شیب x با درجه۱

شیب x با درجه۲

H O : β۰=۰
H 1 : β۰≠ ۰

H O : β۱= ۰
H 1 : β۱≠ ۰

H O : β۲=۰
H 1 : β۲≠ ۰

درجه سوم

عرض از مبدأ

شیب x با درجه ۱

شیب x با درجه ۲

شیب x با درجه۳

H O : β۰=۰
H 1 : β۰≠ ۰

H O : β۱= ۰
H 1 : β۱≠ ۰

H O : β۲=۰
H 1 : β۲≠ ۰

H O : β۳=۰
H 1 : β۳≠ ۰

که برای بررسی مدل های خطی و غیر خطی در این تحقیق از مقادیر احتمال یا همان سطح معنی داری مربوط به شیب و عرض از مبدا متغیرهای مستقل استفاده شده است. که اگر این مقادیر از ۵ درصد بیشتر باشد فرض صفر در جداول بالا رد نمی شود و می توان گفت که مدل های غیر خطی نسبت به مدل های خطی تواناترند . بنابراین در مدل های درجه دو اگر شیب درجه دو از ۵ درصد کمتر باشد فرض صفر رد شده و فرض مقابل مبنی بر معنی دار بودن مدل های غیر خطی از نوع درجه دو پذیرفته می شود.

۳-۱۰ محدودیت های تحقیق:

• نبود سوابق تحقیقاتی فارسی پیرامون موضوع

• محدودیت دسترسی به منابع بعضی از دانشگاه ها و سازمان ها

• کم بودن تحقیقات میدانی در حوزه شرکت های واسطه گری مالی و بانک ها

• در زمینه مبانی نظری نیز به دلیل محدود بودن منابع موجود در این حوزه با محدودیتهایی در زمینه گردآوری مطالب روبرو خواهیم بود.

تجزیه و تحلیل آماری
۴-۱ مقدمه
در این فصل، اطلاعات گرداوری شده و فرضیه های مطرح شده مورد تجزیه و تحلیل قرار گرفته و نتیجه گیری آماری به عمل می آید. داده های این مطالعه با بهره گرفتن از نرم افزار Eviwes و SPSS تجزیه و تحلیل شده اند. در این بخش ابتدا به روش ها و آزمون های به کار برده شده را به تفضیل شرح می دهیم و سپس فرضیه ها بررسی کرده و نتایج حاصل از آن ها را بیان می کنیم.
۴-۲ آزمون پایایی، دلایل و اهمیت
به چند دلیل بررسی پایایی سری داده ها مهم است . پایایی یا ناپایایی یک سری می تواند تاثیر شدیدی روی رفتار و ویژگی های آن داشته باشد. اگر متغیر های سری زمانی مورد استفاده در بر آورد ضرایب مدل ناپایا باشند در عین حال که ممکن است هیچ رابطه مفهومی بین متغیر های مدل وجود نداشته باشد ضریب تعیین ()به دست آمده آن می تواند بسیار مهم باشد و موجب شود تا محقق استنباط های نادرستی در مورد میزان ارتباط بین متغیر ها انجام دهد. دلیل بزرگ بودن ( ) آن است که وقتی یک سری زمانی نظیر دارای روند است کل پراکندگی رگرسیون (یعنی) حول میانگین ثابت Y محاسبه می شود. که به غلط در طول زمان پایا فرض شده است. این امر وزن زیاد به مشاهداتی می دهد که از میانگین Y فاصله دارند، درنتیجه کل پراکندگی محاسبه شده، بسیار بزرگ می شود. از آن جا که ضریب تعیین () به صورتتعریف می شود، که در آن () جملات خطای رگرسیون است، وقتیبزرگ می شود، جمله داخل کروشه فوق کوچک می شود و در نهایت بالایی به دست می آید.
وجود متغیرهای ناپایا در مدل سبب می شود تا آزمون های t و f معمول نیز از اعتبار لازم برخوردار نباشند در چنین شرایطی کمیت بحرانی ارائه شده توسط توزیع های fوt کمیت بحرانی صحیحی برای انجام آزمون نیستند. کمیت های بحرانی منتج از توزیع های tوf به گونه ای است که با افزایش حجم نمونه امکان رد هر چه بیشتر فرضیه () را فراهم می آورد. با رد نادرست فرضیه نتیجه گیری می شود که روابط مستحکم و معنی داری بین متغیر های مدل وجود دارد ، درحالی که واقعیت جز این است و رگرسیون به دست آمده ، رگرسیون کاذبی بیش نیست ، از مشخصه های معمول یک رگرسیون کاذب ، داشتن ضریب تعیین بالا (نزدیک به یک) و آماره دوربین واتسون DW)) پایین (نزدیک به صفر ) است (نوفرستی، ۱۳۷۸) .
۴-۲-۱ آزمون ریشه واحد
یکی از آزمون هایی که برای بررسی پایایی از آن استفاده می شود آزمون ریشه واحد است. مدل زیر را در نظر بگیرید:
Vt جمله خطای استوکاستیک است که از فروض کلاسیک تبعیت می کند . همانطور که مشاهده می شود معادله بالا یک معادله خود رگسیون مرتبه اول ARM است که در آن مقدار Y در زمان t بر روی مقدار آن در زمان t-1 رگرس شده است. حال اگر ضریب Yt-1 در عالم واقع برابر با یک شود مواجه با مساله ریشه واحد می شویم یعنی بیانگر وضعیت غیر ایستایی سری زمانی Yt می باشد ، بنابراین اگر رگرسیون زیر را اجرا کنیم .
و تشخیص دهیم که در واقع P =1 است ، گفته می شود متغیر Yt دارای یک ریشه واحد است. در اقتصاد سنجی سری های زمانی ، سری زمانی که دارای یک ریشه واحد باشد فرایند گام تصادفی^[۱۱] نامیده می شود و نمونه ای از یک سری زمانی غیر ایستا است .
معادله قبل غالبا به شکل دیگری نیز نشان داده می شود: