شکل( ‏۴‑۳) شمایی از ساختار یک شبکه تک لایه
شبکه فوق دارای  ورودی و  نرون مصنوعی است. بنابراین اگر وزن‌های شبکه را به عنوان عناصر یک ماتریس در نظر بگیریم و آن را با  نشان دهیم، چنین ماتریسی دارای ابعاد  بوده و هر عضو آن بیانگر یکی از وزن‌های شبکه خواهد بود. به این ترتیب، محاسبه مجموعه خروجی‌های  نرون ها که بردار خروجی شبکه را به وجود می‌آورند، با یک ضرب ماتریسی ساده امکان‌پذیر می‌باشد :

(۴-۱)
در رابطه فوق،  بردار خروجی شبکه عصبی و  بردار ورودی آن می‌باشند.
شبکه‎های چند لایه
عموماً شبکه‌های بزرگ‌تر و پیچیده‌تر نسبت به شبکه‌های تک لایه، قابلیت‌ها و توانایی‌های محاسباتی بیشتری دارند. یک شبکه چند لایه ساده می‌تواند از آرایش متوالی گروهی از شبکه‌های تک لایه ایجاد شود. در این حالت خروجی یک لایه، ورودی لایه بعدی را تأمین خواهد نمود.
شکل( ‏۴‑۴) شمایی از ساختار یک شبکه دو لایه
برتری شبکه‌های چند لایه نسبت به شبکه‌های تک لایه بیشتر از هر چیزی مرهون عملکرد توابع تحریک غیر‌خطی بین لایه‌های آن می‌باشد. جهت روشن شدن مطلب، یک شبکه دو لایه را در نظر می‌گیریم که بین لایه‌های آن هیچ تابع تحریک غیر‌خطی وجود ندارد. در این حالت، محاسبه خروجی شبکه شامل ضرب بردار ورودی  در ماتریس وزن لایه اول و سپس ضرب نتیجه در ماتریس وزن لایه دوم خواهد بود :
(۴-۲)
در این رابطه،  بردار خروجی شبکه،  و  ماتریس وزن لایه‎های اول و دوم می‌باشند.
از آنجایی که ضرب ماتریسی دارای خاصیت انجمنی یا شرکت پذیری است، می‌توان رابطه (۴-۲) را به صورت زیر باز‌نویسی نمود :
(۴-۳)
بنابراین می‌توان این‌طور نتیجه‌گیری کرد که شبکه‌‌های چند لایه بدون وجود توابع تحریک غیر‌خطی بین لایه‌‌‌‌ای، دقیقاً مانند شبکه‌های تک لایه با ماتریس وزن معادل عمل می‌کنند.]۴۴[
توابع تحریک شبکه‎های عصبی
عملیات اصلی یک شبکه عصبی مشتمل بر جمع ورودی‌های وزن‌دار شده، و اعمال تابع تحریک به این مجموعه، برای تعیین خروجی شبکه است. برای نرون‌های ورودی، این تابع واحد بوده و خروجی نرون برابر با ورودی آن است.[۴۶] اگرچه انتخاب یکسان تابع تحریک تمام نرون‌های یک لایه الزامی نیست، ولیکن معمولاً تابع تحریک نرون‌های یک لایه یکسان انتخاب ‌می‌شود. در این زمینه توابع تحریک متعددی وجود دارند.[۴۷] که در زیر به تعدادی از آن‌ها اشاره خواهد شد.
تابع تحریک پله‌‌ای^[۷]
تابع تحریک پله‌ای به صورت زیر تعریف می‎شود.
(۴-۴)
مشاهده می‌شود که خروجی این تابع ۱- و یا ۱ است.
تابع تحریک خطی^[۸]
تابع تحریک خطی که با رابطه زیر بیان می‌شود، معمولاً در لایه خروجی شبکه‌های عصبی استفاده می‌شود.
(۴-۵)
توابع تحریک سیگموید
علت اصلی استفاده از این تابع تحریک ارتباط ساده بین مقدار تابع و مشتق تابع در هر نقطه دلخواه است که در آموزش شبکه عصبی برای به حداقل رساندن مقدار خطا بکار گرفته می‌شود. تابع تحریک سیگموید دارای پاسخی در محدوده صفر تا یک و یا پاسخی در محدوده ۱- تا ۱ است.
تابع تحریک لوگ-سیگموید^[۹] در محدوده صفر تا یک با رابطه زیر بیان می‌شود:
(۴-۶)
همچنین تابع تحریک تان - سیگموید^[۱۰]با پاسخ در محدوده ۱- تا ۱ با رابطه زیر بیان می‌شود.
(۴-۷)
۳-۵-۴- تابع تحریک بنیادی شعاعی
تابع تحریک بنیادی شعاعی^[۱۱] یا گوسی شکل در محدوده ۰ تا ۱ با رابطه زیر بیان می‌شود:
(۴-۸)
لازم به ذکر است که توابع تحریک دیگری نیز وجود دارند که جهت رعایت اختصار اشاره‎ای به آن‌ها نمی‎شود. همچنین باید اشاره نمود که ارائه توابع تحریک جدید که موجب افزایش دقت و سرعت شبکه عصبی می‎شوند به عنوان یکی از زمینه‎های تحقیقاتی مورد توجه محققان قرار دارد.]۴۴[
بایاس
در بسیاری از موارد کمال مطلوب این است که نرون های لایه پنهان و خروجی، از طریق وزن‌هایی به یک ورودی که مقدارش همیشه ۱ است مربوط شوند. این عمل تابع تحریک را در امتداد محور ورودی منتقل می کند. به چنین واحد وزن داری بایاس^[۱۲] گفته می‎شود. با بهره گرفتن از بایاس سرعت و دقت آموزش شبکه افزایش می‌یابد. وزن‌های مربوط به بایاس همانند سایر وزن‌های شبکه تربیت ‌شده و در ابتدای آموزش به جای اینکه این وزن‌های خروجی یک نرون در لایه قبلی باشد، همیشه ۱+ است. با توجه به اینکه مقادیر ورودی به گره‌های لایه ورودی، از طریق محاسبه تعیین نمی‌شوند، هیچ بایاسی به لایه ورودی اختصاص داده نمی‌شود. عملکرد بایاس در شبکه‎های عصبی مختلف، متفاوت است.]۴۴[
آموزش شبکه عصبی
در بین همه خصوصیات عجیبی که شبکه‌های عصبی دارند، هیچ‌کدام به اندازه توانائی یادگیری آن‌ها جالب و شگفت‌انگیز نیست. آموزش^[۱۳] شبکه‌های عصبی نقاط مشترک زیادی با یادگیری مغز و یا به عبارت دیگر، بسط توانایی مغز در برقرار نمودن ارتباطات نرونی جدید دارند، به طوری که به نظر می‌رسد انسان توانسته است با آموزش این شبکه‌ها به یک درک بنیادی از سیستم آموزش مغز دست پیدا کند. البته باید توجه کرد که آموزش شبکه‌های عصبی با بسیاری از محدودیت‌ها مواجه است و هنوز مسائل دشوار و پیچیده بسیار زیادی باقی مانده است که باید حل شوند. هدف از آموزش شبکه‌های عصبی این است که آن‌ها بتوانند مجموعه‌ای از ورودی‌ها را جهت تولید خروجی‌های مطلوب یا حداقل نزدیک به مطلوب بکار ببرند. لازم به یادآوری است که شبکه عصبی، ورودی‌ها و خروجی‌ها را به صورت بردار، مورد پردازش قرار می‌دهد. روند آموزش به این صورت است که شبکه، متناوباً بردارهای ورودی را بکار می‌برد تا وزن‌های شبکه جهت تولید خروجی‌های مطلوب بر طبق الگوهای از پیش تعیین شده اصلاح شوند. در طول دوره آموزش شبکه عصبی، وزن‌های شبکه تدریجاً به سمت مقادیر مطلوب همگرا می‌شوند.
مدهای عملکردی شبکه عصبی
اکثر شبکه‌های عصبی دارای دو مد عملکردی^[۱۴] می‌باشند : مد نرمال^[۱۵] و مد آموزش^[۱۶] . در مد آموزش، شبکه بردارهای موجود در مجموعه آموزشی را به کار می‌گیرد تا وزن‌های شبکه را جهت رسیدن به خروجی‌های مطلوب، تعدیل و تنظیم نماید. در مد نرمال، شبکه با پذیرفتن یک بردار ورودی، خروجی متناظر با آن را ارائه می کند.
از آنجایی که در این پایان نامه از شبکه‎های عصبی با تابع بنیادی شعاعی^[۱۷]، استفاده شده است، لذا در ادامه به بیان اصول بنیادی تئوریک این شبکه‎ها خواهیم پرداخت.]۴۵[
شبکه عصبی تابع بنیادی شعاعی (RBF)
الگوریتم BP را که جهت آموزش شبکه‎های چند لایه مورد استفاده قرار گرفت می‌توان به عنوان یک نمونه از تقریب سازی^[۱۸] تصادفی در نظر گرفت. توابع بنیادی شعاعی برای اولین بار در سال ۱۹۸۸ توسط بروم‎هد^[۱۹] و لاو^[۲۰] جهت طراحی شبکه‎های عصبی مورد استفاده قرار گرفتند. استفاده از توابع بنیادی شعاعی در طراحی شبکه‎های عصبی یک الگوریتم کاملاً متفاوت با الگوریتم BP دارد. این الگوریتم را می‎توان به صورت ساده به عنوان عملیات برازش منحنی^[۲۱] برای یافتن بهترین انطباق بر جفت‌های آموزشی در نظر گرفت. در سال ۱۹۹۰ میلادی اثبات شد که شبکه‌های RBF تقریب سازهای بسیار قدرتمندی هستند به طوری که با داشتن تعداد نرون های کافی در لایه میانی، قادر به تقریب سازی هر تابع پیوسته‌ای با هر درجه از دقت می‌باشند. نکته بسیار جالب این است که، شبکه‌های RBF تنها با داشتن یک لایه مخفی، دارای چنین خاصیتی هستند در حالی که در سایر انواع شبکه‌ها با تعبیه چندین لایه مخفی به سختی می‌توان چنین خاصیتی را ایجاد نمود. شبکه تابع بنیادی شعاعی یا RBF به واسطه آموزش سریع، قابلیت تعمیم‌ و سادگی وافر، بسیار مورد توجه هستند. این شبکه عصبی، اغلب با شبکه عصبی BP مقایسه می‌شود. شبکه عصبی BP علی رغم کاربردهای فراوان، ضعف‌ها و مشکلاتی در روند آموزش خود دارد که شبکه RBF، اغلب آن‌ها را مرتفع می‌سازد. شبکه RBFمانند شبکه BP دارای یک لایه میانی و یک لایه خروجی است. هرچند که ساختار این دو شبکه شبیه هم است اما نحوه عملکرد آن‌ها به طور اساسی با هم تفاوت دارند. تابع تحریک نرون های لایه میانی شبکه‌هایRBF تابع نمایی، رابطه (۴-۸)، می‌باشد. اگر هر یک از بردارهای ورودی و وزن را به عنوان یک نقطه در یک فضای  بعدی تلقی کنیم، مقدار تابع تحریک نرون های لایه میانی، با افزایش فاصله آن دو نقطه از هم، به شدت کاهش می‌یابد. نکته مهم در طراحی شبکه‌های RBF این است که توابع تحریک نرون‌ها باید تمام نواحی معنی‌دار فضای ورودی را پوشش دهند. از آنجایی که منحنی تابع گوس به صورت شعاعی متقارن است، نرون های لایه مخفی به نرون های تابع بنیادی شعاعی معروف هستند. به این دلیل به این نوع از شبکه‎ها، شبکه تابع بنیادی شعاعی یا RBF اطلاق می‎شود]۴۴[.
نکات قابل توجه در خصوص شبکه‎ تابع بنیادی شعاعی
فرض می‎شود بردار ورودی  به شبکه ارائه شود. در شبکه‎های RBF نحوه پردازش اطلاعات با شبکه BP متفاوت است. نرون iامRBF لایه میانی بر مبنای تابع تحریک زیر به سیگنال ورودی که با سیگنال ورودی شبکه BP متفاوت است، پاسخ می‎دهد:
(۴-۹)
در رابطه فوق، U_i بردار وزن مربوط به نرون  ام لایه میانی و  پارامتری است که به عنوان پارامتر Spread معرفی شده است. منحنی نمایش این تابع در شکل (۴-۵ )نشان داده شده است.
شکل( ‏۴‑۵) منحنی نمایش تابع تحریک نرون های RBF
با توجه به رابطه (۴-۹) اگر  آنگاه  . بنابراین Uمقداری از X است که به ازای آن تابع پاسخ نرون به بیشترین مقدار ممکن خود می‌رسد. با افزایش فاصله X از U، مقدار پاسخ نرون به شدت افت پیدا می‌کند. در نتیجه، مقدار خروجی نرون در یک محدوده خاصی از مقادیر X قابل بررسی است. به این محدوده خاص، Receptive Field نرون گفته می‌شود. اندازه و محدوده این میدان با پارامتر  تعیین می‌شود. در مقایسه با منحنی توزیع استاندارد آماری که دارای شکلی شبیه به منحنی نمایش تابع پاسخ نرون است، می‌توان Uرا میانگین و  را انحراف استاندارد منحنی پاسخ نرون در نظر گرفت. در شکل (۴-۶) سطح پاسخ یک نرون لایه پنهان با دو ورودی X₁و X₂نشان داده شده است.
شکل( ‏۴‑۶) مسطح پاسخ یک نرون RBF با دو ورودی
باید توجه کرد که در شبکه‌های RBF هیچ محدودیتی در تعداد نرون های ورودی و خروجی وجود ندارد هرچند که تجسم فضایی سطح پاسخ نرون‌های لایه مخفی در فضاهای دارای بیش از سه بعد برای ما ممکن نیست.

۳-۳-۶- آزمون ایستایی در داده های ترکیبی
آزمونهای ریشه واحد داده های ترکیبی به وسیله کوآه (۱۹۹۲و ۱۹۹۴)^[۴۶] و بریتون (۱۹۹۴)^[۴۷] پایهریزی شد. این مطالعات به وسیله لوین، لین و چو (۱۹۹۳و ۲۰۰۲)^[۴۸] و ایم، پسران و شین (۱۹۹۷ و ۲۰۰۳)^[۴۹] کامل شد. در الگوی داده های تابلویی همانند الگوهای سری زمانی در صورت غیر ایستا بودن متغیرها، مسئله رگرسیون ساختگی مصداق خواهد داشت. همچنین R² بالا ناشی از وجود متغیر زمان، به واسطه ارتباط حقیقی بین متغیرها نیست(گجراتی، ۱۳۸۳). بنابراین کاربرد آزمون ریشه واحد روی داده های ترکیبی جهت تضمین صحت و اعتبار نتایج امری ضروری است. البته آزمونهای ریشه واحد داده های ترکیبی نسبت به آزمونهای ریشه واحد مربوط به سری زمانی قویتر هستند. برای داده های تابلویی، پنج آزمون ریشه واحد به صورت آزمون لوین، لین و چو، آزمون ایم، پسران و شیم، آزمون فیشر- فیلیپس پرون، آزمون فیشر با بهره گرفتن از آزمون دیکی فولر تعمیم یافته و آزمون هادری مورد استفاده قرار میگیرد.

۳-۳-۷- آزمونهای همجمعی داده های تابلویی
بررسی وجود همجمعی متغیرها در داده های ترکیبی نیز مانند داده های سری زمانی اهمیت دارد. در واقع تجزیهوتحلیل همجمعی، برای برآورد و آزمون رابطه تعادلی بلندمدت بین متغیرها استفاده میشود. اگر یک نظریه اقتصادی صحیح باشد، مجموعهی ویژهای از متغیرها که توسط نظریهی مذکور، مشخص شده است، با یکدیگر در بلندمدت مرتبط میشوند. به علاوه، نظریه اقتصادی تنها روابط را به صورت ایستا (بلندمدت) تصریح میکند و اطلاعاتی در خصوص پویاییهای کوتاه مدت میان متغیرها بهدست نمیدهد. در صورت معتبر بودن نظریه، انتظار میرود که با وجود نامانا بودن متغیرها، یک ترکیب خطی ایستا از این متغیرها مانا و بدون روند تصادفی باشد. در غیر این صورت، اعتبار نظریهی مورد نظر زیر سوال میرود. به همین دلیل به طور گسترده، از همجمعی به منظور آزمون نظریههای اقتصادی و تخمین پارامترهای بلندمدت استفاده شده است.
برای انجام آزمون همجمعی داده های ترکیبی، کائو(۱۹۹۹)^[۵۰] و پدرونی(۱۹۹۹)^[۵۱]، پس از برآورد رابطه بلندمدت بین متغیرها در بلندمدت، مانند آنچه که در مورد سریهای زمانی و داده های مقطعی انجام میشود از آمارههای صفحه بعد استفاده کردهاند:
(۳-۱۹)
در رابطه فوق y ضریب رگرسیون خطای بلندمدت، روی وقفه خطاهای حاصل از تخمین مدل به روش پانل   به صورت زیر است:
(۳-۲۰)
N در آمارههای   و   نشان دهنده تعداد مقطعها و   مقدار t استاندارد رابطه (۳-۸) است. آمارههای استخراج شده هر دو، توزیع نرمال با میانگین صفر و واریانس یک دارند. فروض انجام آزمون همانباشتگی داده های ترکیبی را میتوان به صورت زیر نشان داد:
(۳-۲۱)
که فرضیه اول نشان دهنده عدم وجود همانباشتگی بین متغیرها در تمام مقطعها و فرضیه دوم نشان دهنده وجود همانباشتگی بین متغیرها است.
کائو(۱۹۹۹) آزمون همجمعی تعمیم یافته دیکی فولر را با فرض اینکه بردارهای همجمعی در هر مقطع همگن باشند به صورت زیر ارائه کرده است:
(۳-۲۲)
در رابطه فوق   خطای تخمین رابطه بلندمدت با روش داده های ترکیبی و p تعداد وقفه ها در آزمون ADF است که اندازه آن بستگی به رفع خودهمبستگی بین اجزای خطا دارد. همچنین j ضریب متغیر تفاضل وقفه های آزمون و   خطای معادله تخمین زده شده فوق است. به عبارت دیگر در این آزمون مانند آزمونهای   و   پس از تخمین رابطه بلندمدت، خطای تخمین محاسبه شده و سپس با بهره گرفتن از رابطه فوق آزمون ADF انجام میشود. فرضیات این تست مانند فرضیات آزمونهای   و   بوده و آماراه آزمون دارای توزیع t استاندارد است(پدرونی، ۱۹۹۷).
۳-۳-۸- عدم اطمینان قیمتگذاری (MSPE) و عدم دقت قیمتگذاری (MAPE)
آزمون دیگری که در این مجموعه برای مقایسهی دو مدل بهکار رفته است، یکی از رویه های اقتصادسنجی است که میزان خطای پیشبینی دو مدل را اندازه گیری و مقایسه میکند و با آن فرضیه دوم پژوهش مبنیبر بازده بهدست آمده از مدل قیمتگذاری برپایه مخارج مصرفی در بودجه خانوار تبیین بهتری از رفتار بازده واقعی دارد، مورد آزمون قرار میگیرد. بهمنظور انجام این آزمون، خطاهای قیمتگذاری بازده در زمان t را با نماد   بهصورت زیر تعریف میکنند:
 (۳-۲۳)
یعنی خطای قیمتگذاری در زمان t، برابر است با بازده بهدست آمده از مدل برای زمان t، منهای بازده واقعی سهام در زمان t. دو معیار میانگین مربعات خطاهای قیمتگذاری^[۵۲] و میانگین متوسط خطای قیمتگذاری^[۵۳] ابزارهایی هستند که به منظور مقایسهی عدم اطمینان و دقت دو مدل مورد استفاده قرار میگیرند و بهصورت زیر تعریف شدهاند:
(۳-۲۴)
(۳-۲۵)
جایی که   ، میانگین خطاهای قیمتگذاری   است:
(۳-۲۶)
MSPE عدم اطمینان قیمتگذاری و MAPE عدم دقت قیمتگذاری را نشان خواهند داد.
۳-۴- متغیرهای پژوهش
۳-۴-۱- بازدهی سهام
نکتهای که اشاره به آن مهم میباشد، متغیر بازدهی سهام است که در اغلب مطالعات مورد بررسی، تغییر قیمت و بازدهی معادل درنظر گرفته شده و در عبارت   بروز مییابند که تحت عنوان لگاریتم طبیعی تغییر قیمت (بازدهی) معرفی شده و بهصورت زیر محاسبه میشود:
(۳-۲۷)
در این پژوهش نیز برای بررسی ارتباط همزمان و پویا بین بتای بازاری هر سهم و بتای مخارج مصرفی با تغییرات قیمت از همین متغییر استفاده شده است.
۳-۴-۲- بتا
ضریب بتا ارتباط بین بازده دارایی i و بازده شاخص بازار را توصیف میکند. اگر بتا مساوی یک باشد، بدین معنی است که یک درصد تغییر در بازدهی مورد انتظار، باعث یک درصد تغییر در بازده دارایی i میشود. اگر بتا بزرگتر از یک باشد، بدین معنی است که نرخ بازدهی آن سهم، بیشتر از تغییرات بازده بازار خواهد بود و اگر بتا کوچکتر از یک باشد، میتوان انتظار داشت که تغییرات بازده آن سهم کمتر از تغییرات بازده بازار میباشد. بهعبارت دیگر؛ میتوان گفت که ضریب بتا میزان ریسک سیستماتیک کل اوراق بهادار موجود در بورس را نشان میدهد.
نحوه محاسبه بتای بازاری هر سهم عبارت است از:
(۳-۲۸)
برای آزمون مدل قیمتگذاری دارایی سرمایهای سنتی، معادله را بهصورت زیر بیان میکنند:
(۳-۲۹)
نرخ بازده بدون ریسک یا همان
اضافه بازده سهام یا همانE
بازده مشاهده شده سهام i
خطای مورد انتظار یا همان   -
در نتیجه، این مدل بازده دارایی iرا با ریسک سیستماتیک آن ارتباط میدهد.
اما در مدل قیمتگذاری دارایی سرمایهای برپایه مخارج مصرفی، بتا برپایه رشد مخارج مصرفی تعریف میشود:
(۳-۳۰) 
این بتا تعیینکننده ارتباط میان نرخ بازدهی انتظاری دارایی و ریسک براساس اطلاعات بهدست آمده از بودجه خانوار بر حسب مخارج مصرفی دو گروه کالاهای بیدوام و خدمات است، که مبنایی برای درک ارتباط بین ثروت، مخارج مصرفی و ریسک گریزی سرمایهگذاران میباشد تا تبیینکننده بهتری برای ارتباط میان ریسک و بازده باشد.
این مدل هم همانند مدل قیمتگذاری دارایی سرمایهای سنتی، بازده دارایی را با ریسک سیستماتیک آن ارتباط میدهد. هرچند در این جا معیار ریسک سیستماتیک کواریانس با رشد مخارج مصرفی است. بتای مخارج مصرفی، بهگونهای تبیین شده است که این معیار برای بازار برابر یک است.
برای آزمون مدل قیمتگذاری دارایی سرمایهای برپایه مخارج مصرفی، معادله بهصورت زیر بیان میشود:
(۳-۳۱)
با این معادله، بهسادگی میتوان مدل قیمتگذاری دارایی سرمایهای سنتی و مدل قیمتگذاری دارایی سرمایهای برپایه مخارج مصرفی را در یک معادله جای داد. در عمل بازده دارایی i بر بتای بازاری و بتای مخارج مصرفیاش رگرس میشود تا ببینید کدام یک تبیینکننده بهتری از بازده هستند و فرضیه نخست یعنی بتای مخارج مصرفی در بودجه خانوار در مقایسه با بتای بازار ارتباط بیشتری با بازده دارد، مورد آزمون قرار گیرد.
فصل چهارم:
توصیف داده ها و برآورد الگو
۴-۱- مقدمه:
در این فصل ابتدا روند تحلیل داده ها مورد بررسی قرار میگیرد. در قسمت دوم، ابتدا پایایی متغیرهای مورد استفاده در الگو بررسی میشود. سپس به منظور کاذب نبودن نتایج رگرسیون، آزمون همجمعی میان متغیرهای الگو انجام میشود. در ادامه نتایج آزمونهای مختلف برای تعیین نوع برآورد الگو بررسی میشود. در نهایت، نتایج برآورد الگو تفسیر آنها ارائه میشود.
۴-۲- تحلیل روند داده ها:
برای آشنایی کلی با متغیرهای مورد استفاده در الگو، تحلیل داده ها صورت میگیرد. حدود زمانی پژوهش سالهای ۹۰-۱۳۸۱ و حدود مکانی آن کشور ایران است. تحلیل داده های مورد استفاده در جدول (۴-۱) و (۴-۲) نمایش داده شده است.
جدول (۴-۱): منتخبی از شاخصهای کلیدی برای هشت شرکت سرمایهگذاری

(…گرازبندهلغویشنیدیمرنج / جهاندیدهبسیارگویددروغ)(گلستان: 81) (دهخدا : 1125 )
128- فرقاستمیانآنکهیارشدربر / باآنکهدوچشمانتظارشبود.(گلستان :95 ) (دهخدا : 1140 )
129- فرونبنددکارگشاده،پیشانی( بهحاجتیکهروی،تازهرویوخندانباش)( گلستان: 113)
(دهخدا : 1141)
130- الاتانشنویمدحسخنگوی / کهاندکمایهنفعیازتودارد
کهگرروزیمرادشبرنیاری / دوصدچندانعیوبتبرشمارد.(گلستان :175) (دهخدا:1141)
131- قارونهلاکشدکهچهلخانهگنجداشت/ نوشیرواننمردکهنامنیکوگذاشت.(گلستان:74)
(دهخدا:1153)
132- قاضیکهبهرشوتبخوردپنجخیار/ ثابتکندازبهرتوصدخربزهزار .(گلستان :190)
(دهخدا:
1153)
133- قراردرکفآزادگاننگیردمال/نهصبردردلعاشقنهآبدرغربال.(گلستان:67)(دهخدا:1158)
134- قلمزننگهداروشمشیرزن/ کهحلاجودرزیچهمرد،چهزن.(گلستان:1072 )(دهخدا:1166)
135- کجامنشکرایننعمتگذارم /کهزورمردمآزادیندارم.(گلستان: 109 ) (دهخدا : 1195 )
136- کریمانرابهدستاندردرمنیست/خداونداننعمتراکرمنیست .(گلستان : 163)(دهخدا:1201 )
137- بیفایدهاستوسمهبرابرویکور/ کسنتواندگرفتدامندولتبهزورکوشش.(گلستان:120)
(دهخدا: 1205)
138- کسنیاردپستوپیشفرست ( برگعیشیبهگورخویشفرست…)(گلستان :52)(دهخدا:1206)
139- کسنیایدبهزیرسایه‌یبوم / ورهمایازجهانشودمعدوم.(گلستان:60) (دهخدا: 1207)
140- هرکهگردنبهدعویافرازد / دشمنازهرطرفبدوتازد
سعدیافتادهایاستآزاده / کسنیامدبهجنگافتاده (گلستان : 56 ) (دهخدا: 1206)
141- کهگفتتبهجیحونبراندازتن / چوافتاده‌ایدستوپاییبزن .( بوستان: 3636 )(دهخدا: 1355)
142- گاوانوخرانباربردار / بهزآدمیانمردمآزار .(گلستان :74)
مسکینخراگرچهبیتمییزاست / چونبارهمیبرد،عزیزاست.(گلستان :74)
حاجیتونیستیشتراستازبرایآنک / بیچارهخارمی‌خوردوبارمی‌برد.(گلستان : 159)

(دهخدا :1262)
143- گاهباشدکهکودکنادان / بهغلطبرهدفزندتیری(گلستان :126)
گهبودکزحکیمدانشمند / برنامددرستتدبیری(دهخدا : 1267)
144- گداراکهبرخاطرشبندنیست / بهازپادشاهیکهخرسندنیست.(بوستان: 2817 )(دهخدا:1269)
145- گداراچوحاصلشودنانشام / چنانشادخسبدکهسلطانشام.( بوستان: 703 )( دهخدا:1269)
146-گرآبچاهنصرانینهپاکاست/جهودمردهمی‌شویم،چهباکاست.(گلستان :116)(دهخدا: 1270)
147- گرازرودزمینعقلمنعدمگردد /بهخودگماننبردهیچکسکهنادانم.(گلستان :175)
(دهخدا : 1272)
148- گرتضرّعکنیوگرفریاد / دزدزربازپسنخواهدداد.(گلستان : 143) (دهخدا: 1281)
149- گرچهکسبیاجلنخواهدمرد / تومرودردهاناژدرها
رزقاگرچندبیگمانبرسد / شرطعقلاستجستنازدرها …) (گلستان :122) ( دهخدا : 1288)
150- گفتچشمتنگدنیاداررا / یاقناعتپرکندیاخاکگور.(گلستان :117) (دهخدا : 1315)
151- لطافتکنآنجاکهبینیستیز / نبردقزنرمراتیغتیز.(گلستان :123)
چوپرخاشبینیتحمّلبیار / کهسهلیببندددرکارزار .(گلستان :123) ( دهخدا: 1364)
152- متکلمراتاکسیعیبنگیردسخنشصلاحنپذیرد . (گلستان :175) ( دهخدا : 1399)
153-مسکینخراگرچهبیتمیزاست / چونبارهمیبردعزیزاست.(گلستان :74)
گاوانوخرانباربردار / بهزآدمیانمردمآزار.(گلستان :74)
حاجینیستشتراستازبرایآنک / بیچارهخارمیخوردوبارمیبرد .(گلستان : 159)
خرباربربهکهشیرمردمدر .( گلستان:74) ( دهخدا: 1710 )
154- مشکآناستکهخودببویدنهآنکهعطّاربگوید .(گلستان : 180)
هنرنمودناگرنیزهستلایقنیست / کهخودعبیربگویدچهحاجتعطّار
عروسیراکهمادرستایدبرایدائیخوباست .
معشوقهکهدیردیرنبیند / آخرکمازآنکهسیرنبیند .(گلستان :136)
دیرآمدیاینگار سرمست / زودتندهیمدامنازدست.(گلستان:136) (دهخدا : 1717)

۲-۳-۱- اهمیت تبلیغات شفاهی ۲۳
۲-۳-۲- متغیرهای تبلیغات شفاهی ۲۵
۲-۳-۳- ارتباطات ۲۵
۲-۴- تمایل رفتاری ۲۸
۲-۴-۱- تکرار بازدید ۲۸
۲-۴-۲-تبلیغات شفاهی و تمایلات رفتاری مصرف کننده ۲۹
۲-۵- ارزش ادراک شده ۳۰
۲-۵-۱- ارزش ادراک شده و تبلیغات شفاهی ۳۱
۲-۶- ریسک ادراک شده ۳۳
۲-۷- رضایت ۳۶
۲-۸- مدل های مختلف در زمینه تبلیغات شفاهی ۴۰
۲-۸-۱- مدل توسعه وفاداری و تبلیغات شفاهی مثبت فلاویان و همکاران ۴۰
۲-۸-۲- مدل توسعه تبلیغات شفاهی مثبت مولیناری ۴۰
۲-۸-۳- مدل ارزش ادراک شده توسط مصرف کنندگان گیل و همکاران ۴۱
۲-۹- مروری بر تحقیقات پیشین ۴۲
۲-۱۰- مدل پیشنهادی تحقیق ۴۵
۳-۱- مقدمه ۴۶
۳-۲- روش تحقیق ۴۶
۳-۳- متغیرهای تحقیق ۴۷
۳-۴- روش های جمع‌ آوری اطلاعات ۴۷
۳-۵- روایی و پایایی پرسشنامه ۴۹
۳-۵-۱- تعیین پایایی (قابلیت اعتماد) پرسشنامه ۴۹
۳-۵-۲- تعیین اعتبار (روایی) پرسشنامه ۵۰
۳-۶- جامعه و نمونه آماری ۵۱
۳-۷- قلمرو مکانی تحقیق ۵۱
۳-۸- قلمرو زمانی تحقیق ۵۱
۳-۹- روش تجزیه و تحلیل اطلاعات ۵۱
۳-۹-۱- مدل معادلات ساختاری ۵۲
۳-۱۰- ضرورت مدل معادلات ساختاری در پژوهش حاضر ۵۳
۳-۱۱- مراحل مدل معادلات ساختاری ۵۳
۳-۱۲- جمع بندی ۵۸
۴-۱- مقدمه ۵۹
۴-۲- بررسی توصیفی مشاهدات ۶۰
۴-۳- بررسی توصیفی متغیرها ۶۶
۴-۴- تحلیل اسنباطی یافته‌ها ۶۷
۴-۵- بررسی شرایط لازم برای تحلیل عاملی ۶۸

۴-۶- اعتبار سنجی مدل تحقیق با بهره گرفتن از تحلیل عاملی تاییدی و معادلات ساختاری ۶۹
۴-۷-تفسیر و تعبیر مدل ۷۲
۴-۸- بررسی ضرایب روایی، پایایی و همبستگی ۷۵
۴-۹- نتایج تحلیل عاملی تاییدی (مدل اندازه گیری متغیرهای تحقیق) ۷۷
۴-۱۰- تحلیل فرضیه‌های تحقیق ۷۹
۴-۱۱- فرضیه های تحقیق ۸۰
۵-۱- مقدمه ۸۵
۵-۲- فرایند تحقیق ۸۵
۵-۳- نتیجه گیری ۸۶
۵-۴- نتیجه گیری کلی ۸۸
۵-۵- پیشنهادهای کاربردی ۸۸
۵-۶- پیشنهادهای پژوهشی ۹۰
۵-۷- محدودیت های تحقیق : ۹۱
منابع فارسی ۹۲

B

خطای معیار

Beta

عرض از مبدا

۰۱۶/-

۰۸۶/۰

۱۹۰/-

۸۵۰/۰

بازاریابی داخلی

۳۰۱/۰

۰۴۷/۰

۲۹۷/۰

۳۸۶/۶

۰۰۰/۰

هوش اخلاقی

۶۶۳/۰

۰۴۷/۰

۶۵/۰

۱۵۶/۱۴۱

۰۰۰/۰

با توجه به مقدار سطح معناداری(۰۰۰/۰ p-valu=) در سطح خطای ۵ درصد ضریب رگرسیونی بازاریابی داخلی و هوش اخلاقی می توان نتیجه گرفت که بازاریابی داخلی و هوش اخلاقی، اثر معناداری بر رفتار شهروندی مشتری دارند، بر این اساس ضریب بتا (β) بین بازاریابی داخلی و رفتار شهروندی مشتری برابر ۲۹/۰ وضریب بتا بین هوش اخلاقی و رفتار شهروندی مشتری برابر ۶۵/۰ گردیده است و این بدان معنی است که با بهبود بازاریابی داخلی و هوش اخلاقی میزان رفتار شهروندی مشتری نیز بهبود می یابد، لذا فرض صفر رد و فرض یک تایید می شود. از آن جایی که سطح معناداری ضرایب رگرسیون با مقدار صفر، کمتر از ۵ درصد است بنابراین فرض تساوی ضرایب رگرسیون با مقدار صفر رد می شود و از مدل خارج نمی گردد.

خطاها در رگرسیون باید داری توزیع نرمال با میانگین نزدیک به صفر داشته باشند.
نمودار (۴-۱۸)هیستوگرام باقیمانده استاندارد شده
با مقایسه نمودار توزیع فراوانی خطاها و نمودار توزیع نرمال، مشاهده می شود که توزیع خطاها نرمال است، پس می توان از رگرسیون استفاده کرد. بطوریکه مقدار میانگین ارائه شده نزدیک به صفر و انحراف معیار نزدیک به یک می باشد.
نمودار (۴-۱۹)پراکنش باقیمانده اطراف خط نرمال
نمودار (۴-۱۹)نشان میدهد که پراکنش باقیماندهها اطراف خط نرمال بوده و مدل رگرسیونی ایجاد شده قابل قبول است.
نمودار (۴-۲۰)ارتباط بین باقیمانده ها و تخمین های استاندارد شده
نمودار (۴-۲۰)یکی دیگر از شرایط مدل رگرسیون که عدم ارتباط بین باقیماندهها و تخمینهای استاندارد شده میباشد را نشان میدهد. چون این نمودار، الگوی مشخصی را نشان نمیدهد، فرضهای خطی بودن مدل و ثابت بودن واریانس خطاها برقرار است و مدل رگرسیونی یک مدل ایدهآل است.
۴-۸-۳ آزمون مسیر دوم
برای بررسی فرضیه این مسیر، با بهره گرفتن از آزمون رگرسیون، رابطه بین دو متغییر مورد سنجش قرار گرفت. از دید آماری رابطه فوق چنین در نظر گرفته می شود:
:H₀ بازاریابی داخلی بر هوش اخلاقی کارکنان اثر معناداری ندارد.
:H₁ بازاریابی داخلی بر هوش اخلاقی کارکنان اثر معناداری دارد.
جدول (۴-۳۸) ضریب همبستگی بین متغیرها

عامل ها

هوش اخلاقی