متغیر
علامت اختصاری
متغیر
علامت اختصاری

فضای سرمایه‌گذاری
IVP
نظم و قانون
LAO

فساد
COR
کیفیت بروکراسی
BQ

۳-۳-۵) شاخص نااطمینانی اقتصادی:

شاخص نااطمینانی اقتصادی مؤثر بر سرمایه‌گذاری بنابر ادبیات تحقیق به آن دسته از تغییرات در متغیرهای اقتصاد کلان اتلاق می‌شود که نوسانات آنها ممکن است پیش‌بینی هزینه‌ها و درآمدهای آینده بنگاه‌ها را تحت تأثیر قرار دهد و از این رو هزینه‌ای تحت عنوان هزینه ریسک به تابع سود آنها وارد می‌کند. اگر دولت دارای برنامه و روند کار مشخص باشد و به طور مداوم اقدام به اعمال سیاست‌ها برخلاف برنامه‌های مدون شده قبلی نکند، به طور طبیعی خطر بروز این نوسانات کاهش می‌یابد و از این روست که تغییرات و نوسانات متغیرهای اقتصاد کلان به دولت مرتبط می‌شود. شاخص نااطمینانی اقتصادی از نوسانات سه متغیر رشد اقتصادی، تورم و نرخ بهره واقعی محاسبه می‌شود که داده‌های آن برای کشورهای در حال توسعه مورد نظر از آمارهای منتشر شده بانک جهانی بدست آمده است. برای محاسبه نااطمینانی­های متغیرهای مختلف از روش محاسبه واریانس شرطی به روش GARCH استفاده می­ شود و سپس شاخص­ های نااطمینانی مختلف با بهره گرفتن از روش PCA برای هر کشور تجمیع می­ شود تا شاخص کل نااطمینانی اقتصادی به دست آید.

۴-۵) روش تجمیع و محاسبه شاخص‌ها:

در این بخش به معرفی روش های مورد استفاده برای تجمیع داده ­ها و محاسبه شاخص‌های سیاسی- اجتماعی و اقتصادی خواهیم پرداخت. این بخش دارای دو قسمت می‌باشد که روش PCA و محاسبه نااطمینانی متغیرها بوسیله مدل GARCH به صورت خلاصه توضیح داده شده است.

۱-۴-۵) آنالیز اجزای اساسی^[۱۰۰] (PCA):

آنالیز اجزای اساسی یکی از روش های آماری کلاسیک است که به طور وسیع در تحلیل آماری مورد استفاده قرار می‌گیرد. PCA بر اساس یک متغیر تصادفی بیان می‌شود. به طور مثال اگر ما یک ماتریس داده‌ به صورت زیر در اختیار داشته باشیم:
معادله (۱-۵)
که در آن x_i نشان دهنده بردار ستونی داده‌ ‌i ام است، و  نشان دهنده میانگین این بردار باشد. ماتریس واریانس- کواریانس بین ضرایب به صورت زیر خواهد بود.
معادله (۲-۵)
اجزای ماتریس واریانس- کواریانس رابطه بین متغیرها را نشان می‌دهد. چنانچه رابطه‌ای بین ضرایب نباشد،‌ کواریانس بین ضرایب صفر خواهد بود و در صورت داشتن رابطه مثبت و منفی این مقدار بین (۱ و ۱-) متغیر خواهد بود. به دلیل مربع بودن ماتریس واریانس- کواریانس می‌توان مقادیر مشخصه و بردارهای مشخصه آن را محاسبه نمود. اگر _iλ را مقدار ویژه‌ی ‌i ام بنامیم،‌ مقادیر مشخصه از حل معادله زیر به دست می‌آید:
معادله (۳-۵)
پس از این مرحله بردارهای ویژه‌ی متناظر به مقادیر ویژه محاسبه می‌شود. اگر مقادیر بردارهای ویژه در یک بردار سطری به ترتیب بزرگتر به کوچکتر مرتب شود،‌ در این صورت بردار ویژه ستون اول در امتداد بزرگترین واریانس خواهد بود. بر این اساس گفته می‌شود که دربرگیرنده بیشترین اطلاعات از مجموع متغیرهاست.
اگر ماتریس A را دربرگیرنده بردارهای ویژه ماتریس واریانس- کواریانس در نظر بگیریم،‌ با تبدیل ماتریس داده‌ها (x) داریم:
معادله (۴-۵)
که Y نشان‌دهنده نقاط ماتریس متعامدی است که بوسیله بردارهای ویژه مرتب شده است. از معادله فوق می‌توان مقادیر X را محاسبه کرد:
معادله (۵-۵)
با توجه به ویژگی بردارهای متعامد (  ) داریم:
معادله (۶-۵)
بر این اساس ماتریس داده اصلی بر اساس ترکیب خطی ماتریس متعامد بدست می‌آید.
در این مرحله می‌توان به جای استفاده از تمامی بردارهای ویژه از چند بردار که می‌توانند قسمت قابل قبولی از تغییرات متغیرهای موجود در ماتریس X با داده‌ها را توضیح دهند استفاده نمود. با این صورت که اگر A_K نشان دهنده K بردار اول ماتریس A باشد، در این صورت:
معادله (۷-۵)
و بنابراین
معادله (۸-۵)
این فرایند نشان می‌دهد که ما از طریق بردار متعامد A_K که دربرگیرنده K بردار ویژه اول است،‌ توانسته‌ایم ترکیب خطی از داده‌ها بسازیم که بدون از دست رفتن اطلاعات زیاد، متغیرهای اولیه را کاهش داده است. این روش بیشتر در مواردی مورد استفاده قرار می‌گیرد که تعدادی از متغیرها دارای همخطی شدید هستند و بنابراین از تمامی آنها به طور همزمان نمی‌توان در مدل استفاده کرد. همچنین روش مناسبی برای تجمیع داد‌ه‌های با همخطی بالا محسوب می‌شود.