پژوهشگران

عنوان پژوهش

نتایج

 

چاراش و اسپکتور (۲۰۰۱)

نقش عدالت در سازمان ها

هر سه بعد عدالت سازمانی رابطه مثبت و معنی داری با تعهد سازمانی داشتند ولی در این میان تاثیر عدالت رویه ای از دو بعد دیگر عدالت بیشتر بود.

 

کولکوئیت (۲۰۰۱)،
ماسهلدر و همکاران (۱۹۹۸)

تحلیل چند سطحی عدالت سازمانی

عدالت سازمانی رابطه مثبتی با تعهد سازمانی، رضایت شغلی و رفتارهای مدنی دارد.

 

گرینبرگ (۱۹۸۷)

طبقه بندی نظریه های عدالت سازمانی

عادلانه بودن رفتار، گفتار و منش مدیران و شیوه های توزیع منابع و پاداش های سازمان در پایبندی و تعهد کارکنان به اهداف متعالی سازمان موثر خواهد بود.

 

لیاو و راپ (۲۰۰۵)

تاثیر رویکرد و جو عادلانه در سازمان بر ستاده های کار

در سازمان هایی که عدالت اجرا نمی شود، نوعی تنش در کارکنان ایجاد می شود که برای کاهش این تنش سعی می کنند میزان دلبستگی خود نسبت به سازمان را کاهش دهند که از پیامدهای آن نیز کاهش تعهد سازمانی می باشد.

 

شهزاد و همکاران (۲۰۱۱)

بررسی تاثیر عدالت توزیعی و رویه ای بر تعهد سازمانی کارکنان سازمان های بخش عمومی پاکستان

عدالت رویه ای و عدالت توزیعی اثر قابل توجهی بر تعهد کارکنان دارند ولی اثر عدالت رویه ای نسبت به عدالت توزیعی بیشتر است.

 

هوان لی (۲۰۰۸)

تاثیر اعتماد و تعهد کارکنان بر رفتار نوآورانه ی آنان در بخش عمومی

اعتماد و تعهد کارکنان درسطح سازمان تاثیر بیشتری نسبت به سطح فردی بر رفتار نوآورانه ی کارکنان دارد.

 

رامامورتی و همکاران (۲۰۰۵)

عوامل تعیین کننده ی رفتار نوآورانه :توسعه و سنجش مدل یکپارچه

عواملی چون پرداخت ها، استقلال شغلی و التزام به نوآوری که از مولفه های قراردادهای روانی هستند و همچنین عدالت سازمانی تاثیر بارزی بر رفتار نوآورانه ی کارکنان دارند.

 

داریوس تورک و اگنیزکا تورک (۲۰۱۳)

به بررسی نقش مبادله رهبر-عضو و عدالت سازمانی بر رفتار نوآورانه کارکنان

بین ابعاد عدالت سازمانی و مبادله رهبر-عضو با رفتار نوآورانه ی کارکنان رابطه مثبت و معنی داری وجود دارد.

 

جانسن (۲۰۰۰)

بررسی رابطه انصاف ادراک شده و رفتار نوآورانه ی کارکنان

یکی از فاکتورهای انصاف ادراک شده وجود عدالت سازمانی می باشد و زمانی که با کارکنان برخوردی عادلانه صورت گیرد، کارکنان رفتار نوآورانه ای از خود نشان می دهند.

۱-۶-۱- کالیبراسیون یک متغیره و چند متغیره
مراحل کالیبراسیون معمولا شامل طراحی آزمایش، انتخاب مدل، تخمین پارامترها و پیش‌بینی مجهولات می‌باشد. در کالیبراسیون یک متغیره، امکان تصحیح مزاحم‌ها بدون وارد کردن اطلاعات اضافی وجود ندارد، در حالی که در روش‌های چند متغیره قادر به جدا کردن اطلاعات مفید از اطلاعات نامناسب مانند خطا می‌باشند، بدون این که اطلاعات اضافی دیگری برای این کار لازم می‌باشد ]۶[.

۱-۶-۲- حداقل مربعات کلاسیک(CLS)^[26]
روش بسیار محبوب برای محاسبه برآورد پارامترها و تناسب داده هاست. این روش یکی از قدیمی ترین تکنیک های آماریست که در داده های چند متغیره و در مدل های طیف سنجی مورد استفاده قرار می گیرد ]۷[.
۱-۶-۳- حداقل مربعات معکوس(ILS)^[27]
واژه حداقل مربعات توصیفی از یک رویکرد برای حل معادلات از روی عدم دقت در مفهوم تقریبی است. به جای حل دقیق معادلات، به دنبال به حداقل رساندن مجموع مربعات باقیمانده می باشد. حداقل معیار مربع دارای تفسیرهای مهم آماری است. یکی از این تفسیرهای مهم زمانی است که مفروضات مناسب، احتمالاتی در مورد توزیع خطا زمینه ای ایجاد نمایند که در این حالت حداقل مربعات، برآورد حداکثر احتمال از پارامترهای شناخته شده را بدست می دهد ]۸[.
۱-۶-۴- رگرسیون خطی چندگانه (MLR)^[28]
با روش های مطالعاتی چند متغیره، می توان همزمان به بررسی و تحلیل چندین متغیر مختلف پرداخت. برای دسترسی به نتایج مطلوب تر و درست تر از این روش ها، نیازمند به نمونه های فراوان و در عین حال درست است زیرا این روش ها در مقابل اطلاعات نادرست، حساسیت بالایی دارند و ورود چنین داده هایی ممکن است منجر به بروز خطاهای بزرگی در نتایج به دست آمده شود. افزون بر این برای استفاده از این روش ها، متغیرها باید توزیع نرمال داشته باشند و تغییر آنها از یک رابطه خطی پیروی کند ]۹[.
رگرسیون چند متغیره در حقیقت، ارتباط بین یک سری از متغیرهای مستقل را با یک متغیر مورد نظر بیان می کنند. در صورت وجود متغیرهای مستقل x₁, x₂, …, x_nاگر بخواهیم ارتباط خطی بین آنها و متغییر yکه وابسته به آنهاست ایجاد کنیم، رابطه زیر باید بین آنها برقرار باشد:
(۲-۱) y = a₀ + a₁x₁ + a₂x₂ + … + a_nx_n + e
که در این رابطه از مقادیر a₁, a₂, …, a_nبا عنوان ضرایب رگرسیون یاد می شود. این ضرایب، ضرایب نامشخصی بوده که در حقیقت، مسئول برآورد پارامتر وابسته هستند. در صورتی که از طرفین رابطه فوق امید ریاضی^[۲۹] گرفته شود، به دلیل اینکه امید ریاضی مقدار خطای e برابر با صفر است، می توان نوشت:
(۳-۱) E(y) = a₀ + a₁x₁ + a₂x₂ + … + a_nx_n
که E(y)در حقیقت مقدار مورد انتظار تابع، تحت تأثیر و ورود مقادیرمتغیرهای x₁, x₂, …, x_n است.
۱-۶-۵- حداقل مربعات جزئی(PLS)^[30]
به منظور اشتقاق یک تابع انتقالی بر اساس متغیرهای مستقل و وابسته مورد نظر، از روش رگرسیون حداقل مربعات جزئی استفاده می گردد. این روش یکی از روش های چند متغیره است که در هنگام بروز هم خطی بین متغیرهای مستقل استفاده می شود. در این روش برای تشکیل رابطه بین متغیر وابسته و متغیرهای مستقل، متغیرهای جدیدی ساخته می شود که آنها را مؤلفه یا فاکتور می نامند. هر یک از این مؤلفه ها یک ترکیب خطی از متغیرهای مستقل اولیه می باشد. سپس از روش های رگرسیونی استاندارد برای تعیین معادلاتی که این مؤلفه ها را به متغیر وابسته ارتباط دهند استفاده می شود. شایان ذکر است که تعداد این مؤلفه‎ها از تعداد متغیرهای مستقل اولیه کمتر بوده و همچنین بین آنها رابطه خطی وجود ندارد. در واقع روش حداقل مربعات جزئی با بکار بردن مؤلفه هایی با قدرت پیش بینی بالا که تعداد آنها از متغیرهای اولیه کمتر است، بعد مسأله را نیز کاهش می دهد. یکی از مزایای این روش به روش رگرسیون خطی چندگانه این است که می توان از متغیرهایی که از توزیع نرمال تبعیت نمی کند نیز استفاده کرد ]۱۰[.
۱-۶-۶- آنالیز اجزاء اصلی(PCA)^[31]
این روش یکی از الگوهای تشخیص و شناسایی (تشخیص هویت) در یک مجموعه اطلاعات است. در این روش اطلاعات را براساس شباهت ها و تفاوت هایشان بیان می کنند. از آن جا که در اطلاعات از ابعاد بالا، نقشه و طرح خاصی را به سختی می توان در داده ها پیدا کرد. در حقیقت آنالیز اجزای اصلی ارتباط بین داده ها را کشف می کند و در جایی که نعمت نمایش گرافیکی در دسترس نیست، آنالیز اجزای اصلی یک ابزار نیرومند برای آنالیز اطلاعات است. دیگر مزیت اصلی آنالیز اجزای اصلی این است که شما یک بار این الگو را در داده ها پیدا می کنید و با کاهش تعداد ابعاد، بدون آن که مقدار زیادی از اطلاعات را از دست دهید این اطلاعات را فشرده می کنید. هدف آنالیز اجزای اصلی خلاصه کردن داده هاست و به عنوان یک وسیله دسته بندی کننده اطلاعات مورد توجه نیست، از این تکنیک در فشرده سازی تصاویر استفاده می‎شود. یکی از کاربردهای مطلوب آنالیز اجزای اصلی، استفاده از آن به عنوان ابزاری کمکی، در آموزش شبکه های عصبی است. معمولا قبل از آغاز آموزش شبکه های عصبی یکسری پیش پردازش برروی داده ها انجام می شود که باعث افزایش کارایی شبکه های عصبی می شود مانند: نرمال کردن داده ها و قراردادن آن‎ها در یک فاصله مشخص مثلا بین -۱ و ۱ ]۱۱[.
۱-۶-۷- رگرسیون اجزاء اصلی (PCR)^[32]
عبارتست از تجزیه و تحلیل رگرسیونی با آنالیز اجزای اصلی زمانی که ضرایب رگرسیون برآورد شده باشد. این روش برای غلبه بر مشکلاتی که متغیر های بدست امده نزدیک به راستا بودن هستند، مورد استفاده قرار می گیرد همچنین در این روش به جای استفاده از الگوهای متغیر وابسته و متغیرهای مستقل به طور مستقیم، از متغیرهای مستقل استفاده می شود. به طور معمول با بهره گرفتن از یک زیر مجموعه از اجزای اصلی در رگرسیون ساخته شده و منظم می گردد. اغلب اجزای اصلی با بالاترین واریانس انتخاب می شود، با این حال ممکن است که کمترین واریانس اجزای اصلی نیز مهم باشد حتی در برخی موارد از اهمیت بیشتری برخوردار است و بعد محاسبات پیش بینی حاصل می شود.
این روش رگراسیونی را به سه مرحله تقسیم می کنند که عبارتند از:

 

1. 1. گام اول اجزای تجزیه و تحلیل در جدول متغیر های توزیعی باشد.

 

1. 1. گام دوم برای اجرای عادی رگرسیون حداقل مربعات (رگرسیون خطی) بر روی اجزای انتخاب شده این است که عواملی که در ارتباط با متغیر وابسته هستند انتخاب شوند.

 

1. 1. در نهایت پارامترهای مدل را برای انتخاب متغیرهای توزیعی محاسبه کند ]۱۲[.

 

۱-۶-۸- رگرسیون چند متغیره غیر خطی(MNR)^[33]
این روش یکی از تکنیک های یادگیری نظارتی و در حالتی که نتایج خروجی به صورت دوتایی^[۳۴] هستند،
مورد توجه قرار می گیرد، در کل زمانی که نتایج خروجی به صورت دوتایی هستند رگرسیون خطی خیلی
کارا نیست، دراین حالت استفاده از این تکنیک مناسب تر است. نکته دیگر اینکه این روش یک تکنیک رگرسیون غیر خطی است و لزومی ندارد که داده ها حالت خطی داشته باشند. اگر بخواهیم دلیل استفاده رگرسیون لجستیک^[۳۵] را بیان کنیم باید این گونه بحث کنیم در رگرسیون خطی علاوه بر اینکه نتایج خروجی باید به صورت عددی باشد، متغیرها هم باید به صورت عددی باشد بنابراین حالت هایی که به صورت مقایسه ایی هستند باید به حالت عددی تغییر شکل پیدا کنند، مثلا جنسیت افراد از حالت زن و مرد به ترتیب به حالت های ۰ و ۱ تغییر پیدا می کند. به علت اینکه خروجی متغیر بصورت دوتایی می باشد اساس رگرسیون خطی در این حالت ایراد پیدا می کند و ارزش قیدی که بر روی متغیر وابسته قرار می گیرد توسط معادله رگرسیون در نظر گرفته نمی شود. در واقع چون رگرسیون خطی معادله یک خط را ترسیم می کند نمی تواند حالت مثبت و منفی یا به عبارتی صفر و یک را در نظر بگیرد به همین دلیل برای اینکه بتوان حالت های دوتایی را هم در نظر گرفت باید شکل معادله را تغییر داد با این تغییر شکل معادله رگرسیون، احتمال اتفاق افتادن یا اتفاق نیفتادن یک واقعه را بدست می دهد. با تغییر شکل رگرسیون خطی به حالت رگرسیون لجستیک این مشکل حل می شود، با توجه به لگاریتمی بودن معادله نمودارش غیر خطی خواهد بود ]۹[.
.
۱-۶-۹- منطق فازی
فازی به معنای گنگ و مبهم و تار است. منطق فازی یک منطق ریاضی است که خیلی ها دوست دارند آن را مقابل منطق صفر و یک ریاضی قرار دهند. این منطق در سال ۱۹۶۵ توسط یک ریاضیدان ایرانی بنام دکتر لطفی زاده در آمریکا عرضه شد و در حال حاضر بعنوان روشی فوق العاده برای شناسایی و کنترل سیستم‎هایی که اطلاعاتی دقیقی از درون آنها در اختیار نیست، بکار می رود. در واقع امتیاز منطق و روش‎های فازی زمانی مشخص می گردد که با سیستم های نسبتا فوق العاده پیچیده و با دینامیک بالا درگیر باشیم. در واقع بیان کننده این واقعیت است که لزومی ندارد که یک گزینه درست یا غلط باشد (به عبارتی صفر یا یک باشد) مثلا ممکن است گزینه ۰٫۷ درست باشد ]۱۳[.
۱-۶-۹-۱-کاربرد های منطق فازی
احتمالا راجع به یخچال های فازی یا دوربین های فیلمبرداری فازی و یا ماشین لباسشویی فازی مطالبی شنیده اید. چند کاربرد دیگر ]۱۴[ این منطق عبارتند از:

 

• • ترمز های ABS و سیستم کروز

 

• • دوربین ها

 

• • ماشین ظرف شویی

 

• • آسانسور ها

 

• • ماشین لباسشویی

 

• • بازی های رایانه ای

 

• • شناخت الگو ها

 

• • سیستم های تهویه

 

۱-۶-۱۰- شبکه های عصبی مصنوعی (ANN)
شبکه‌های عصبی مصنوعی یا به زبان ساده‌تر شبکه‌های عصبی، سیستم‌ها و روش‌ های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌ های خروجی از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه ‌ها (تا حدودی) الهام ‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه های پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم ‌پیوسته با نام نورون^[۳۶] تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها^[۳۷] (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند، مثلا با اعمال سوزش به سلول‎ های عصبی لامسه، سلول‎ ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ ها وزن سیناپس ‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی ‎های جدید، سیستم پاسخ درستی تولید کند. با بهره گرفتن از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نورون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون ‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ ها برای تخمین^[۳۸] و تقریب^[۳۹] کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال ‌های بیولوژیکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد. اگر یک شبکه را هم‌ارز با یک گراف بدانیم، فرایند آموزش شبکه تعیین نمودن وزن هر یال و پایه اولیه خواهد بود. هدف شبکه عصبی مصنوعی ارزیابی قابل اطمینان بودن مدل QSAR است و به ارتباط غیر خطی بین متغیر های ورودی و خروجی توجه دارد.
شبکه عصبی مصنوعی یک سامانه پردازشی داده‌هاست که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده ‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد با ایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکه عصبی گره‌ها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن است. یال‌ های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌ های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند. شبکه‌ های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌ها پیچیده می‌توانند در استخراج الگو ها و شناسایی گرایش ‌های مختلفی که برای انسان‌ ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند ]۱۵[.
۱-۶-۱۰-۱- ویژگی های شبکه عصبی
یکی از مهم ترین ویژگی های شبکه عصبی مصنوعی اینست که شبکه های فوق، سیستمی برنامه ریزی شده با قواعد از پیش تعیین شده نیستند و می توانند طی فرآیندی که آموزش نامیده می شود ساختار درونی خود را به صورت تجربی به نحوی تنظیم کنند که بهترین پاسخ ممکن را برای داده های ورودی ایجاد کند. استفاده از شبکه های عصبی مصنوعی به جای روش رگرسیون خطی چندتایی در مطالعات QSAR، به خصوص هنگامی که ارتباط بین توصیف کننـده و فعالیـت مورد نظـر خطـی نبوده و یا اینکه بین آنها بر هم کنش هایی وجود داشتـه باشد باعث بهبـود مدل حاصلـه خواهــد شــد. یک شبکه عصبی شامل اجزای سازنده لایه‌ ها و وزن ‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. شبکه عصبی مصنوعی، از مجموعه‌ای از نورون ‌های عصبی تشکیل می‌شود. مهم‌ترین عواملی که گونه‌ها و کاربرد های شبکه‌های عصبی را از یکدیگر متمایز می‌سازند، نوع نورون به‌کارگرفته شده، چیدمان یا معماری شبکه، بازه ورودی/ خروجی‌ها است. در معماری یک شبکه تعداد لایه ‌ها و اتصالات بین آنها مهم است. ورودی‌ های شبکه با نام «لایه ورودی» و خروجی های شبکه با نام «لایه خروجی» و در صورت نیاز، لایه‌های میان این دو «لایه پنهان» نامیده می‌شود. در صورتی که خروجی نورون ‌های هر لایه به همه نورون‌ های لایه بعدی وارد شده باشد، اتصالات را کامل می‌نامند، اما اغلب خروجی‌ها به‌صورت تصادفی با توزیع نرمال در نظر گرفته می‌شود. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:

 

1. 1. لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌ است.

 

1. لایه ‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

با توجه به جدول شماره (۸ ـ۴) و سطح معناداری (۰۴۱/۰ =sig ) مربوط به آماره فیشر که
از سطح خطای ۵% کمتر است، در نتیجه معنی­داری مدل رگرسیون برازش شده در سطح اطمینان ۹۵% تأیید گردیده و در مورد مقدار ثابت و ضریب b مربوط به هر متغیر، در مدل کلی نیز با توجه به سطح معنی­داری (sig) تصمیم ­گیری شده است. از آن جا که در این خروجی، سطح معنی­داری آزمون تساوی ضریب رگرسیون با صفر مربوط به متغیرهای اندازه شرکت، اهرم مالی، بازده دارایی (ROA )، بازده دارایی ثابت، وجوه نقد عملیاتی، نسبت بدهی به حقوق صاحبان سهام و نسبت هزینه بهره و توزیع سود نقدی، بزرگتر از ۵% است؛ بنابراین فرض تساوی ضریب رگرسیون با صفر (فرض H0 ) تأیید می­ شود و باید آن­ها را از معادله رگرسیون خارج کرد و نشان می­دهد که هیچ رابطه معنی­داری بین متغیرهای ذکر شده و بازده غیرعادی وجود ندارد. امّا در مورد متغیر خطای پیش ­بینی سود هر سهم فرض تساوی ضریب رگرسیون با صفر (فرض H0 ) رد می­ شود و نباید آن را از معادله رگرسیون خارج کرد. هم خطی وضعیتی است که نشان می­دهد یک متغیر مستقل تابعی از سایر متغیرهای مستقل است. اگر هم خطی در یک مدل بالا باشد بدین معنی است که بین متغیرهای مستقل همبستگی بالایی وجود دارد و ممکن است با وجود بالا بودن R2 مدل دارای اعتبار بالایی نباشد. شاخص­ های وضعیت با مقدار بیشتر از ۱۵ نشان دهنده آن است که احتمال هم خطی بین متغیرهای مستقل می­باشد و مقدار بیشتر از ۳۰ بیانگر مشکل جدی در استفاده از رگرسیون می­باشد و با توجه به این که مقدار شاخص وضعیت (به جز یک مورد که آن هم کمتر از ۳۰ می­باشد) مربوط به متغیرهای مدل کمتر از ۱۵ است، احتمال هم خطی بین متغیرهای مستقل و کنترل وجود ندارد. هر چه قدر تلورانس کم باشد اطلاعات مربوط به متغیرها کم بوده و مشکلاتی در استفاده از رگرسیون ایجاد می­ شود؛ امّا همان گونه که مشاهده می­ شود، مقدار تلورانس متغیرهای مدل در حد قابل قبول می­باشد و مشکلی در استفاده از رگرسیون پدید نمی­آید. مدل رگرسیون مربوطه به صورت زیر خواهد بود:

y = - 19/034 + 0/941 FE + ei

جدول (۹-۴) ماتریس ضرایب همبستگی بین کلیه متغیرهای تحقیق در سال ورود به بورس (مقطع زمانیA)

 

۲ ـ ۶ ـ ۴تجزیه و تحلیل و آزمون فرضیه اصلی دوم:

فرضیه دوم: «بین خطای پیش بینی سود هر سهم و بازده غیرعادی سهام پس از یک سال از ورود به بازار سرمایه رابطه وجود دارد.»
این فرضیه به صورت فرضیه ­های آماری زیر ارائه می­گردد:
همبستگی معنی داری بین خطای پیش ­بینی سود هر سهم و بازده غیرعادی سهام پس از یک سال از ورود به بازار سرمایه وجود ندارد.
همبستگی معناداری بین خطای پیش بینی سود هر سهم و بازده غیر عادی سهام پس از یک سال از ورود به بازار سرمایه وجود دارد.
H0 : ρ = ۰
H1 : ρ ≠ ۰

جدول (۱۰ـ۴): ضریب همبستگی، ضریب تعیین، ضریب تعیین تعدیل شده و آزمون
دوربین ـ واتسون بین دو متغیر خطای پیش ­بینی سود هر سهم و بازده غیرعادی سهام پس از یک سال از ورود به بازار سرمایه

 

 

 

مدل

 

ضریب همبستگی

 

ضریب تعیین

 

ضریب تعیین تعدیل شده

 

خطای معیار تخمین

 

دوربین ـ واتسون

 

سطح معنی داری

 

 

 

۱

 

۴۶۴/۰

 

۲۱۶/۰

 

۲۰۵/۰

 

۱۳۴۴۷/۴۱

 

۶۷۵/۱

 

۰۰۰/۰

 

 

 

طبق جدول شماره (۱۰ـ ۴) ضریب همبستگی پیرسون بین دو متغیر خطای پیش ­بینی سود هر سهم و بازده غیرعادی سهام پس از یک سال از ورود به بازار سرمایه ۴۶۴/۰ است. این عدد در سطح خطای ۵% رابطه معنی­داری را بین دو متغیر خطای پیش ­بینی سود هر سهم و بازده غیرعادی در این مقطع زمانی نشان می­دهد. با توجه به خروجی­های نرم افزار spss ؛ جداول نشان می­دهد، از آن جا که sig کمتر از ۵% است، فرض H0 در سطح خطای ده درصد رد می­ شود و وجود همبستگی بین این دو متغیر تأیید می­ شود. هم چنین ضریب تعیین تعدیل شده محاسبه شده نیز عدد ۲۰۵/۰ را نشان می­دهد که برازش مناسبی از تغییرات متغیر بازده غیرعادی توسط متغیر خطای پیش بینی سود هر سهم در این مقطع زمانی ارائه می­ کند. درواقع ضریب تعیین تعدیل شده حاکی از این مطلب است که متغیرخطای پیش بینی سود، ۵/۲۰% از تغییرات بازده غیرعادی را تبیین می کند. یکی از مفروضات رگرسیون استقلال خطاهاست؛ در صورتی که فرضیه استقلال خطاها رد شود و خطاها با یکدیگر همبستگی داشته باشند، امکان استفاده از رگرسیون وجود ندارد. آماره دوربین ـ واتسون به منظور بررسی استقلال خطاها از یکدیگر استفاده می­ شود که اگر مقدار آماره دوربین ـ واتسون در فاصله ۵/۱ تا ۵/۲ باشد فرض همبستگی بین خطاها رد می­ شود و می­توان از رگرسیون استفاده کرد. مقدار آماره دوربین ـ واتسون طبق جدول (۱۰ـ ۴ ) ۶۷۵/۱ می­باشد و این عدد نشان می­دهد که خطاها از یکدیگر مستقل هستند و بین خطاها خود همبستگی وجود ندارد و فرض همبستگی بین خطاها رد می­ شود و می­توان از رگرسیون استفاده کرد.

۲

 

۳

 

۴

 

۵

 

۶

 

 

 

۱

 

 

 

۳.۷۳۸

 

۱.۸۸۳

 

-۰.۳۶۰

 

-۰.۲۸۴

 

۰.۹۳۱

 

-۱.۵۵۸

 

 

 

-۲.۴۵۰

 

 

 

مطابق جدول (۴-۴) پارامترهای آماری مختلفی شامل ضریب تعیین^[۵۳] (R²)، ریشه میانگین مربعات خطا ها^[۵۴] (RMSE)، میانگین خطاها (Bias) و شاخص پراکندگی^[۵۵] (SI) برای ارزیابی مدل آموزش دیده، به­کار گرفته شد. نتایج این ارزیابی در جدول (۴-۵) نشان داده شده است. نتایج نشان می­دهد که مدل شبکه عصبی مصنوعی (ANN) ارائه شده به خوبی آموزش دیده‌ است. همانطور که مشاهده می­ شود، با افزایش تعداد داده ­ها نتایج بهتر و قدرت پیش بینی مدل ها افزایش می­یابد. با افزایش داده ­ها از ۲۰۰ به ۶۰۰، ضریب همبستگی از مرز ۰.۹ که معیار مناسبی می­باشد، می­گذرد. از این رو، می­توان گفت حداقل داده مورد نیاز برای آموزش مدل­های ارائه شده و حصول نتیجه مناسب، ۴۰۰ داده می باشد. با این وجود، با توجه به در اختیار داشتن تعداد ۱۳۴۷ داده آموزش و افزایش قدرت پیش بینی بهتر مدل، آموزش بر اساس این تعداد داده مورد توجه قرار گرفت.

 

 

•  

 

 

• ارزیابی و مقایسه عملکرد مدل‌ پیشنهادی

 

 

 

 

محققان بسیاری آنالیزهای آماری مختلفی را برای ارزیابی روش‌های داده ­کاوی بکار گرفته‌اند. این گونه تحلیل‌ها معیار مناسبی را برای رتبه بندی روش‌های مختلف بر اساس دقت پیش ­بینی­شان فراهم می‌آورند]۲۸-۲۹[. برای ارزیابی و مقایسه مدل‌های شبکه عصبی و شبکه عصبی- فازی پیشنهاد شده، پارامترهای آماری مختلفی بکار گرفته شده‌اند، که هر یک ماهیت مستقلی از خطا را می‌دهند. ضریب تعیین (R²) معیاری برای تعیین همبستگی نسبی بین دو مجموعه متغیر می­باشد. این پارامتر در مرحله آموزش مدل، نقش مهم‌تری نسبت به مرحله آزمون ایفا می‌کند. RMSE مشهورترین معیار خطا می‌باشد، که خطاهای بزرگ را بیشتر از خطاهای کوچک جذب می‌کند. ضریب پراکندگی (SI) معرف پراکندگی متغیر به صورت مطلق می‌باشد، در واقع میزان پراکندگی داده‌ها از خط بهینه می‌باشد، اگر تمام داده‌ها درست پیش بینی شوند میزان پراکندگی صفر می‌باشد. میانگین خطاهای انحرافی^[۵۶] (MBE) از دیگر پارامترهای آماری مهم می‌باشد، که هرچه به عدد صفر نزدیک باشد بهتر است، مقادیر مثبت برای MBE نشان از پیش ­بینی دست بالا و مقادیر منفی نشان از مقادیر دست پایین می‌باشد.
تعریف پارامترهای آماری

 

 

Definition

 

Statistical Parameter

 

 

 

 

 

Coefficient of determination

 

 

 

 

 

Root Mean Square Error

 

 

 

 

 

Scatter Index

 

توجه کنید در آخرین نمونه آزمایشی که همه‌ی میانگین‌ها، یک انحراف استاندارد در یک جهت منتقل شده‌اند، احتمال شناسایی انتقال بطور قابل ملاحظه‌ای کوچکتر از حالتی است که تنها دو تا از میانگین‌ها با یک انحراف استاندارد در خلاف جهت هم منتقل شده‌اند. به وضوح انتقال با یک انحراف استاندارد برای هر چهار مولفه (در جهات مختلف به صورت زوجی) مقادیر بیشتر را به دست می دهد.

نتایج در ستونی که خلاصه نتایج برای توان آزمون را برای شناسایی اختلاف گروه‌ها در چهارمین نمونه آزمایشی توضیح می‌دهد]۲۴[.
جدول ۳-۹:
میانگین جمعیت با مقادیر خارجی (۹٫۹۸ ۹٫۹۸ ۹٫۹۸ ۱۴,۹۸)’ ماتریس آمیخته‌ی s_p از نمونه پایه (۵۰ گروه دو مشاهده ای)داده‌های نمونه پایه عبارتند از]۲۴[:

جدول ۳-۱۰
میانگین جمعیت با مقادیر خارجی (۹٫۹۸ ۹٫۹۸ ۹٫۹۸ ۱۴,۹۸)’ ماتریس آمیخته‌ی s_p از نمونه پایه (۵۰ گروه دو مشاهده ای) داده‌های نمونه پایه عبارتند از]۲۴[:

جدول ۳-۱۱
تعداد دفعات که از مقادیر بحرانی تخطی کرده‌اند]۲۴[

۲-۴ کنترل کیفیت با اهداف چند متغیره درونی – مطالعات کارایی فرایند چند متغیره
در طول یک فرایند صنعتی جاری کنترل کیفیت عموماً با اهداف حاصل از یک نمونه مرجع استاندارد که واحدهای^[۴۵] آن‌ در همه متغیرهای بررسی شده دارای کیفیت قابل قبول^[۴۶] هستند، انجام می‌شود. در مطالعه قابلیت (کارایی) فرایند معمولاً از قبل اطلاعاتی ، در مورد خصوصیات فرایند^[۴۷] وجود ندارد. در حالت خاص هیچ مقادیر هدفی بر مبنای اطلاعات قبلی تولید مولفه‌ها در دسترس نیست و بنابراین مقادیر هدف به صورت درونی محاسبه می‌گردند.
بسیار مهم است بین حدود خاص تولید^[۴۸] که نیاز ‌های مشتری تعیین می‌شود و خصوصیات کیفی فرایند کیفی فرایند^[۴۹] که به فرایند تولید و تحویل محصول بستگی دارد تمایز قائل شویم. در حالت چند متغیره بردار میانگین‌ها جایگزین میانگین تک متغیر شده و همبستگی بین متغیرها به انحراف استاندارد متغیرها یا واریانس افزوده می‌شود.
فرهنگ کنترل کیفیت آماری وستون الکتریک^[۵۰] (۱۹۵۶) عبارت “مطالعه قابلیت فرایند” را اینگونه تعریف می‌کند: “مطالعه سیتمی فرایند با میانگین‌های نمودار‌های کنترل آماری به منظور کشف اینکه رفتار سیستم نرمال یا غیر نرمال است؛ به علاوه بررسی‌هر رفتار غیر عادی به منظور مشخص کردن علت آن و اقدام برای حذف توزیع‌های غیر نرمال.”
بنابراین مطالعات قابلیت فرایند بسیار بیشتر از یک فرایند ساده‌ای تخمین میانگین‌ها و ماتریس کو واریانس است. برخی گام‌ها در مطالعه قابلیت فرایند چند متغیر، عباتند از:
۱- تعریف و تشخیص حدود فرایند^[۵۱] مورد مطالعه و متغیرهای موثر در خروجی فرایند. این گام معمولاً مسئولیت مدیریت است.
۲- تعریف بازه های زمانی معرف جمع آوری داده‌‌ها برای تعریف فرایند نمونه گیری ^[۵۲] و زیر گروه‌های منطقی^[۵۳]. طراحی سیستم جمع آوری باید مناسب متغیر های موثر بر خروجی فرایند باشد. این گام نیازمند دانش عمیق از فرایند به عنوان روال کنونی انجام کار ونیازها و برنامه‌های آینده که می‌تواند فرایند ما تحت تأثیر قرار دهد است.
۳- عملکرد^[۵۴] هم یک علت وهم تحت تأثیر ارتباط خروجی‌های فرایند به داده‌های ورودی و فاکتورهای کنترلی است، ابزار هایی که در این مرحله استفاده می‌شوند شامل دیاگرام ساده و موثر استخوان ماهی^[۵۵] یا ماتریس‌ها موثر و جامع‌تر QFD ^[۵۶] است.
علاوه بر این ارزیابی می‌توان با طراحی آماری آزمایش‌‌ها^[۵۷] اصلاح و تأیید گردد. در این مرحله و منظور استفاده‌ی موثر از فاکتور‌های کنترلی برای پیشگیری ازاختلال، فاکتورهای مؤثر بر فرایند می‌توان آزمایش‌ها را با جنبه‌های قوی طراحی اجرا کرد. برای اطلاعات بیشتر در مورد طراحی قوی^[۵۸]به پارک^[۵۹] و زاک و کنت^[۶۰] مراجعه کنید.
۴- جمع‌ آوری داده‌ها و ارزیابی آنها با بهره گرفتن از نمودار کنترل تک متغیره روی متغیرهای تکی، نمودار کنترل چند متغیره روی ترکیب متغیرها و روش‌های آماری و گرافیکی متنوع برای بررسی ساختار داده‌ها صورت می‌گیرد.
۵- حذف عوامل ویژه‌ی تغییر پذیری (غیر تصادفی). این مرحله نیازمند ارزیابی پایداری فرایند و تعریف عوامل ایجاد تغییر پذیری هر وسیله‌ی اندازه‌گیری،‌ شیفت‌های کاری،‌ اپراتورها و موارد تکی یا بسته‌ای است.
۶- ارزیابی مدل احتمالی اصلی (اساس) فرایند، شامل بررسی نرمال بودن چند متغیره^[۶۱] نیز می‌باشد. اگر نیاز باشد با تبدیلات می‌توان توزیع را نرمال کرد.
۷- محاسبات شاخص‌های عملکرد فرایند^[۶۲] و شاخص‌های قابلیت فرایند^[۶۳] .شاخص‌های عملکرد فرایند یک معیار برای عملکرد در طول زمان است و از همه‌ی داده‌های بدون در نظر گرفتن پایداری در طول زمان استفاده می‌کند و برای خلاصه سازی گذشته‌ی فرایند بکار می‌رود. شاخص‌های قابلیت فرایند زمانی که داده ها در یک بازه‌ی زمانی کوتاه جمع می‌شوند (مثلاً ۳۰ مشاهده) محاسبه می‌گردد و برای پیش‌بینی قابلیت آینده‌ی فرایند به کار می‌روند. برخی از این شاخص‌ عبارتند از: پایداری فرایند^[۶۴] نمونه معرف^[۶۵]، نرمال بودن توزیع فرایند و استقلال داده‌های جمع شده اخیراً بسیاری مولفان استفاده از شاخص‌های قابلیت چند متغیره را پیشنهاد می‌کنند.
مطالعه‌ی قابلیت فرایند چندمتغیره یک وضعیت کلاسیک (پایه) است که کنترل کیفیت با اهداف درونی انجام می‌گیرد. بردار مقادیر هدف m از داده‌ها (بعد از حذف زیر گروه‌های دور از مرکز)^[۶۶] محاسبه می‌گردد و هر مشاهده با میانگین زیر گروه‌ها فرایند، با مقادیر هدف مقایسه می‌گردند.
وقتی داده‌ها گروهبندی نیستند و ماتریس کوواریانس تجربی s بر اساس کل نمونه‌ی n₁ مشاهده‌ای می باشد. درآماده‌ی برایiامین مشاهده داریم:
که آماره‌ی مستقلاً توزیع نشده‌اند، اگرچه می‌توان نشان داد که (n-1)s می‌تواند به صورت زیر تجزیه شود:
که (n-2)s₁ توزیع ویشاوت^[۶۷] داشته و s₁ از مستقل است. بنابراین توزیع دیگر (تا حدودی ثابت) توزیع فشیر F ندارد بلکه بیشتر از توزیع بتا پیروی می‌کند(قانون (V) در فصل ۲ را بنگرید.)
حد بالایی مناسب UCL به صورت زیر است:
که درصد بالایی توزیع بتا با درجه آزادی مناسب است.
اگر وابستگی بین را نادیده بگیریم حدود تقریبی زیر داریم:
اخیراً ویردا^[۶۸] مقادیر ucl,ucl را برای برای مقادیر مختلف n₁ مقایسه کرده و دریافت که تفاوت بین بسیار زیاد است (استفاده از مقدار تقریبی به وضوح قابل اعتماد نیست.
بعلاوه می‌توان برای مطالعه‌ی قابلیت فرایند آز آماره‌های استفاده کرد که معیاری برای فاصله ی مشاهده‌ی آزمایشی از میانگین بوده استفاده کرد. ها مستقل از ماتریس کوواریانس تخمینی و مقادیر بحرانی بر مبنای درصد توزیع F است.
دو رویه پیشنهادی اصلی داریم اولین رویه پیشنهادی ویردا آماره‌ای زیر را در نظر می گیرد:
که در آن ماتریس کوواریانس بر مبنای n₁-1 مشاهده است ولی بر مبنای کلی نمونه n₁ است مقادیر بحرانی عبارتند از:
روبه دوم که برونس^[۶۹] پیشنهاد می‌کند از روش صرفنظر از یکی ^[۷۰] استفاده می‌کند آماره‌ی زیر را در نظر می‌گیرد:
که به ترتیب بردار میانگین و ماتریس کوواریانس محاسبه شده بجز مولفه‌ی iامین مشاهده است، مقادیر بحرانی برای آن عبارتند از:
می‌توان نشان داد هر مشاهد‌ه‌ی به صورت تابعی از بیان می‌شود.
این رابطه بسیار مفید است زیرا با آن قادریم بدون محاسبه مجدد ماتریس کوواریانس برای مشاهده مقادیر را محاسبه کنیم مقادیر بحرانی بر مبنای توزیع فشیر است که در مقابل توزیع تابع به راحتی در درسترس است بعلاوه چون تابعی که و را به هم مرتبط می‌کند یکنواخت است می‌توان از روی رابطه فوق مقادیر بحرانی را به آسانی محاسبه کرد:
ویردا در سال ۱۹۹۴ سه آماره‌ی دیگر را ارائه کرد و گوشزد نمود که قابل ترجیح عادی یافته است. چون از طرفی از محاسبات زیاد ماتریس کوواریانس (برای ) یا ماتریس کوواریانس و بردار میانگین (برای ) اجتناب می‌کند. بسیار شبیه آماره‌های دیگر است ولی ضعف آن این است که برای مقادیر بحرانی – توزیع بتا نیازمند است.
به دلایل عادی یک رویه‌ی متفاوت از آنچه ویردا پیشنهاد کرده را توصیه می‌کنیم چون از با مقادیری درونی استفاده می‌کنیم بهتر است که هر مشاهده را با آماره ای که مشاهده تأثیری روی آن ندارد مقایسه کنیم یعنی روش “صرفنظر از یکی” ،دشواری محاسبات و حل شده و اکنون به آسانی قابل اجرا است. استفاده از مقادیر بحرانی بر مبنای توزیع فیشر در این حالت یک فایده اضافی این روش است.
همانطور که اشاره گردید روش صرفنظر از یکی از دید روش شناسی قابل توجیح است در شرایط علمی متفاوت به ندرت قابل توجه است. اگر چه تعداد مشاهدات بسیار کوچک است، تأثیر یک تک مشاهده روی آماره‌ی محاسبه شده به ندرت باعث تشخیص تخطی در حالتی که روش صرفنظر از یکی تشخیص دهد ولی ندهد می‌گردد.
برای تشریح روش‌ها، به اولین مجموعه داده‌های شبیه سازی شده‌ی غیر گروهمند در فصل دوم بر می‌گردیم. تنها ۵۰ مشاهده اول را به عنوان داده‌های شبیه سازی شده‌ی یک مطالعه قابلیت فرایند با پارمترهای نامعلوم در نظر می‌گیریم. یادآوری می‌کنیم ۵۵ مشاهده‌ی اول از توزیع یکسان با پارامترهای نشأت می‌گیرند. در۲۰ مشاهده بعدی میانگینشان تغییر کرده است.البته فرض می کنیم در این مراحله پارامترهای اصلی فرایند برای بررسی کننده نامعلوم هستند و در ادامه هر مشاهده را جداگانه در مقابل میانگین تجربی کامل ۵۰ مشاهده‌ی اول می‌آزماییم ماتریس کوواریانس نیز از نمونه‌ی پایه تخمین زده می‌شود.
در جدول ۳٫۱۰ مقادیر و و به ترتیب آمده است. دقت کنید دو روش متفاوت داریم که در اینجا بینشان تناظر یک به یک برقرار است مقادیر بحرانی برای به ترتیب عبارت است از ۵٫۷۶، ۶٫۴۰و۶٫۶۶ و برای به ترتیب ۹٫۶۹ و ۱۱٫۹۰ و ۱۲٫۳۹ هستند. مقادیر بحرانی در مبنای توزیع بتا و برای و بر حسب درصد توزیع F است. مشاهده می‌کنیم که تنها یکی از ۵۰ مشاهده‌ی آماری بر مبنای از مقدار بحرانی خود تخطی می‌کند (مشاهده‌ی ۲۳) و هیچ کدام از آنها برای مقادیر کمتر سطح معنی^[۷۱] از مقادیر بحرانی تخطی نمی‌کنند. مقدار مشاهده‌ی ۲۳ بیشتر از مقدار بحرانی ناشی از برای همه‌ی روش‌هاست اگر یک مطالعه قابلیت فرایند باشد، مبهم است که این مشاهده را به عنوان خارج از مرکز نامگذاری کنیم. بیشتر متحمل است که کل نمونه از پذیرفته و به عنوان نمونه‌ی مرجع برای آزمون‌های آینده‌ قرار دهیم. مشاهده‌ی ۲۳ نیز به عنوان خطای تصادفی (یکی از ۵۰ تا تحت )در نظر گرفته می‌شود. از فرایند تولید داده‌ها می‌دانیم که در واقع یک خطای تصادفی است.
گروهبندی داده‌ها :
قبلا متذکر شدیم در مرحله‌ی قابلیت فرایند تخمین تغییر پذیری درونی زیر گروه‌ها مهم است، داده در این مرحله به زیر گروه‌های منطقی تقسیم می‌گردند، همانطور که احتمالاً در مراحل بعدی فرایند تولید اتفاق می‌افتد.
بنابراین میانگین هر k زیر گروه را با میانگین کل مقایسه می‌کنیم یعنی آماره‌ی
با حد بالایی زیر مقایسه می‌گردد:
تا زیر گروه‌های دوراز مرکز مشخص گردند. این رویه‌ی‌حل همچنین می‌تواند در نظیم یک نمونه‌ی پایه نیر به کار رود. اگر j زیر گروه با مشخص گردند که یک علت غیر تصادفی را نشان می‌‌دهد. حذف آن زیر گروه‌ها از داده‌ها موجب می‌شود. آنگاه را با بهره گرفتن از k-j زیر گروه باقیمانده دوباره محاسبه می‌کنیم آنگاه حد کنترل بالایی () جدید بای زیر گروه n مشاهده‌ی بعدی به صورت زیر است:
به علاوه بعد از حذف دور افتادگی واضح، آزمون میانگین هر زیر گروه در برابر میانگین کل باید احتیاط صورت پذیرد چون مشاهدات دور از مذکر باقیمانده یا روند در نمونه می‌تواند روی میانگین کل و ماتریس کوواریانس تأثیر بگذارد، بنابراین آزمون‌های برای زیر گروه‌های منفرد می‌تواند اریب باشد.
این حقیقت ارزشمندیست که بدانیم داده‌های گروهبندی شده الزاماً ماتریس کوواریانس تخمینی از همه‌ی زیر گروه‌ها ناشی نشده است. در این بخش و بخش های بعدی بخصوص روی دو مورد اصلی با توجه به موضوع گروهبندی تمرکز می‌کنیم:
a -داده‌ها غیر گروه بندی باشند و در محاسبه فاصله‌ی هر مشاهده از یعنی را در نظر می‌گیریم و واریانس تجربی کوواریانس استفاده می‌کنیم.
b- داده‌های گروهبندی شده‌اند و برای jامین زیر گروه را با ماتریس کوواریانس آمیخته در نظر می‌گیریم.