به طور کلی اطلاعاتی که در این تحقیق مورد نیاز است، شامل اطلاعاتی درباره پیشینه تحقیقات صورت گرفته، مبانی نظری تبیین کننده و نیز داده ­های لازم برای تحلیل و آزمون فرضیه ­ها است. برای بررسی سابقه تحقیقات صورت گرفته و مبانی نظری تحقیق از بانک­های اطلاعات علمی الکترونیکی از طریق اینترنت استفاده شده است. از منابع کتابخانه­ای هم برای برخی از مطالب مورد نیاز از جمله روش­های آماری و روش تحقیق و تا حدودی مبانی نظری تحقیق استفاده شده است. همچنین برای جمع­آوری داده ­های کمی از اطلاعات منتشره توسط بانک مرکزی و همچنین صورت­های مالی و گزارش فعالیت هیئت مدیره بانک­ها استفاده شده و برای تجزیه و تحلیل داده ­ها از نرم افزارهای صفحه گسترده Excel و ۷ EViews استفاده گردیده است.

 

جهت دانلود متن کامل این پایان نامه به سایت jemo.ir مراجعه نمایید.

 

۳-۴- قلمرو پژوهش

 

۳-۴-۱- قلمرو زمانی انجام پژوهش

دوره زمانی مربوط به پژوهش حاضر از سال ۱۳۷۶ – ۱۳۹۰ می باشد.

 

۳-۴-۲- قلمرو مکانی پژوهش

قلمرو مکانی پژوهش شامل تمام بانک­های فعال تحت نظارت بانک مرکزی جمهوری اسلامی ایران می­باشد.

 

۳-۴-۳- جامعه آماری

جامعه مورد مطالعه در این پژوهش کلیه بانک­های فعال تحت نظارت بانک مرکزی جمهوری اسلامی ایران بین سال­های ۱۳۷۶ تا ۱۳۹۰ می‌باشند.

 

۳-۵- کلیات روش تحقیق

 

۳-۵-۱- انواع داده ها

برای تحلیل داده های تجربی عموما سه نوع داده قابل دسترسی است:

 

 

سریهای زمانی[۳۷] ؛

مقطعی[۳۸] ؛

تلفیقی[۳۹] ، تلفیقی از سریهای زمانی و مقطعی ؛

داده ­های سری زمانی داده ­هایی هستند که در طی یک دوره زمانی جمع آوری می­شوند؛ مانند داده ­های تولید ناخالص ملی. چنین داده ­هایی می­توانند در فواصل منظم زمانی مانند روزانه (قیمت سهام)، هفتگی (عرضه پول)، ماهانه (نرخ بیکاری)، فصلی (تولید ناخالص ملی) و سالانه (بودجه دولت) گردآوری شوند.
تصویر درباره بازار سهام (بورس اوراق بهادار)
داده ­های مقطعی بر اساس یک یا چند متغیر در یک زمان مشخص جمع آوری می­شوند؛ مانند بازدهی سهام کلیه شرکتهای پذیرفته شده در بورس در یک مقطع زمانی خاص.
در داده ­های تلفیقی، عناصر هر دو دسته مقطعی و سریهای زمانی ­وجود دارند. به عنوان مثال نرخ تورم هر کشور برای ۲۰ سال به شکل سری زمانی است و داده ­های نرخ تورم برای پنج کشور در هر سال به تنهایی داده ­های مقطعی است که در داده ­های تلفیقی این دو با یکدیگر ترکیب شده و به صورت همزمان تحلیل داده ها انجام می گیرد (گجراتی، ۱۳۷۷).
داده ­های مورد استفاده در این تحقیق با توجه به این که مربوط به چندین بانک و در بازه زمانی بین سال­های ۱۳۷۶ تا ۱۳۹۰ است، از نوع داده تلفیقی می­باشد.

 

۳-۵-۲- رگرسیون چند متغیره

تحلیل رگرسیون از مهمترین ابزارهای مباحث اقتصادسنجی است. در بسیاری از واژه­ های عمومی، رگرسیون مربوط به توصیف و ارزیابی رابطه بین یک متغیر خاص با یک یا چند متغیر دیگر می­باشد. تحلیل­های رگرسیون به مطالعه وابستگی یک متغیر (متغیر وابسته[۴۰]) با یک یا چند متغیر دیگر (متغیر توضیحی[۴۱]) می ­پردازد که با تخمین یا پیش بینی مقدار متوسط یا میانگین مقادیر نوع اول در حالتی که مقادیر متغیر نوع دوم معلوم یا معین شده باشند، صورت می­پذیرد.
عکس مرتبط با اقتصاد
چنانچه متغیر وابسته y به یک متغیر توضیحی x مرتبط باشد و با تغییر متغیر x، y تغییر کند، مدلی که می تواند این رابطه را نشان دهد به «مدل رگرسیون خطی ساده» معروف است. از آنجا که در این مبحث تنها به مدلهای خطی پرداخته می­ شود، لازم است اشاره شود که معنای خطی بودن عبارت از این است که امید شرطی y تابعی خطی از x است. به بیان هندسی در این حالت منحنی رگرسیون یک خط مستقیم است و می توان این گونه بیان کرد:
E(Y/Xi) = β۱+ β۲ Xi (۱-۳)
یا
yi = β۱+ β۲ xi+ui (۲-۳)
که i ( T، … ،۳ ،۲ ، ۱ =) بیانگر تعداد مشاهدات می­باشد و در رابطه فوق β۱ و β۲ نامعلوم اما پارامتر هایی ثابت هستند که ضرایب رگرسیون[۴۲] نامیده می­شوند و به ترتیب عرض از مبدأ و شیب نامیده می­شوند. ui انحراف یک متغیر تصادفی غیر قابل مشاهده است که مقدار مثبت یا منفی می­گیرد و به طور تکنیکی، ui به عنوان جزء اخلال تصادفی یا خطای تصادفی معرفی می­ شود و ui ها به طور ساده تفاوتهای بین مقادیر واقعی و تخمینی می­باشد. به منظور بدست آوردن خط رگرسیون که بهترین خط برازش باشد از روش حداقل مربعات معمولی[۴۳] (OLS) استفاده می­ شود که در آن سعی می­ شود مربع خطاها به حداقل ممکن برسد (گجراتی، ۱۳۷۷). همانگونه که در رابطه (۲-۳) نیز مشاهده گردید، تغییرات در متغیر وابسته به وسیله تغییرات در یک متغیر توضیح دهنده x، شرح داده می­ شود. اما هنگامی که تعداد متغیرهای توضیح دهنده افزایش یابد می­توان به صورت زیر بیان کرد:
yi = β۱+ β۲ x2i+ β۳ x3i +…..+ βk xki+ui i=1,2,3,…..T (3-3)
که متغیرهای xki، …….، x3i، x2i مجموعه ای از k-1 متغیر توضیح دهنده هستند که بر y تاثیر­گذار هستند و ضرایب βk ، …….، β۲، β۱ پارامترهایی هستند که اثر هر یک از این متغیرهای توضیحی را بر y مشخص می کنند. به عنوان مثال β۲ اثر x2i را روی yi پس از حذف یا ثابت نگه داشتن اثر سایر متغیرها (xki، …….، x3i) نشان می­دهد و به عبارت دیگر هر یک از ضرایب، میانگین تغییر در متغیر وابسته را به ازای یک واحد تغییر در متغیر مورد نظر اندازه گیری می­­کند (Brooks, 2008).

 

۳-۵-۳- تکنیکهای تلفیقی و تشکیل الگو برای داده‌های تلفیقی

تجزیه و تحلیل داده ­های تلفیقی یکی از موضوعات جدید و کاربردی در اقتصاد سنجی است، چرا که داده ­های تلفیقی یک محیط بسیار غنی از اطلاعات را برای گسترش دادن تکنیک‌های تخمین و نتایج تئوریک فراهم می‌آورد. در بسیاری از موارد، محققین می‌توانند از داده ­های تلفیقی برای مواردی که مسائل را نمی‌توان فقط به صورت سری زمانی و یا فقط به صورت مقطعی بررسی کرد، بهره گیرند. مثلاً در بررسی‌های تابع تولید، مسئله‌ای که وجود دارد این است که بتوان تغییرات تکنولوژی را از صرفه‌های به مقیاس تفکیک کرد. در این گونه موارد داده‌های مقطعی فقط اطلاعاتی را در مورد صرفه‌های به مقیاس فراهم می‌آورد. در حالی که داده‌های سری زمانی اثرات هر دو را بدون هیچ گونه تفکیکی نشان می‌دهد. تلفیق آمارهای سری زمانی با آمارهای مقطعی نه تنها می‌تواند اطلاعات سودمندی را برای تخمین مدل‌های اقتصاد‌سنجی فراهم آورد، بلکه بر مبنای نتایج به دست آمده همچنین می‌توان استنباط‌های سیاست‌گذاری در خور توجهی به عمل آورد. همچنین از داده‌های تلفیقی برای مواردی که تعداد مشاهدات محدود باشند و در یک الگوی سری‌زمانی رگرسیون ساختگی را تشکیل دهند، می‌توان استفاده کرد.
۳-۵-۴-۱- مزیت استفاده از داده‌های تلفیقی نسبت به سری‌های زمانی و داده‌های مقطعی

 

 

داده‌های تلفیقی اطلاعات آگاهی‌دهنده بیشتر، تنوع یا تغییرپذیری بیشتر، همخطی کمتر بین متغیرها، درجات آزادی و کارایی بیشتر را فراهم می‌کند. با توجه به اینکه داده‌‌های تلفیقی ترکیبی از سری‌های زمانی و مقطعی است، بعد مقطعی موجب اضافه شدن تغییرپذیری یا تنوع بسیار زیادی می‌شود که با در دست داشتن این اطلاعات می‌توان برآوردهای معتبرتری انجام داد. مزیت عمده در این داده‌‌ها آن است که داده‌های گروهی یعنی داده‌های مرکب از یک سری زمانی از نمونه‌های مقطعی، از نظر اطلاعات بالقوه غنی‌تر از نمونه مقطعی () خواهد بود و اگر صرفاً از سری‌های زمانی استفاده شود، مشاهدات تنها به اندازه[۴۴] () خواهد بود؛ با تلفیق این دو، تعداد داده‌ها به اندازه تعداد مقاطع ضربدر تعداد مشاهدات () افزایش خواهد یافت که این امر می‌تواند به برآوردهای کاراتری از پارامترها منجر شود.

در محاسبه واریانس[۴۵] جامعه با توجه به مشاهدات مربوط به سری زمانی، واریانس به دست آمده از مشاهدات بر تعداد داده‌ها منهای تعداد پارامترها، تقسیم می‌شود.
(۴-۳)

در حالی که در داده‌های گروهی داریم:
(۵-۳)

معمولاً در این حالت مخرج بزرگتر می‌شود و بنابراین واریانس محاسبه شده کوچکتر از واریانس به دست آمده از داده‌های سری زمانی است و بنابراین کارایی[۴۶] تخمین افزایش می‌یابد.
به همین قیاس چنانچه آزمون (آزمون معنی‌دار بودن کل رگرسیون) را در دو حالت یعنی سری زمانی و تلفیقی مقایسه کنیم داریم:

در مدل سری زمانی تنها:
(۶-۳)

در صورتی که مدل تلفیقی به صورت زیر محاسبه می‌‌شود:

(۷-۳)

به وضوح مشخص است که مقدار در مدل تلفیقی می‌تواند بزرگتر از مدل سری زمانی باشد و لذا احتمال معنی‌دار بودن کل رگرسیون یعنی وجود متغیرهای توضیحی در مدل تلفیقی بیشتر خواهد بود.

 

داده‌های تلفیقی در مقایسه با داده‌های مقطعی و سری زمانی صرف، امکان طراحی الگوهای رفتاری پیچیده‌تری را فراهم می‌کند. برای مثال، به وسیله داده‌های ترکیبی امکان بهتری برای بررسی و مدل‌سازی کارایی تکنیکی وجود دارد.

داده‌های تلفیقی امکان بیشتری برای شناسایی و اندازه‌گیری اثراتی (اثرات غیر قابل مشاهده) را فراهم می‌کند، که به وسیله آمارهای مقطعی یا سری زمانی تنها، به سادگی قابل شناسایی نیست.

داده‌های تلفیقی از واحدهای کوچکی مثل افراد، شرکت‌ها و خانوارها گردآوری می‌شوند. خیلی از متغیرها را می‌توان در مقیاس کوچک با دقت بیشتری اندازه‌گیری نمود و از این طریق، انحراف‌های ناشی از تجمع افراد یا شرکت‌ها حذف می‌شوند.

امتیاز دیگری که برای تلفیق کردن داده‌ها می‌توان در نظر گرفت، این است که ممکن است استفاده از مشاهدات مقطعی به برآوردهای اریبی از پارامترها منجر شود. چنانچه از این برش‌های مقطعی طی زمان نمونه‌گیری شود و به اصطلاح داده‌های گروهی فراهم شود، برآوردهای نااریب و سازگاری امکان‌پذیر است.

۳-۵-۴-۲- روش های تخمین مدلهای تلفیقی
برآورد روابطی که در آن‌ ها از داده ­های ترکیبی (سری زمانی، مقطعی) استفاده می‌شود، غالباً با پیچیدگی‌هایی مواجه است. در حالت کلی، مدل زیر نشان دهنده یک مدل با داده‌های ترکیبی است:
(۸-۳)

که در آن نشان دهنده واحدهای مقطعی و بر زمان اشاره دارد. متغیر وابسته را برای امین واحد مقطعی در سال و نیز امین متغیر مستقل غیر تصادفی برای امین واحد مقطعی در سال است. فرض می­ شود جزء اخلال[۴۷] دارای میانگین[۴۸] صفر، و واریانس ثابت است.

پارامترهای مدل مجهول است که واکنش متغیر وابسته نسبت به تغییرات امین متغیر مستقل در امین مقطع و امین زمان را اندازه‌گیری می‌کند. در حالت کلی فرض می‌شود که این ضرایب در میان تمامی واحدهای مقطعی و زمانی مختلف متفاوت است. ولی در بسیاری از مطالعات پژوهشی متغیر بودن این ضرایب هم برای تمامی مقاطع و هم برای تمامی زمان‌ها بسیار محدود کننده است و باید نسبت به ماهیت موضوع مورد مطالعه و سایر شرایط، فرض‌های مقتضی در خصوص پارامترها توسط پژوهشگر تعیین شود. این مدل را می‌توان به پنج حالت زیر تقسیم کرد[۴۹] :

 

تمامی ضرایب ثابتند و فرض می‌شود که جزء اخلال قادر است تمام تفاوت‌های میان واحدهای مقطعی و زمان را دریافت کند و توضیح دهد.

(۹-۳)