• تحلیل عاملی اکتشافی در دو سطح صنعت و کل بورس
  • اجرای مدل های درخت تصمیم در دو سطح صنعت و کل بورس
  • ترکیب نتایج مدل های الگوریتم درخت تصمیم با کمک تحلیل حساسیت

شکل ۳-۱: مراحل انجام پژوهش
۳-۲-۱- تهیه اطلاعات در دو سطح صنعت و کل بورس
در این مرحله ابتدا با بهره گرفتن از نرم افزار تدبیر پرداز کلیه داده های مورد نیاز، شامل داده های مربوط به جمع دارایی، جمع بدهی، جمع حقوق صاحبان سهام، هزینه مالی، سود تقسیمی، سود هرسهم، سود خالص، سود عملیاتی و مالیات و … استخراج می شود. در این نرم افزار اطلاعات کامل صورت های مالی از جمله صورت سود و زیان، ترازنامه، صورت گردش وجوه نقد و همچنین اطلاعات کامل خرید و فروش سهام، سود تقسیمی هر سهم و سایر اطلاعات مورد نیاز در این پژوهش وجود دارد. برای انجام سایر پردازش ها، از پایگاه داده SQl ویرایش ۲۰۰۸ استفاده می شود. این پردازش ها شامل:
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

  • ایجاد پایگاه داده از اطلاعات
  • ایجاد ارتباط بین اقلام سود و زیان با ترازنامه در سال های مختلف
  • استخراج اطلاعات مورد نیاز

۳-۲-۲- انجام محاسبات نسبت های مالی و عملکرد شرکت در دو سطح صنعت و کل بورس
در این مرحله، با بهره گرفتن از اطلاعات بدست آمده در مرحله قبل، اقدام به محاسبه نسبت های مالی مطرح در این پژوهش می شود.
۳-۲-۳- تحلیل عاملی اکتشافی در دو سطح صنعت و کل بورس
در این مرحله تمام نسبت های مالی به عنوان متغیرهای ورودی نرم افزار spss 21 درنظر گرفته می شود و با اجرای تحلیل عاملی اکتشافی، نسبت های مالی موثر بر معیارهای ارزیابی عملکرد تبیین می شود.
۳-۲-۳-۱- مراحل اصلی در تحلیل عاملی
مراحل اصلی کاربرد تحلیل عاملی اکتشافی برای به کارگیری داده های حقیقی، شامل چهار مرحله اساسی به شرح زیر است:۱) جمع آوری داده ها و تشکیل ماتریس کوواریانس مربوطه؛ ۲) استخراج عوامل اولیه؛۳) دوران جهت دستیابی به یک راه حل نهایی و تعبیر آن؛ و۴) ایجاد نمرات عاملی و استفاده از آن ها برای تحلیل های بعدی.
۳-۲-۳-۱-۱- جمع آوری داده ها و تشکیل ماتریس کوواریانس
اولین مرحله در تحلیل عاملی، جمع آوری داده های مورد نیاز برای تحلیل است و همان طور که از مباحث پیش متوجه شدیم، تشکیل یک ماتریس کوواریانس نیز از گام های اولیه می باشد. این نکته قابل تأمل وجود دارد که در تحلیل عاملی می توان بین تحلیل ماتریس کوواریانس و یا ماتریس همبستگی یکی را انتخاب نمود. به خاطر آن که این موضوع مستلزم یک بحث نسبتاً طولانی است، در این جا از پرداختن به آن اجتناب می شود. فقط در این‌جا عنوان می کنیم که در تحلیل عاملی اکتشافی می توان به استفاده از ماتریس همبستگی اتکا نمود. دو مزیت عملی که این انتخاب را مناسب می کنند، عبارتند از:۱) بسیاری از برنامه های رایانه ای موجود، ماتریس کوواریانس را به عنوان داده ورودی اصلی نمی پذیرند و۲) تقریباً تمامی مثال های ارائه شده در متون مربوط به تحلیل عاملی، بر اساس ماتریس های همبستگی هستند. لذا درک و مقایسه این نتایج برای محقق آسان تر خواهد بود.
نکته دیگری که قبل از انجام تحلیل عاملی می بایست در نظر داشت، درباره اهمیت و معنادار بودن ماتریس همبستگی‌ها است. از آن جا که یکی از اهداف تحلیل عاملی به دست آوردن عامل هایی است که به تبیین همبستگی‌های ماتریس داده ها کمک نماید، بنابراین، متغیرهای مورد استفاده در تحقیق باید به اندازه کافی با یکدیگر مرتبط باشند، تا استفاده از مدل عاملی مناسب باشد. اگر همبستگی بین متغیرها کوچک باشد، احتمال آن که در عامل های مشترک سهیم باشند، اندک است. برای ارزش یابی ماتریس همبستگی می توان آزمون کُرویت بارتلت[۸۴] (۱۹۵۰) را بر پایه فرمول زیر به کار برد:
که در آن n معرف تعداد آزمودنی ها، p تعداد متغیرها و R قدرمطلق دترمینان ماتریس همبستگی هاست. این آزمون که دارای توزیع مجذور خی دو با (p-1)p 0.5 درجه آزادی است، مقدار اطلاعات موجود در Rرا با بررسی رابطه بین تعداد مشاهده ها و تعداد متغیرها، ارزش یابی می کند و احتمال خطا را برای رد کردن فرضیه صفر مبنی بر «عدم وجود تفاوت از ماتریس همانی[۸۵]» می آزماید. ماتریس همانی ماتریسی است که همه عناصر قطری آن یک و همه عناصر غیرقطری آن صفر باشند. به بیان دیگر، آزمون بارتلت این فرضیه را که ماتریس همبستگی‌های مشاهده شده، متعلق به جامعه ای با متغیرهای ناهمبسته است، می آزماید. برای آن که یک مدل عاملی مفید و دارای معنا باشد، لازم است متغیرهای مورد تحلیل با یکدیگر همبسته باشند، در غیر این صورت برای تبیین مدل عاملی دلیلی وجود ندارد. اگر این فرضیه که متغیرها با یکدیگر رابطه ندارند رد نشود، کاربرد مدل عاملی زیر سؤال خواهد بود و در نتیجه باید در انجام آن تجدیدنظر شود.
ضریب همبستگی جزئی، شاخص دیگری برای تعیین نیرومندی رابطه بین متغیرهاست. اگر متغیرها در عامل‌های‌مشترک سهیم باشند، وقتی اثرات خطی سایر متغیرها حذف شود، ضرایب همبستگی جزئی بین دو به دوی آن ها باید کوچک باشد. بنابراین، ضرایب همبستگی جزئی، برآورد همبستگی های بین عوامل یگانه است و در شرایط درست بودن مفروضات تحلیل عاملی، باید نزدیک به صفر باشد (فرض بر این است که عوامل یگانه با یکدیگر ناهمبسته اند). منفی ضریب همبستگی جزئی، همبستگی ضد تصویر[۸۶] نامیده می شود. اگر تعداد ضرایب بزرگ در این ماتریس زیاد باشد، کاربرد تحلیل عاملی با تردید مواجه می شود.
شاخص KMO[87] که شاخص کفایت نمونه برداری[۸۸] نامیده می شود، شاخصی است که مقادیر همبستگی مشاهده شده را با مقادیر همبستگی جزئی مقایسه می کند.
در فرمول فوق، ضریب همبستگی ساده بین متغیرهای i و j و ضریب همبستگی جزئی بین آن هاست. اگر مجموع مجذورات ضرایب همبستگی جزئی بین همه زوج متغیرها در مقایسه با مجموع مجذورات ضرایب همبستگی ساده کوچک باشد، اندازه KMO نزدیک به یک خواهد بود. مقادیر کوچک KMO بیان گر آن است که همبستگی بین زوج متغیرها نمی تواند توسط متغیرهای دیگر تبیین شود و بنابراین، کاربرد تحلیل عاملی متغیرها ممکن است قابل توجیه نباشد. سرنی و کایزر[۸۹] (۱۹۷۷) معتقدند که وقتی مقدار KMO بزرگ تر از ۶/. باشد، به را حتی می توان تحلیل عاملی را انجام داد و هر چه این مقدار بیش تر باشد، مناسبت و کفایت نمونه برداری بیش‌تر خواهد بود.
۳-۲-۳-۱-۲- استخراج عوامل اولیه
دومین گام مهم و بزرگ در تحلیل عاملی، استخراج تعداد عواملی است که به طور مناسب بتوانند همبستگی های مشاهده شده (یا کوواریانس های) میان متغیرهای مشاهده شده را توضیح دهند. اصطلاح تحلیل عاملی که در این‌جا به کار برده می شود، اصطلاحی است کلی، برای دو نوع تقریباً متمایز تحلیل، یعنی تحلیل مؤلفه های اصلی و تحلیل عامل مشترک. این دو نوع تحلیل، اساساً بر حسب مقدار و نوع واریانس هر متغیر که توسط عوامل موجود در مدل توجیه می شود، متفاوتند. در تحلیل مؤلفه ای، عامل ها تمامی واریانس هر متغیر، اعم از واریانس مشترک با سایر متغیرهای مجموعه و نیز واریانس اختصاصی یا خاص هر متغیر را توجیه می کنند. از این رو در تحلیل مؤلفه‌های اصلی، از لحاظ تئوری می بایست تعداد مؤلفه ها با تعداد متغیرها برابر باشد تا همه واریانس هر متغیر توسط عوامل پوشش داده شود؛ اما در تحلیل عامل مشترک، عوامل فقط واریانس مشترک هر متغیر با سایر متغیرهای مجموعه (البته نه لزوماً همه آن ها) را توجیه می نمایند. از این رو در این مدل (که شامل روش های متنوعی است) تعداد عوامل مشترک کم تر از تعداد متغیرها می باشد. در هر صورت، هر چند به نظر هارمن[۹۰](۱۹۷۶) در ماتریس‌های بزرگ تفاوت های بین راه حل عوامل مشترک و مؤلفه های اصلی ناچیز است، کاتل[۹۱] (۱۹۷۸) کار با راه حل عامل‌های مشترک را ترجیح می دهد. بدین منظور، چند روش عمده وجود دارد: ۱) روش حداکثر راستنمایی[۹۲]؛ ۲) روش حداقل مربعات غیر وزنی[۹۳] ؛ ۳) روش حداقل مربعات تعمیم یافته[۹۴]؛ ۴) روش عامل گیری آلفا[۹۵]؛ ۵) روش عامل گیری تصویر[۹۶]؛ ۶) روش عامل گیری محور اصلی[۹۷]؛ و ۷) روش تحلیل مؤلفه های اصلی[۹۸]. در انتها فقط اشاره می کنیم، این که روش مؤلفه های اصلی که در غالب تحقیقات داخلی از آن استفاده شده است، تمامی واریانس ماتریس همبستگی ها را استخراج می کند، یک نقطه ضعف عمده برای این روش محسوب می‌شود. از این رو در این تحقیق، روش عامل گیری محور اصلی برای استخراج عوامل اولیه انتخاب خواهد شد.
روش عامل گیری محور با تحلیل مؤلفه های اصلی یکسان است به جز این که در خانه های قطری ماتریسِ همبستگی به جای عدد یک، میزان اشتراک هر متغیر برآورد می گردد (یعنی نسبتی از واریانس آن متغیر که با متغیرهای دیگر آن مجموعه مشترک است). باید عنوان کرد که بر سر این موضوع که در قطر ماتریس چه چیزی قرار گیرد، کشمکش های زیادی وجود دارد و اهمیت این مسأله آن جا آشکار می شود که می بینیم انتخاب اشتراکات به عنوان عناصر قطری، منجر به استخراج تعداد عوامل متفاوت و یا در صورت به دست آمدن تعداد عوامل یکسان، بارهای عاملی متفاوت بر روی متغیرهای تحقیق می گردد. در هر صورت یکی از روش هایی که با بهره گرفتن از آن اشتراکات اولیه مورد محاسبه قرار می گیرد، استفاده از مجذور همبستگی چندمتغیری[۹۹] (SMC) بین هر متغیر ماتریس با سایر متغیرهای ماتریس می باشد و در این تحقیق این ملاک برای برآورد اشتراکات اولیه استفاده خواهد شد.
شایان ذکر است، در این مرحله از تحلیل، نبایستی به متعامد بودن یا مورب بودن عوامل اصلی توجهی نمود، زیرا عوامل استخراج شده توجه زیادی مبذول داشت. آن چه به طور عمده می بایست مورد توجه قرار گیرد، این است که آیا تعداد کم تری از عوامل می توانند برای توضیح کوواریانس میان تعداد بیش تری از متغیرها مورد استفاده قرار گیرند. ذکر این نکته نیز قابل توجه است که برای دست یابی به یک جواب اولیه، محقق بایستی در مورد انتخابِ یکی از گزینه های زیر تصمیم گیری نماید:۱) خود محقق دست به انتخاب تعداد عوامل مشترک بزند؛ یا ۲) معیاری را جهت انتخابِ تعداد عوامل مشترک، تعیین نماید. در این تحقیق از روش دوم برای تعیین تعداد عوامل استفاده خواهد شد؛ لذا به معیاری برای انتخاب تعداد عوامل مشترک نیاز داریم. معیارهای مختلفی برای این انتخاب وجود دارد که یکی از رایج ترین آن ها، معیار کایزر-گاتمن[۱۰۰] است. بر اساس این معیار، عواملی که مقادیر ویژه آن یک و یا کم تر از یک باشد، نادیده انگاشته می شوند.
۳-۲-۳-۱-۳- دوران به سوی یک جواب نهایی
هر چند ماتریس عاملی که در مرحله استخراج عوامل به دست می آید، اشاره به روابط بین عوامل و متغیرها دارد، اما تشخیص عامل های بامعنا بر پایه این ماتریس و نیز درک و یا انطباق بارهای عاملی با انتظارات ما، معمولاً دشوار است. اغلب اوقات، رابطه متغیرها و عوامل به گونه ای نیست که بتوان آن را تفسیر کرد و گاه نیز بیش تر عوامل با متغیرهای زیادی همبسته می باشند. روش های تحلیل عاملی، اصولاً بر این پایه طرح شده اند که در هر مرحله عواملی استخراج شوند که دارای این ویژگی باشند که بیش ترین میزان از واریانس مشترک بین متغیرها را تبیین نمایند. اما نتیجه حاصل، معمولاً به صورتی نیست که از لحاظ تئوریکی کاملاً با معنا باشد. بیشینه ساختن مقدار واریانس در هر گام، عواملی را تولید می کند که ممکن است، بی ثبات باشد. به همین دلیل، عوامل حاصل از تحلیل اولیه معمولاً چرخش[۱۰۱] داده می شود تا مطلوب ترین طرح که به آسان ترین شیوه قابل تفسیر باشد، به دست آید. چرخش محورها، ساختار عوامل را ساده می کند و عوامل چرخش یافته، الگوی معنادارتری از متغیرها را به دست می دهد. چرخش عوامل، ماتریس اولیه را به ماتریس دیگری انتقال می دهد و از طریق پراکنده کردن واریانس در همه عوامل به گونه ای یکنواخت تر، ساختار عاملی را روشن می سازد و به طور کلی به یک راه حل تفسیرپذیرتر که به احتمال زیاد به سایر نمونه های همان جامعه قابل تعمیم است، منجر می گردد. به طور کلی روش‌های دوران به دو دسته متعامد[۱۰۲] و غیرمتعامد[۱۰۳] تقسیم می شوند. در چرخش های متعامد، عوامل طوری چرخانده می شوند که نسبت به هم همیشه یک زاویه قائمه داشته باشند. این بدان معناست که عامل ها ناهمبسته‌اند(Cos90=0 ). از جمله این روش ها می توان به روش های واریماکس، کوآرتیماکس، اکواماکس اشاره کرد. در چرخش های متمایل، محورهای عاملی می توانند هر وضعیتی را در فضای عاملی داشته باشند و علت نام‌گذاری این چرخش ها نیز همین مسأله است. کسینوس زاویه بین محورهای عاملی نشان دهنده همبستگی بین آن‌هاست. در چرخش متمایل عوامل، در مقایسه با چرخش متعامد که محدودیت ناشی از متعامد بودن وجود دارد، آزادی بیش تری در انتخاب وضعیت عوامل در فضای عاملی وجود دارد. از جمله روش های چرخش متمایل می‌توان به سه روشِ کوآرتمین، آبلیمین و بی کوآرتمین اشاره نمود. به هر حال، نانالی[۱۰۴] (۱۹۷۸) تعدادی از مشکلات مربوط به چرخش های متمایل را که به هنگام تفسیر نتایج باید در نظر گرفت، خاطر نشان می سازد. این مشکلات عبارتند از: ۱) مجموع مجذورات بارهای عاملی هر ردیف، به طور تصادفی مساوی خواهد بود. بنابراین، بارهای متمایل، به وضوح نسبتی از واریانس هر متغیر را که به وسیله عوامل تبیین می شود، نشان نمی دهد؛ ۲) به همین نحو، مجموع مجذورات بارهای عاملی ستون ها، صرفاً به طور تصادفی مساوی واریانس کل ماتریس خواهد بود؛ و۳) سرانجام، همبستگی های اولیه بین متغیرها را نمی توان از طریق حاصل ضرب بارهای عاملی باز پدید آورد. در ضمن، در چرخش های متعامد، الگوی عاملی[۱۰۵] و ساختار عاملی[۱۰۶] یکسانند، اما در چرخش های متمایل چنین نیست و از این رو تفسیر نتایج با به کارگیری این نوع چرخش ها مشکل‌تر خواهد بود. به هر صورت، جدای از مزایا و معایبی که برای چرخش های متمایل عنوان شد، آن چه مسلم است در این تحقیق از یکی از روش های چرخش متعامد استفاده خواهد شد. زیرا، جهت دست یابی به مقاصد این تحقیق، تمایل داریم، عوامل و متعاقباً نمرات عاملی[۱۰۷] ایجاد شده از آن ها تا حد امکان با یکدیگر ناهمبسته باشند.
روشی که در این تحقیق برای دوران عوامل از آن استفاده خواهد شد و یکی از روش های دوران متعامد است و به اعتقاد همگان یکی از کارآمدترین شیوه های چرخش عوامل می باشد، روشی موسوم به واریماکس است که توسط کایزر در ۱۹۵۸ معرفی گردید. هدف این روش، به حداکثر رسانیدن مجموع واریانس بارهای مجذور شده بر روی ستون های ماتریس عاملی است و به همین دلیل واریماکس نامیده شده است. این هدف زمانی حاصل می‌شود که بارهای عاملی هر ستون، یا بالا و یا تقریباً صفر باشد و این شرط یکی از ویژگی های مهم یک ساختار ساده می‌باشد.
۳-۲-۳-۱-۴- تشکیل نمرات عاملی (مقیاس های عاملی) و استفاده از آن ها در تحلیل های بعدی
پس از بررسی نتایج تحلیل عاملی، محقق امکان دارد به دو دلیل متفاوت، مقیاس های عاملی را بسازد. اول این که، پژوهشگر با پیدا کردن ابعاد زیربنایی در داده ها می تواند بر حسب این ابعاد و نه بر اساس متغیرهای اولیه به بررسی تحلیل های بعدی بپردازد. دوم، امکان دارد پژوهشگر بخواهد یک یا چند تا از این عوامل را به عنوان متغیر یا متغیرهایی در مطالعه ای دیگر مورد استفاده قرار دهد. در حقیقت، به استثنای ادبیات روان سنجی، به نظر می رسد تحلیل عاملی اغلب وسیله ای برای ساخت مقیاس های عاملی برای مطالعات دیگر مورد استفاده قرار می گیرد.
۳-۲-۳-۱-۵- عدم قطعیت مقیاس های عاملی
همان طور که عنوان شد، هدف اصلی ساخت مقیاس عاملی تعیین مقدار برای هر مورد در عامل مشترک بر اساس متغیرهای مشاهده شده می باشد. فهمیدیم که شناسایی دقیق عامل مشترک از متغیرها ممکن نیست. چون هر متغیر دارای یک مؤلفه یگانه است که به طور غیرقابل تفکیکی با قسمت مشترک متغیر درآمیخته است. به طور کلی، اغلب می توان برآورهایی از مقادیر عوامل مشترک متغیرها را به دست آورد. به همین دلیل عنوان می شود، ساخت مقیاس های عاملی همیشه تا اندازه ای با عدم قطعیت همراه است.
۳-۲-۳-۱-۶- انواع روش های به دست آوردن مقیاس های عاملی
نمرات عاملی را به روش های مختلفی می توان به دست آورد. در این جا، سه روش را که اکثر نرم افزارهای آماری ارائه می کنند، به طور مختصر شرح داده و دلیل انتخاب خود مبنی بر انتخاب یکی از این سه روش را شرح می‌دهیم.
روش رگرسیون
اولین رویکرد برای یافتن یک مقیاس عاملی روشی است که در آن سعی می شود، همبستگی بین عامل مشترک اولیه و مقیاس عاملی حداکثر گردد. به عبارت دیگر، این روش سعی در کمینه ساختن جمع مجذور انحرافات بین عوامل مشترک اولیه و مقیاس های عاملی دارد. دست یابی به این هدف مستلزم به کارگیری تحلیل رگرسیون است. طبق این روش نمرات عاملی به صورت زیر مورد محاسبه قرار می گیرند:
در فرمول فوق، B ماتریس بارهای عاملی است و X ها مقادیر مربوط به متغیرهای مشاهده شده بوده و R ماتریس همبستگی متغیرهای مشاهده شده (X) می باشد.
روش اندرسون- روبین[۱۰۸]
طبق این روش، برای ساخت مقیاس عاملی f جمع مجذورات به شکل زیر کمینه می شود:
بر اساس معادله فوق، مقیاس های عاملی در این روش به صورت ذیل مورد محاسبه قرار می گیرد:
تفاوت این معادله با معادله رگرسیون در روش اول این است که در این جا به جای همبستگی های مشاهده شده R
از همبستگی های ایجاد شده استفاده می شود.
روش بارتلت
سومین روش، متضمن بررسی تناسب در عین به دست آوردن تغییرپذیری نمونه گیری است. در این روش، به متغیرهای حاوی خطاهای تصادفی بیش تر در مقایسه با متغیرهای دارای خطاهای تصادفی کم تر، وزن کم تری داده می شود. بنابراین، طبق این رویکرد پس از وزن دادن هر عنصر با تقابل های واریانس خطا، کمینه کردن مجموع مجذورات ارائه شده در معادله ذیل مورد هدف قرار می گیرد:

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...