مستقل

وجود و عدم وجود کمیته های داخلی

متغیر مصنوعی است که در صورتی که هر کمیته های کمیته حسابرسی، کمیته پاداش وجود داشته باشد عدد یک و در غیر این صورت عدد صفر.

5

مستقل

استقلال کمیته های داخلی

متغیری مصنوعی است که وقتی که اعضای مستقل کمیته های حسابرسی و پاداش بیشتر از میانه مربوطه بوده مقدار یک و در غیر این صورت مقدار صفر را می پذیرد

روش تجزیه و تحلیل داده ها

به طور کلی در این تحقیق از دو دسته روش های آماری برای تجزیه و تحلیل داده ها استفاده شده است که عبارتند از:

آمار توصیفی
مجموعه روشهایی است که در گردآوری، منظم کردن، و نشان دادن شکل های توزیع متغییرها به کار می رود. آمار توصیفی شامل محاسبه میانگین، میانه، مد و انحراف معیار داده ها می باشد.
آمار استنباطی
برای استنباط خصوصیت یک جامعه آماری از روی مشاهدات یک یا چند نمونه از آن جامعه بکار می رود. در آمار استنباطی ما از دو روش استفاده می کنیم. در ابتدا از روش همبستگی پیرسون برای اندازه گیری درجه ارتباط بین متغیرهای مختلف در این تحقیق مورد استفاده قرار می گیرد، در مرحله بعد از تحلیل رگرسیون برای تخمین رابطه بین متغیرها مورد استفاده قرار می گیرد.
مسأله آزمون فرضيه در مباحث آماري به اين صورت توصيف مي گردد كه آيا مشاهدات يا يافته اي معين كه مي خواهيم آن را تحليل كنيم به اندازه كافي به مقدار مفروضي كه ما را به پذيرش فرضيه اظهار شده وارد مي كند، نزديك شده است يا خير؟
در علم آمار فرضيه اظهار شده ، فرضيه عدم ناميده مي شود كه با نماد H₀ نشان داده مي شود. فرضيه عدم معمولاً در مقابل فرضيه آلترناتيو كه با نماد H₁ نشان داده مي شود، آزمون مي گردد. پس به طور كلي نظريه آزمون فرضيه ايجاد قوانين و روش هايي را براي تصميم گيري درباره پذيرش يا عدم پذيرش فرضيه عدم بررسي مي كند. به عبارت ديگر آزمون معني دار بودن، روشي است كه با بهره گرفتن از نتايج نمونه اي درستي يا نادرستي فرضيه عدم را تعيين (تحقيق) مي كند.( ابریشمی ،1377)
تحقیق حاضر برای تجزیه و تحلیل داده ­ها از تجزیه و تحلیل پانلی استفاده می­ کند. مهمترین مزیت استفاده از داده ­های پانل را، کنترل نمودن ویژگیهای ناهمگن و در نظر گرفتن تک تک افراد، شرکت­ها، ایالات و کشورها بیان می­ کنند. در حالی­که در مطالعات مقطعی و سری زمانی این ناهمگنی کنترل نمی­گردد و با تخمین مدل با بهره گرفتن از این روش­­ها احتمال ­اریب­بودن، نتایج می­باشد،(رهنمای رودپشتی و ولی پور،2010).
معمولأ استفاده از داده­هاي آماري به سه روش مقطعي^[21]، سري زماني^[22] و ترکيبي^[23] امکان­پذير است:
1- داد­ه­هاي مقطعي: در داده­هاي مقطعي، مقادير يک يا چند متغير براي چندين واحد اقتصادي (مشاهدات نمونه­اي) براي يک زمان مشخص جمع­آوري مي­شود.
2- داده­هاي سري زماني: در داده­هاي سري زماني، مقدار يک يا چند متغير در طول يک دوره زماني مشاهده مي­شود.
3- داده­هاي ترکيبي: در داده­هاي ترکيبي، عناصر هر دو دسته از داده­هاي سري زماني و مقطعي وجود دارد. يعني اطلاعات مربوط به داده­هاي مقطعي در طول زمان مشاهده مي­شود. به بيان ديگر، چنين داده­هايي داراي دو بعد مي­باشند که يک بعد آن مربوط به واحدهاي مختلف در هر مقطع زماني خاص است و بعد ديگر آن مربوط به زمان مي­باشد. يعني روش داده­هاي ترکيبي، روشي براي تلفيق مشاهدات مقطعي در خلال چندين دوره زماني است (گجراتي^[24]، 1995).
در اين پژوهش با توجه به نوع داده ­ها و روش­هاي تجزيه و تحليل موجود، از روش “داده­هاي ترکيبي” استفاده مي­شود. منظور از داده­هاي ترکيبي، مجموعه­اي از داده­هاست که متشکل از تعداد زيادي از متغيرهاي مقطعي (N) است که در طول يک دوره زماني مشخص (T) مورد بررسي قرار مي­گيرند. در اين صورت تعداد مشاهدات N × T بوده که با بهره گرفتن از مدل­هاي مختلفي قابل تخمين است.
با بهره گرفتن از داده­هاي ترکيبي، مي­توان به تخمين­هاي کارا دست يافت. شکل کلي مدل داده­هاي ترکيبي که به اجزاء خطا^[25] معروف است، به صورت زير مي­باشد(دوقرتي^[26]،­2004): ش به گونه خلاصه به صورت زير نوشته ميLn Sale, Age, DebtInt.,

در رابطه فوق Y نشان­دهنده متغير وابسته، X متغيرهاي توضيحي مشاهده شده و Z نشان­دهنده متغيرهاي توضيحي غيرقابل مشاهده اثرگذار بر متغير وابسته براي هر مقطع است که براي توضيح بهتر مدل داده­هاي ترکيبي، اين دسته از متغيرها از مقادير اجزاء خطا جدا شده است. نماد i نشان­دهنده مقطع­ها يا واحدهاي مشاهده شده، t نشان­دهنده دوره زماني و j و p به ترتيب نشانگر تعداد متغيرهاي مشاهده شده و مشاهده نشده است.  نشان­دهنده خطاي برآورد داده­هاي ترکيبي است که تمامي شرايط مربوط به جملات خطا تحت فروض گوس- مارکف^[27] را داراست. جمله روند (  ) نشان­دهنده تغييرات جمله ثابت در طول زمان است. اين مدل به “مدل داده­هاي ترکيبي دوطرفه^[28]” معروف است(دوقرتي، 2004).
از آنجا که متغيرهاي Z قابل اندازه­گيري نيستند، مي­توان مجموع همه آنها را به صورت يک متغير  نشان داد. در اين صورت، معادله بالا را مي­توان به صورت زير بازنويسي کرد:

که در آن  =  است. اگر  با هر کدام از متغيرهاي توضيحي ديگر X وابسته باشد، برآورد و تحليل از طريق اين معادله، داراي تورش مربوط به متغيرهاي برآورد نشده خواهد بود (دوقرتي، 2004).
اگر متغيرهاي غيرقابل اندازه­گيري کنترل شوند، مي­توان با بهره گرفتن از روش “حداقل مربعات معمولي^[29]” يا “حداقل مربعات تعميم يافته^[30]” به تخمين­هاي کارايي دست يافت. يکي از راه­هاي کنترل به کارگيري “مدل اثر ثابت^[31]” است. در مدل اثر ثابت، اثرات مشاهده نشده در جمله ثابت رگرسيون وارد مي­شود. در اين مدل با بهره گرفتن از روش متغيرهاي مجازي يا روش تفاضل­گيري، اثرات متغيرهاي مشاهده نشدني کنترل مي­شود.
بنابراين، در مدلهاي اثر ثابت، براي دستيابي به تخمين­هاي کارا از روش حذف متغيرهاي غير قابل مشاهده اثرگذار در مدل استفاده مي­شود. به کارگيري اين روش موجب حذف بسياري از متغيرهاي مهم مي­شود. از اين­رو، مي­توان به جاي در نظر نگرفتن اين متغيرها، آنها را در اجزاء خطا منظور کرد. اين روش، به “مدل اثر تصادفي^[32]” معروف است. اولين شرط براي استفاده از مدل اثر تصادفي آن است که متغيرها به صورت تصادفي انتخاب شده باشند. در اين صورت  متغيري تصادفي است و مدل بالا را مي­توان به صورت زير بازنويسي کرد:

که در آن   است (بالتاگي^[33]، 2005).
شرط لازم استفاده از اين مدل، عدم وابستگي متغيرهاي  به ساير متغيرهاي توضيحي در مدل است. اگر اين شرط برقرار نباشد، تخمين مدل اثر تصادفي، غيرثابت و با تورش خواهد بود. در اين صورت از مدل اثر ثابت استفاده مي­شود.
روش داده‌هاي تركيبي به دليل مزاياي زير مورد استفاده محققين اعم از محققين حسابداري و مالي قرار گرفته است (هسياو^[34]: 2003):

• در اختيار محقق قرار گرفتن نقاط آماري بيشتر و افزايش درجه آزادي.

• كنترل ناهمساني‌هاي منفرد^[35].

• ايجاد داده‌هاي قوي‌تر، قابل اتكاتر و با هم خطي كمتر ميان متغيرها و در نتيجه افزايش کارايي.

• تعيين و اندازه گيري آثار متغيرهاي حذف شده.

• بدست آوردن نتايج نا اريب.

• تفکيک جملات خطا به تغييرات سري زماني و مکاني.