گروه د، گروهی هستند که امتیاز ۰ تا ۵۰۰ را کسب کرده‌اند و با عدد “۴” نشان داده می‌شوند.

نحوه محاسبه این امتیازها و همچنین اسامی مؤسسات حسابرسی که در ‌گروه‌های الف، ب، ج، د قرار گرفته اند طبق حروف الفبا در پیوست آورده شده است لازم به توضیح است اگر مؤسسه‌ حسابرسی را در هیچ گروهی یافت نشد در گروه “د” جای می‌گیرد زیرا مؤسسات حسابرسی که اطلاعات و مدارک مورد نیاز را به جامعه حسابداران رسمی تحویل نداده است طبق قوانین جامعه در گروه “د” قرار می گیرند.

۳-۸-۳-متغیرهای کمکی

اندازه شرکت (SIZE): لگاریتم طبیعی از ارزش دارایی ها در پایان سال

اهرم مالی(LEV): نسبت کل بدهی‌ها به کل دارایی‌ها در پایان سال

۳-۹- تکنیک های تجزیه و تحلیل داده ها

۳-۹-۱- تخمین مدل‌های رگرسیون با داده های پانل

برای برآورد الگوهای رگرسیون خطی دو متغیره و چند متغیره معمولاً از روش کمترین مجذورات معمولی^[۴۷] که به اختصار با OLS نشان داده می‌شود، استفاده می‌گردد. این روش دارای ویژگی‌های مطلوب آماری مانند بدون تورش بودن، بهترین ‌برآورد کننده خطی بدون تورش یا BLUE بودن را دارا می‌باشد. اما برای رفع مشکلاتی همچون خود همبستگی جملات پسماند و ناهمسانی واریانس از روش کمترین مجذورات تعمیم گرفته، یعنی ^[۴۸]GLS استفاده می‌شود.

از ویژگی‌های مهم روش GLS رفع مشکلاتی همچون خود همبستگی و ناهمسانی واریانس می‌باشد به همین دلیل در این تحقیق در صورت لزوم از این روش استفاده شده است.

روش GLS اقدام به موزون نمودن متغیرهای الگوی مدل رگرسیون می‌کند. به همین دلیل روش مذکور را روش کمترین مجذورات موزون (Weighted LS یا WLS) می‌نامند. (شیرینبخش و خوانساری، ۱۳۸۴).

۳-۱۰- مزایای استفاده از داده های تابلویی (ترکیبی)

بالتاگی مزایای استفاده از داده‌هایتابلویی نسبت به داده های مقطعی یا سری زمانی را چنین بر می‌شمارد:

۱- از آنجا که داده های تابلویی به افراد، بنگاه‌ها، ایالات، کشورها و از این قبیل واحدها طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می‌شود. تکنیک‌های تخمین با داده های تابلویی، همان گونه که نشان ئائه خواهد شد می‌توانند این ناهمسانی واریانس را با متغیرهای تکی و خاص مورد ملاحظه و بررسی قرار دهند.

۲- با ترکیب مشاهدات سری زمانی و مقطعی، داده های تابلویی با اطلاعات بیشتر، تغییر پذیری بیشتر، هم‌خطی کمتر میان متغیرها، درجات آزادی بیشتر و کارایی بیشتری را ارائه می‌دهند.

۳- با مطالعه مشاهدات مقطعی تکراری، داده های تابلویی به منظور مطالعه پویای تغییرات، مناسب‌تر و بهترند.

۴- داده های تابلویی تاثیراتی را که نمی‌توان به سادگی در داده‌هایمقطعی وسری زمانی مشاهده کرد، بهتر نشان می‌دهند.

۵- داده های تابلویی محقق را قادر می‌سازد تا مدل‌های رفتاری پیچیده را بهتر مطالعه کند.

داده های تابلویی با ارائه داده برای هزاران واحد، می‌تواند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه‌ها (به صورت تجمعی و کلی) حاصل شود، حداقل سازند.

به طور کلی باید گفت داده های تجربی را به شکلی غنی می‌سازد که در صورت استفاده از داده‌هایسری زمانی یا مقطعی این امکان وجود ندارد.

۳-۱۱- آزمون های انتخاب مدل در پنل دیتا

۳-۱۱-۱- آزمون چاو (آزمون F)

‌در مورد داده های ترکیبی ابتدا آزمون F(آزمون چاو) به منظور انتخاب شیوه تخمین مدل از بین دو راهکار Pooling وPanel انجام می شود.

در داده های ترکیبی اثرات زمانی و مقطعی داده ها و همچنین اثرات همزمان آن ها آزمون می شود.طبق مدل اثرات ثابت–زمانی برای هر یک از سال‌ها یک عرض از مبدأ و طبق مدل اثرات ثابت–مقطعی برای هر یک از این شرکت‌ها یک عرض از مبدأ ارائه می‌شود.حالبرای اینکه مشخص شود این عرض از مبدأ‌ها از لحاظ آماری باهم تفاوت معنادار دارند یا خیر، آزمون چاو را به کار میبرند.

تمام عرض از مبداها با هم برابرند↔Pooled

: عرض از مبداها با هم تفاوت دارند↔ مدل اثرات ثابت زمانی یا مقطعی یا هر دو

که مقادیر ثابت مدل (عرض از مبدأ) در هریک از حالت های فوق به شرح زیر می‌باشد:

1. Pooled↔

1. Panelازنوع اثرات ثابت زمانی↔

1. Panelازنوع اثرات ثابت مقطعی↔

panel از نوع اثرات ثابت زمانی ‌و مقطعی↔

۳-۱۱-۲- آزمون هاسمن

تاریخ گذشته ی هر شرکت یا مقطع را در مدل پانل در برداردکه برای تفسیر آن دو رویکرد متفاوت وجود دارد.دوروش Fixed Effect وEffect Random دو رویکرد متفاوت برای برآورد می‌باشد. اگر فرض شود تمام افراد یا مقاطع در پانل، کاملا همگن هستند در این صورت لازم نیست نگران عرض از مبدأ‌های مختلف برای هر فرد یا مقطع بود. در حقیقت، رویکرد پانل دیتا به خوبی می‌تواند نا هماهنگی‌های میان افراد را نشان دهد. این نکته یکی از مزایای مدل داده های پانل نسبت به مدل‌های مقطعی یا سری زمانی صرف است.

اگر گفته ی هاولمو را بپذیرفته شود که جامعه از بی نهایت تصمیم درست شده است نه بی نهایت افراد ،در این صورت نباید را مشروط و مقید بدانیم بهتر است آن را جمله ی تصادفی تلقی نمود نه ثابت.رویکرد اثر ثابت را جمله ای ثابت و مخصوص هر فرد یا مقطع در مدل رگرسیونی فرض می‌کند. مدل اثر تصادفی فرض می‌کند یک جمله تصادفی برای هر گروه است، اما در هر دوره‌ زمانی، از این توزیع تصادفی ها فقط یک رخداد به طور یکسان در هر دوره در مدل رگرسیونی وارد می‌شود. به عبارت دیگر برای کل دوره‌ زمانی، برای هر فرد فقط یک وجود دارد. برای انتخاب یکی از این دو روش از آزمون هاسمن استفاده می‌شود. اگرProb کوچکتر از یک دهم باشد مدل اثر ثابت در سطح ٩۰درصد به بالا پذیرفته می‌شود اما اگر بزرگتر از یک دهم باشد در این صورت مدل اثر تصادفی پذیرفته می‌شود.

۳-۱۱-۳- آزمون White cross-section

اگر ناهمگنی پارامترها میان افراد و مقاطع یا در طول سری زمانی را نادیده گدفته شود می‌تواند به برآوردهای ناسازگار یا بی معنی از پارامترها منجر شود .پارامتر ممکن است برای افراد و مقاطع مختلف متفاوت باشد، اگرچه در طول زمان ثابت بماند. اگر این فرض اتخاذ شود، ممکن است انواع توزیع‌های نمونه گیری رخ دهد. این توزیع های نمونه گیری می‌تواند تا حد زیادی رگرسیون حداقل مربعات روی را با بهره گرفتن از NT مشاهده گمراه کننده کند. برای رفع مشکل واریانس ناهمسانی یا بهبود برآوردها از آزمونWhitecross-section استفاده می‌شود.

قدرت جذاب پانل دیتا ناشی از توانایی نظری آن در جداسازی اثرات، اقدامات و رفتار خاص فردی یا سیاست‌های عام تر است. این توانایی نظری بر این فرض استوار است که داده های اقتصادی از یک آزمایش کنترل شده به دست می‌آید که در آن رخدادها، متغیرهایی تصادفی با توزیع احتمال است. این رخدادها تابعی هموار از متغیرهایمختلف است که شرایط آزمایش را توصیف می‌کند. اگر داده های موجود حقیقتا از آزمایش های ساده کنترل شده به دست آید، می توان از روش‌های استاندارد آماری استفاده کرد.