شناسایی متغیرهای غیرشکننده اقلام تعهدی بر اساس رویکردهای بیزین غیرخطی در بازار سرمایه ایران
محورهای موضوعی : اقتصاد سنجی مالی و روش‌های کمّی
اعظم رضائیان جویباری
1
,
جمادوردی گرگانلی دوجی
2
,
مجید اشرفی
3
,
علی خامکی
4
1 - گروه حسابداری، واحد علی‌آباد کتول، دانشگاه آزاد اسلامی، علی‌آباد کتول، ایران.
2 - گروه حسابداری، واحد علی‌آباد کتول، دانشگاه آزاد اسلامی، علی‌آباد کتول، ایران.
3 - گروه حسابداری، واحد علی‌آباد کتول، دانشگاه آزاد اسلامی، علی‌آباد کتول، ایران.
4 - گروه حسابداری، واحد علی‌آباد کتول، دانشگاه آزاد اسلامی، علی‌آباد کتول، ایران.
کلید واژه: مدیریت سود, اقلام تعهدی, میانگین‌گیری بیزین,
چکیده مقاله :
هدف: عموماً مدلهای اقلام تعهدی در محیط کشورهای پیشرفته (بازار سرمایه عمیق) شکل گرفته‌اند. پژوهشی که باتوجه‌به عدم توسعه‌یافتگی و شرایط خاص بازار سرمایه کشور، اقدام به مدلسازی اقلام تعهدی نماید، بسیار نادر است؛ در پژوهش حاضر سعی شده است برای تعیین مدل اقلام تعهدی کارا با استفاده از رویکردهای نوین میانگین‌گیری بیزین با تأکید بر TVP-BMA، TVP-DMA و TVP-DMS در مقایسه با رگرسیون سنتی (OLS) اقدام به شناسایی متغیرهای غیرشکننده مؤثر بر اقلام تعهدی در بازار سرمایه ایران نماییم.
روش‌شناسی پژوهش: روش تحقیق حاضر از لحاظ هدف کاربردی است. نمونه آماری پژوهش شامل 171 شرکت بورسی در دوره زمانی 1390 تا 1400 می‌باشد.
یافته‌ها: در این پژوهش متغیرهای بکار رفته مؤثر بر اقلام تعهدی در پژوهش‌های پیشین وارد مدلهای بیزین و سنتی گردیدند. نتایج بیانگر این است که از میان مدلهای بررسی و آزمون شده در پژوهش، مدل BMA با شاخص‌های ارزیابی عملکرد پیش‌بینی مدل به‌عنوان کاراترین مدل تعیین گردید. بر اساس مدل BMA، تعداد 10 متغیر غیرشکننده مؤثر بر اقلام تعهدی شناسایی شدند.
اصالت / ارزش‌افزوده علمی: شناسایی متغیرهای مؤثر بر تخمین اقلام تعهدی با داده‌های شرکت‌های موردمطالعه به‌منظور بومی‌سازی و تعیین اعتبار مدل با کمک میانگین‌گیری بیزین جهت مدلسازی از مشخصه متمایز به کار گرفته شده در پژوهش است. ضمن اینکه جهت جامعیت در مدلسازی از هر سه نوع مدلهای اقلام تعهدی اختیاری (تأکید بر دارایی‌ها و فروش، هزینه‌های اختیاری)، مدل درآمد اختیاری (تأکید بر سود، درآمد و جریان وجه نقد) و مدلهای ترکیبی در طراحی مدل بهینه به کار گرفته شده است.
Purpose: Accrual models have generally been developed in the context of developed countries with deep capital markets. However, due to the underdeveloped nature and specific characteristics of the Iranian capital market, studies aiming to model accruals in such environments are rare. This research seeks to identify robust predictors of accruals in Iran’s capital market by developing an efficient accrual model using advanced Bayesian model averaging techniques—namely Time-Varying Parameter Bayesian Model Averaging (TVP-BMA), TVP Dynamic Model Averaging (TVP-DMA), and TVP Dynamic Model Selection (TVP-DMS)—and comparing them with the traditional Ordinary Least Squares (OLS) approach.
Research Methodology: This applied study analyzes data from 171 publicly listed companies on the Tehran Stock Exchange over the period 2011 to 2021 (1390–1400 SH). Variables previously identified in the literature as determinants of accruals were incorporated into both Bayesian and traditional models.
Findings: Among the evaluated models, the BMA model outperformed others in terms of prediction performance indicators and was identified as the most efficient. According to the BMA results, 10 robust predictors were identified as significant influencers of accruals.
Originality / Value: This study contributes to the literature by identifying the most influential variables in estimating accruals based on firm-level data, thereby enabling the localization and validation of accrual models through Bayesian averaging. A distinguishing feature of the research is the integration of all three major categories of accrual models: discretionary accruals models (focused on assets, sales, and discretionary expenses), discretionary revenue models (focused on income, earnings, and cash flows), and hybrid models, for designing an optimal specification adapted to the Iranian context.
Abdi, M., Hosseini, S. A., & Gholam Abri, A. (2022). Stock return prediction modeling: A new approach to Bayesian dynamic averaging models and time-varying parameters. Advances in Finance and Investment, 2(4), 111–138. [In Persian]
Anna, S. (2021). Historical development of earnings management models. SHS Web of Conferences, 92, Article 02058.
Ball, R. (2013). Accounting informs investors and earnings management is rife: Two questionable beliefs. Accounting Horizons, 27(4), 847–853.
Barker, R., Penman, S., Linsmeier, T. J., & Cooper, S. (2020). Moving the conceptual framework forward: Accounting for uncertainty. Contemporary Accounting Research, 37(1), 322-357.
Bouzhmehrani, E., Kamyabi, Y., & Malekian, E. (2020). Timing of cash flows and economic events: A model for classifying accruals. Journal of Management Accounting and Auditing Knowledge, 9(33), 268–284. [In Persian]
Breuer, M., & Schütt, H. H. (2023). Accounting for uncertainty: An application of Bayesian methods to accruals models. Review of Accounting Studies, 28(2), 726–768.
Caylor, M. L. (2010). Strategic revenue recognition to achieve earnings benchmarks. Journal of Accounting and Public Policy, 29(1), 82–95.
Christensen, T. E., D'Adduzio, J., & Nelson, K. K. (2023). Explaining accruals quality over time. Journal of Accounting and Economics, 76(1), Article 101575.
Dechow, P. M. (1994). Accounting earnings and cash flows as measures of firm performance: The role of accounting accruals. Journal of accounting and economics, 18(1), 3-42.
Dechow, P. M., & Dichev, I. D. (2002). The quality of accruals and earnings: The role of accrual estimation errors. The accounting review, 77(s-1), 35-59.
Dechow, P. M., Richardson, S. A., & Tuna, I. A. (2003). Why are earnings kinky? An examination of the earnings management explanation. Review of Accounting Studies, 8(2-3), 355–384.
Dechow, P. M., Sloan, R. G., & Sweeney, A. P. (1995). Detecting earnings management. Accounting review, 193-225.
Deniz, P., & Stengos, T. (2023). Revisiting the determinants of consumption: A Bayesian model averaging approach. Journal of Risk and Financial Management, 16(3), Article 190.
Feltham, G. A., & Ohlson, J. A. (1995). Valuation and clean surplus accounting for operating and financial activities. Contemporary accounting research, 11(2), 689-731.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis Boca Raton: Chapman. Hall/CRC.
Ghorbani, A. and Vadiei Noghabi, M. H. (2018). Algebraic and Empirical Models for Specification and Control of Characteristics Affecting Accrual-generating Process. Applied Research in Financial Reporting, 7(1), 7-42. [In Persian]
Hajireza, M. , Darabi, R. and Najafimoghadam, A. (2023). Entropy of Accrual Items of Modified Jones Model and Financial Stability and Their Estimation Based on Whale and Genetics Algorithm. Empirical Research in Accounting, 13(3), 211-236. [In Persian]
Islam, M. A., Ali, R., & Ahmad, Z. (2011). Is modified Jones model effective in detecting earnings management? Evidence from a developing economy. International Journal of Economics and Finance, 3(2), 116–125.
Johnstone, D. (2018). Accounting theory as a Bayesian discipline. Foundations and Trends in Accounting, 13(1-2), 1–266.
Jones, J. J. (1991). Earnings management during import relief investigations. Journal of Accounting Research, 29(2), 193–228.
Kang, S.-H. (2005). A conceptual and empirical evaluation of accrual prediction models [Working paper]. SSRN.
Kang, S.-H., & Sivaramakrishnan, K. (1995). Issues in testing earnings management and an instrumental variable approach. Journal of Accounting Research, 33(2), 353–367.
Karimi, J., & Karimi Potanlar, S. (2022). Modeling factors affecting tax evasion in Iran's economy based on the Bayesian averaging approach. Quarterly Journal of Economic Research and Policies, 29(100), 105–152. [In Persian]
Kasznik, R. (1999). On the association between voluntary disclosure and earnings management. Journal of Accounting Research, 37(1), 57–81.
Koop, G., McIntyre, S., Mitchell, J., & Poon, A. (2020). Regional output growth in the United Kingdom: More timely and higher frequency estimates from 1970. Journal of Applied Econometrics, 35(2), 176–197.
Kothari, S. P., Leone, A. J., & Wasley, C. E. (2005). Performance matched discretionary accrual measures. Journal of Accounting and Economics, 39(1), 163–197.
Lewis, C. M. (2012). Risk modeling at the SEC: The accounting quality model [Speech transcript]. U.S. Securities and Exchange Commission.
Mohammadi, T., Khiabani, N., Bahrami, J., & Fahimifar, F. (2020). Comparison of different methods of predicting Iran's economic growth with an emphasis on dynamic model selection and dynamic model averaging. Quarterly Journal of Economic Research, 20(4), 93–123. [In Persian]
Mozafarnia, M., Fallahshams, M. F., & Zomorodian, G. (2022). Regime dependent effects and cyclical volatility spillover of exchange rate and stock prices in Iran. Advances in Finance and Investment, 2(4), 107–129. [In Persian]
Naser, H. (2014). An econometric investigation of forecasting GDP, oil prices, and relationships among GDP and energy sources [Doctoral dissertation, University of Sheffield]. White Rose eTheses Online.
Ohlson, J. A. (1995). Earnings, book values, and dividends in equity valuation. Contemporary accounting research, 11(2), 661-687.
Pham, D. H., & Hoang, H. A. (2023). Capital structure and practices of accrual-based earnings management among non-financial Vietnamese listed firms. Investment Management & Financial Innovations, 20(4), 182.
Ronen, J., & Yaari, V. L. (2008). Earnings management: Emerging insights in theory, practice, and research. Springer. https://doi.org/10.1007/978-0-387-25771-6
Sala-i-Martin, X., Doppelhofer, G., & Miller, R. I. (2004). Determinants of long-term growth: A Bayesian averaging of classical estimates (BACE) approach. American economic review, 94(4), 813-835.
Saqafi, A. , Blue, G. and Sohrabi Varzaneh, H. (2022). An Accruals Quality Model: A Group Method of Data Handling Approa. Empirical Studies in Financial Accounting, 19(75), 1-40. [In Persian]
Scott, W. R. (2009). Financial accounting theory (5th ed.). Prentice Hall.
Sheikhli, S. , Nasiri Aqhdam, A. , Amadeh, H. and Doroodian, H. (2023). Modelling of Banking Crisis Forecasting in Iran by BMA. Quarterly Journal of Applied Theories of Economics, 9(4), 1-36. [In Persian]
Siekelova, A., Belas, J., Podhorska, I., & Durana, P. (2021). Accrual-Based Earnings Management: A Case Study in V4 Focusing on Mining And Quarrying Sector. Acta Montanistica Slovaca, 26(1), 70–83.
Stock, J. H., & Watson, M. W. (2002). Forecasting using principal components from a large number of predictors. Journal of the American Statistical Association, 97(460), 1167–1179.
Stock, J. H., & Watson, M. W. (2002). Macroeconomic forecasting using diffusion indexes. Journal of Business & Economic Statistics, 20(2), 147–162.
Stubben, S. R. (2010). Discretionary revenues as a measure of earnings management. The Accounting Review, 85(2), 695–717.
Viana Junior, D. B. C. (2021). Cross-country differences in earnings management: The role of economic and institutional factors [Unpublished doctoral dissertation]. ISCTE - Instituto Universitário de Lisboa.
Journal of Advances in Finance and Investment Volume 6, Issue 2, 2025 pp. 95-124. Paper type: Research paper
|
Identification of non-fragile variables of accruals based on non-linear bayesian approaches in the Iranian capital market
Azam Rezaian Joybari1, Jamadori Gorganli Davaji2, Majid Ashrafi3,
Ali Khamaki4
Received: 31/07/2023 Accepted: 22/05/2025
Extended Abstract
Introduction
The purpose of financial reporting and accounting principles require that the information provided by financial reporting has certain characteristics. In the concepts of financial reporting in Iran, these characteristics are referred to as qualitative characteristics, and one of these characteristics that makes information useful for decision-making is the provision of reliable information. Reliable information that is free from errors and biases. Managers are motivated to change the results of the company's operations by Earnings management, which violates neutrality and destroys information reliability (Breuer and Schütt, 2023). One of the ways of Earnings management that accounting research has focused on is the discussion of management discretion over accruals. There are several models for determining accruals; But Iranian researchers have mainly used two models including: Jones model and modified Jones model to separate accruals into expected and unexpected components.
The main problem in the current research is due to not knowing the optimal model to estimate the model. In empirical and theoretical studies, a wide range of models have been introduced as different models for calculating accrual Earnings Management; In fact, the wide range of effective explanatory variables has raised this basic question among researchers: what variables should be included in the experimental model of accruals? This problem is known as model uncertainty (Deniz and Stengos, 2023). Failure to pay attention to the issue of model uncertainty can lead to bias and inefficiency in parameter estimation, which results in inappropriate predictions and incorrect statistical inference; Therefore, it is necessary to consider model uncertainty in experimental studies. One of the suitable methods for the model uncertainty problem is averaging all models or Bayesian model averaging method (Koop et al., 2020). Therefore, a part of the current research problem is to apply Bayesian econometrics based on the averaging of the Bayesian model in order to overcome uncertainty in the selection of variables affecting accruals.
Literature Review
Earnings management is one of the specialized accounting subjects that has been in the focus of accounting research for more than 50 years. Based on empirical research conducted so far, profit management has been interpreted in different ways. All these interpretations are rooted in the positive theory of accounting and the freedom of action of accountants to choose different accounting methods. Most of the research conducted in the field of earnings management have used discretionary accruals models to discover and measure earnings management; But recently, newer models as discretionary income models have also attracted the attention of financial researchers (Siekelova et al., 2021). The purpose of this research is to investigate the types of profit management measurement models. Based on this, accruals calculation models can be classified into two categories: discretionary accruals models (emphasis on assets and sales, discretionary expenses) and discretionary income models (emphasis on profit, income and cash flow circulation).
Research Methodology
The current research method is practical in terms of purpose. The statistical sample of the research includes 171 listed companies in the period from 2011 to 2021.
Results
In empirical and theoretical studies, a wide range of models have been introduced as different models for calculating accrual profit management; In fact, the wide range of effective explanatory variables has raised this basic question among researchers: what variables should be included in the experimental model of accruals? This problem is known as model uncertainty. Failure to pay attention to the issue of model uncertainty can lead to bias and inefficiency in parameter estimation, which results in inappropriate predictions and incorrect statistical inference; Therefore, it is necessary to consider model uncertainty in experimental studies. One of the suitable methods for model uncertainty problem is Averaging all Models or Bayesian Model Averaging method. In this research, 58 variables affecting accruals were included in Bayesian models. The results show that among the BMA, TVP-DMA and TVP-DMS and OLS models, the BMA model was determined as the most efficient model. Based on the BMA model, 10 non-fragile variables affecting accruals were identified. The prioritization of variables affecting accruals in the optimal model is as described in the table (1):
Table (1) Prioritizing variables affecting accruals in the optimal model
Variable | Symbol | Probability and Posterior Coefficient | 2 ≤ |t-stat| | Priority | ||
Posterior Probability | Posterior Coefficient | |||||
| X1 | 0.746 | 0.828 | 0.761 | 3 | |
| X2 | 0.926 | 0.036 | 0.932 | 1 | |
| X3 | 0.723 | 0.054 | 0.658 | 6 | |
| X4 | 0.764 | 0.007 | 0.864 | 2 | |
| X5 | 0.437 | 0.041 | 0.584 | 10 | |
| X6 | 0.664 | 0.227 | 0.615 | 7 | |
| X7 | 0.652 | 0.027 | 0.606 | 8 | |
| X8 | 0.683 | 0.214 | 0.699 | 5 | |
| X9 | 0.727 | 0.037 | 0.718 | 4 | |
VT-VT-1 | X10 | 0.549 | 0.828 | 0.591 | 9 | |
نحوه محاسبه | محقق (سال) | ردیف | ||
گروه اول: اقلام تعهدي سرمایه در گردش بدون درنظرگرفتن استهلاک | ||||
(ΔACT – ΔCHE) – (ΔLCT – ΔDLC) | دچو و همکاران (Dechow et al., 1995)؛ جونز (Jones, 1991)؛ اسلام و همکاران (Islam et al., 2011) | 1 | ||
(ΔACT–ΔCHE) – (ΔLCT – ΔDLC – ΔTXP) | دچو و همکاران (Dechow et al., 1995)؛ جونز (Jones, 1991)؛ اسلام و همکاران (Islam et al., 2011) | |||
ΔRECT + ΔINVT + ΔACO – ΔAP – ΔTXP | دچو (Dechow, 1994)؛ دچو و همکاران (Dechow et al., 1995)؛ آنا (Anna, 2021) | |||
ΔRECT + ΔINVT – ΔAP | جونز (Jones, 1991)؛ دچو و همکاران (Dechow et al., 1995)؛ کانگ و همکاران (Kang and Sivaramakrishnan, 1995) | |||
ΔRECT + ΔINVT+ ΔXPP – ΔAP – ΔTXP | دچو و همکاران (Dechow et al., 2003)؛ آنا (Anna, 2021)؛ رونن و یعری (Ronen and Yaari, 2008) | |||
– (RECCH + INVCH + APALCH + TXACH + AOLOCH) | دچو و همکاران (Dechow et al., 1995)؛ کوتاری و همکاران (Kothari et al., 2005)؛ استابن (Stubben, 2010) | |||
گروه دوم: اقلام تعهدي سرمایه در گردش با درنظرگرفتن استهلاک |
| |||
(ΔACT – ΔCHE) – (ΔLCT – ΔDLC – ΔTXP) – DP | دچو و همکاران (Dechow et al., 1995)؛ کوتاری و همکاران (Kothari et al., 2005)؛ برویر و شوت (Breuer and Schütt, 2023) | 2 | ||
(ΔACT – ΔCHE) – (ΔLCT – ΔDLC) – DP | کوتاری و همکاران (Kothari et al., 2005)؛ دچو و همکاران (Dechow et al., 2003)؛ کریستنسن و همکاران (Christensen et al., 2023) | |||
ΔACT – ΔLCT – ΔTXDITC – DP | دچو و همکاران (Dechow et al., 1995)؛ جونز (Jones, 1991)؛ آنا (Anna, 2021) | |||
ΔRECT + ΔINVT – ΔAP – ΔTXP – DP – TXDI | کانگ و همکاران (Kang and Sivaramakrishnan, 1995)؛ کاسنیک (Kasznik, 1999) | |||
ΔRECT + ΔINVT + ΔACO – (ΔLCT – ΔTXP – ΔDLC) – DP | دچو و همکاران (Dechow et al., 1995)؛ استابن (Stubben, 2010) | |||
ΔRECT + ΔINVT + ΔACO – ΔAP – ΔLCO – DP | دچو و همکاران (Dechow et al., 2003)؛ برویر و شوت (Breuer and Schütt, 2023) | |||
– (RECCH + INVCH + APALCH + TXACH + AOLOCH + DPC) | رونن و یعری (Ronen and Yaari, 2008)؛ اسکات (Scott, 2009) | |||
گروه سوم: اقلام تعهدي سرمایه در گردش بعلاوه دیگر اقلام غیرجاري | ||||
IBC + DPC – OANCF | دچو و همکاران (Dechow et al., 2003)؛ بل (Ball, 2013)؛ رونن و یعری (Ronen and Yaari, 2008) | 3 | ||
NI + DP – OANCF | آنا (Anna, 2021)؛ کریستنسن و همکاران (Christensen et al., 2023) | |||
PI – (OANCF – XIDOC – TXPD) | کوتاری و همکاران (Kothari et al., 2005)؛ کاسنیک (Kasznik, 1999) | |||
Δ (DLC + DLTT + PSTK + TSTKP + DVPA – CHE – IVAO + CEQ + MIB) | برویر و شوت (Breuer and Schütt, 2023)؛ گلمان و همکاران (Gelman et al., 2013) | |||
IBC – OANCF
| دچو و همکاران (Dechow et al., 1995)؛ استابن (Stubben, 2010)؛ اسلام و همکاران (Islam et al., 2011) | |||
IBC – (OANCF – XIDOC) | رونن و یعری (Ronen and Yaari, 2008)؛ اسکات (Scott, 2009)؛ بل (Ball, 2013) | |||
IB – (OANCF – XIDOC) | دچو و همکاران (Dechow et al., 2003)؛ کوتاری و همکاران (Kothari et al., 2005) | |||
IB – OANCF | جونز (Jones, 1991)؛ کانگ (Kang, 2005) | |||
NI – OANCF | آنا (Anna, 2021)؛ کریستنسن و همکاران (Christensen et al., 2023) | |||
IB – (OANCF – INTPN) | برویر و شوت (Breuer and Schütt, 2023)؛ جانستون (Johnstone, 2018) | |||
IB – (OIADP – XINT – TXT – (ΔRECT + ΔINVT + ΔACO – ΔAP – ΔTXP – ΔLCO)) | دچو (Dechow, 1994)؛ دچو و همکاران (Dechow et al., 1995)؛ | |||
NI – (FOPT – ΔRECT – ΔINVT – ΔACO + ΔAP +ΔTXP + ΔLCO) | دچو و همکاران (Dechow et al., 1995)؛ جونز (Jones, 1991) | |||
ΔAT – ΔCHE – ΔIVAO – (ΔLT – ΔDLC - ΔDLTT) | رونن و یعری (Ronen and Yaari, 2008)؛ استابن (Stubben, 2010) | |||
ΔAT – ΔCHE – (ΔLT – ΔDLC – ΔDLTT) | کوتاری و همکاران (Kothari et al., 2005)؛ کریستنسن و همکاران (Christensen et al., 2023) | |||
– (DPC + XIDOC + TXDC + ESUBC + FOPO + SPIIV) + (ΔRECT + ΔINVT + ΔACO – ΔAP – ΔTXP – ΔLCO) | برویر و شوت (Breuer and Schütt, 2023)؛ آنا (Anna, 2021)؛ | |||
گروه چهارم: اقلام تعهدي غیرجاري | ||||
(ΔAT – ΔACT – ΔIVAO) – (ΔLT – ΔLCT – ΔDLTT) | دچو و همکاران (Dechow et al., 2003)؛ کانگ (Kang, 2005)؛ اسلام و همکاران (Islam et al., 2011) | 4 | ||
(ΔAT – ΔACT) – (ΔLT – ΔLCT – ΔDLTT) | کوتاری و همکاران (Kothari et al., 2005)؛ استابن (Stubben, 2010) | |||
(ΔIVST + ΔIVAO) – (ΔDLTT + ΔDLC + ΔPSTK) | آنا (Anna, 2021)؛ کریستنسن و همکاران (Christensen et al., 2023) | |||
ΔSEQ – ΔCHE + ΔDLC + ΔDLTT | جونز (Jones, 1991)؛ دچو و همکاران (Dechow et al., 1995) | |||
–ΔCHE + ΔDLC + ΔDLTT + ΔCEQ + ΔPSTK + ΔMIB | رونن و یعری (Ronen and Yaari, 2008)؛ بل (Ball, 2013) | |||
IB – (OIADP – XINT – TXT) | دچو (Dechow, 1994)؛ دچو و همکاران (Dechow et al., 2003) | |||
– (ESUBC + XIDOC + DPC + TXDC + SPPIV + FOPO) | کاسنیک (Kasznik, 1999)؛ کیلر (Caylor, 2010) | |||
DPC + TXDC + ESUBC + SRET + FOPO + (XIDOC – XIDO) | برویر و شوت (Breuer and Schütt, 2023)؛ جانستون (Johnstone, 2018) | |||
گروه پنجم: مجموع اقلام تعهدي | ||||
IB – ΔCHE | دچو (Dechow, 1994)؛ دچو و همکاران (Dechow et al., 1995)؛ آنا (Anna, 2021) | 5 | ||
[(ΔAT – ΔCHE – ΔIVAO) – (ΔLT – ΔDLC – ΔDLTT)] + (ΔIVST + ΔIVAO) – (ΔDLC + ΔDLTT + ΔPSTK) | کریستنسن و همکاران (Christensen et al., 2023)؛ برویر و شوت (Breuer and Schütt, 2023)؛ گلمان و همکاران (Gelman et al., 2013) | |||
IBC – OANCF – INVCF – FINCF + SSTK – PRSTKC – DV | رونن و یعری (Ronen and Yaari, 2008)؛ اسکات (Scott, 2009)؛ بل (Ball, 2013) | |||
کریستنسن و همکاران (Christensen et al., 2023) به بررسی کیفیت اقلام تعهدی در طول زمان پرداختند. بر اساس نتایج این تحقیق عوامل مؤثر بر اقلام تعهدی در طی زمان متغیر هستند و عواملی که در بازه زمانی بلندمدت اثر قوی‌تری بر اقلام تعهدی دارند.
فام و هوانگ (Pham and Hoang, 2023) به بررسی تأثیر ساختار سرمایه یک شرکت بر روی شیوه‌های مدیریت سود مبتنی بر اقلام تعهدی پرداختند. این اطلاعات شامل 51 شرکت غیر مالی ویتنامی فهرست شده در دوره 2013 تا 2022 بود. در این تحقیق از مدل دیچو و دیچو (Dechow and Dichev, 2002) بهره گرفته شد. نتایج تجربی نشان می‌دهد که فعالیت‌های مدیریت سود مبتنی بر تعهدی نشان‌دهنده تأثیر نامطلوب قابل‌توجهی از مالکیت نهادی است. با این حال، سایر متغیرهای شامل مالکیت مدیریت، تمرکز مالکیت، مالکیت خارجی و اهرم، ROA، بر اقلام تعهدی تأثیر معناداری دارند.
برویر و شوت (Breuer and Schütt, 2023) با استفاده از رویکرد تخمین بیزی اقدام به مدلسازی اقلام تعهدی نمودند. نتایج بیانگر این واقعیت مدلسازی بر اساس اقلام تعهدی بر اساس رویکرد بیزین قوی‌تر از رویکردهای سنتی پانلی و ساختاری است.
ویانا جونیور (Viana Junior, 2021) بدین نتیجه دست یافت مدل مشخصی جهت تعیین اقلام تعهدی در کشورهای مختلف وجود ندارد و در هر بازاری بسته به عمق بازار سرمایه؛ توسعه یا عدم توسعه یافته بودن کشور موردبررسی مدلهای مختلفی در پیش‌بینی اقلام تعهدی از کارایی بالاتری برخوردارند. در کلیت نتایج مدل‌هایی که بر اساس واقعیت بیش‌تر بازار بوده و از محدودیت‌های کم‌تری برخوردارند از کارایی بالاتری برخورداند.
حاجی رضا و همکاران (Hajireza et al., 2023) به بررسی رابطه آنتروپی اقلام تعهدی مدل تعدیل شده جونز و پایداری مالی و برآورد آن‌ها بر اساس الگوریتم‌های نهنگ و ژنتیک پرداختند. آزمون فرضیه‌ها با استفاده از همبستگی بین متغیرها و دو رویکرد رگرسیون و الگوریتم‌های فراابتکاری نهنگ و ژنتیک انجام شده است. جامعه آماری پژوهش کلیه شرکت‌های بیمه شامل 231 سال شرکت و دوره زمانی آن بین سال‌های 1394 تا 1400 بوده است. نتایج بدست آمده از آزمون فرضیه‌های پژوهش، حاکی از آن است بین آنتروپی اقلام تعهدی مدل تعدیل شده جونز و پایداری مالی رابطه معنی‌دار وجود دارد؛ همچنین برآورد پایداری مالی و آنتروپی اقلام تعهدی رنی و شانون مدل تعدیل شده جونز، با استفاده از الگوریتم فراابتکاری نهنگ دقیق‌‌‌تر از رگرسیون چند متغیره و ژنتیک است. این به هنگام بودن در اقلام تعهدی باعث کاهش نابهنجاری در این اقلام شده و شفافیت در گزارشگری مالی را افزایش می‌دهد؛ همچنین اقلام تعهدی اختیاری نسبت به اقلام تعهدی غیراختیاری دارای نقش موثرتری در تعیین پایداری مالی برای تصمیم‌گیرندگان و ذی‌نفعان است.
ثقفی و همکاران (Saqafi et al., 2022) اقدام به طراحی مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده‌ها نمودند. نتایج به دست آمده با استفاده از داده‌های ۱۶۴ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های ۱۳۸۵ تا ۱۳۹۷ و متغیرهای تغییر در درآمد، دارایی‌های ثابت مشهود، جریان‌های نقدی عملیاتی دوره جاری، جریان‌های نقدی عملیاتی دوره گذشته و جریان‌های نقدی عملیاتی دوره آتی، حاکی از بهبود سطح خطای این مدل‌ها نسبت به مدلهای خطی می‌باشد.
بوژمهرانی و همکاران (Bouzhmehrani et al., 2020) اقدام به زمان‌بندی جریان‌های نقدی و رویدادهای اقتصادی: الگویی برای طبقه‌بندی اقلام تعهدی نمودند. در این پژوهش بر مبنای مدلهای فلتهم و اوهلسون (Feltham and Ohlson, 1995)، اوهلسون (Ohlson, 1995) و مدل بسط‌یافتة دیچو و دیچو (2002)، اطلاعات در خصوص جریان‌های نقدی منعکس در اقلام تعهدی بر اساس زمان‌بندی بین جریان‌های نقدی و رویدادهای اقتصادی مدل‌بندی شد، سپس باتوجه‌به نقشی که اقلام تعهدی در گزارشگری مالی ایفا می‌کنند (شامل بیان رشد عملیات شرکت، کاهش زمان‌بندی و محافظه‌کاری)، به توجیه این مدل پرداخته شد. در این راستا 129 شرکت پذیرفته شده در بورس اوراق بهادار تهران برای بازة زمانی 1387-1396 انتخاب و موردبررسی قرار گرفت. نتایج پژوهش نشان می‌دهد که اجزای مدل پیشنهادی ارتباط معناداری با نقش اقلام تعهدی در گزارشگری مالی دارد و به عبارتی مدلهای مذکور از توجیه منطقی برخوردار می‌باشد. نتایج همچنین نشان می‌دهد قدرت توضیح‌دهندگی مدل پس از تفکیک اقلام تعهدی کل به اجزای آن به میزان قابل‌توجهی افزایش یافته است.
قربانی و ودیعی نوقابی (Ghorbani and Vadiei Noghabi, 2018) اقدام به بسط مجموعه‌اي از معادلات جبري و نظري و همچنين مدل‌هاي تجربي براي تبيين، اندازه‌گيري و کنترل مولفه‌هاي مؤثر بر فرايندهاي ايجاد اقلام تعهدي در سطح شرکت‌ها نمودند. به لحاظ نظري انتظار مي‌رود اين گونه مولفه‌هاي شرکتي، به طور متعامل با شوک‌هاي فروش، باعث تغيير اقلام تعهدي عادي سرمايه در گردش شوند. بر اساس مشاهده 2642 از شرکت‌هاي عضو بورس اوراق بهادار تهران طي سال‌هاي 1380 تا 1394، يافته‌ها نشان مي‌دهد که ناهمگوني در فرايندهاي ايجاد اقلام تعهدي در شرکت‌هاي درون يک صنعت، خطاي اندازه‌گيري مدل جونز را که در قالب قدر مطلق باقي مانده‌هاي مدل اندازه‌گيري مي‌شود، افزايش مي‌دهد. نتايج برازش مدل تعهدي پيشنهادي، که به صورت پانلي در سطح 17 صنعت و به صورت سري زماني در سطح 200 شرکت برازش گرديد، نشان مي‌دهد که تصريح مولفه‌هاي مؤثر بر فرآيندهاي ايجاد اقلام تعهدي باعث افزايش توان توضيح‌دهندگي متغيرهاي مشاهده شده مي‌گردد.
3- روش‌شناسی پژوهش
روش انجام اين تحقيق از نظر هدف کاربردی است. بر اساس ماهیت داده‌ها کمی است. افق زمانی این پژوهش، یک دوره ۱۱ساله از سال 1390 تا 1400 شمسی است، باتوجه‌به قلمرو مکانی تحقیق و نظر به ماهیت تحقیق و نیز وجود برخی ناهماهنگی‌ها میان نمونه انتخابی این تحقیق شامل شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و فرابورس ایران (بازار سرمایه) می‌شود که پس از اعمال محدودیت‌های زیر از روش غربالگری به‌عنوان نمونه انتخاب گردیدند: شرکت موردنظر طی سال‌های 1390 تا 1400 تغییر سال مالی نداده باشد. جزو شرکت‌های بانکی، بیمه و سرمایه‌گذاری نباشد. شرکت‌هایی که داده‌های مالی موردنیاز آن در دسترس باشد. در جدول (2)، رویکردهای اقتصادسنجی به‌کاررفته در تحقیق ارائه شده است.
Table (2) Application of Research Models
روش | کاربرد |
BMA | شناسایی متغیرهای غیرشکننده بر اساس مقایسه توزیع‌های پسین و پیشین |
TVP-DMA | شناسایی متغیرهای غیرشکننده بر اساس میانگین معناداری در بازه‌های زمانی مختلف |
TVP-DMS | شناسایی متغیرهای غیرشکننده بر اساس بالاترین سطح احتمال معناداری در بازه‌های زمانی مختلف |
OLS | به‌حداقل‌رساندن مجموع مجذورهای تفاوت بین متغیر وابسته مشاهده شده در مجموعه داده ورودی و خروجی تابع (خطی) متغیر مستقل |
4- تجزیه‌وتحلیل داده‌ها
در جدول (3) آمار توصیفی داده‌های تحقیق ارائه شده است. باتوجه‌به یکسان نبودن مقیاس داده‌های تحقیق اقدام به نرمال‌سازی داده‌های تحقیق نمودیم. داده‌ها در بازه 5- و 5 نرمال شدهاند. جهت نرمال‌سازی داده‌ها تمامی داده‌ها از میانگین خود کم شده و بر انحراف معیار هر داده تقسیم شده است.
جدول (3) آمار توصیفی متغیرهای پژوهش
Table (3) Descriptive Statistics of Research Variables
انحراف معیار | ماکزیمم | مینیمم | میانگین | شاخص‌های تحقیق |
28/0 | 4/3 | 3/3- | 06/0 | هزینه‌های استهلاک |
6504/0 | 51501/3 | 93/3- | 4801/0 | سود |
6/0 | 9/3 | 09/2- | 9/0 | جمع اقلام تعهدی |
78/1 | 9/3 | 83/4- | 45/0 | عکس جمع دارایی‌های جاری دوره قبل |
956/1 | 1/3 | 9/3- | 561/0 | فروش در دوره جاری |
847/2 | 61/3 | 09/4- | 483/0 | فروش در دوره قبل |
05/3 | 3/3 | 97/3- | 947/0 | عکس نسبت جمع کل دارایی‌های دوره قبل |
434/1 | 4/3 | 5/3- | 43/0 | تغییرات درآمد فروش شرکت بر جمع دارایی‌های دوره قبل |
16931/0 | 8/3 | 7805/3- | 63697/0 | نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع دارایی‌های دوره قبل |
81129/2 | 0434/3 | 0886/2- | 8405/0 | نسبت جمع اقلام تعهدی بر فروش |
9835/1 | 0789/3 | 5911/3- | 1712/0 | نسبت جمع اقلام تعهدی بر فروش دوره قبل |
52/1 | 9/3 | 39/3- | 24/0 | تغییرات درآمد فروش شرکت منهای تغییرات حساب‌های دریافتنی تقسیم بر جمع دارایی‌های دوره قبل |
57/1 | 5/3 | 4/2- | 9/0 | تغییر در دارایی جاري منهای تغییر در وجه نقد |
7/0 | 7/3 | 33/2- | 5/0 | حساب‌های دریافتنی دوره قبل تقسیم بر تغییرات درآمد فروش شرکت دوره قبل ضربدر تغییرات درآمد فروش شرکت دوره جاری |
9/1 | 9/3 | 41/3- | 6/0 | نسبت اجزاء تعهدی دوره قبل تقسیم بر مخار |
27/1 | 2/3 | 5/2- | 98/0 | هزینه استهلاک دوره قبل تقسیم بر ناخالص ماشین‌آلات، تجهیزات و اموال ضربدر ناخالص ماشین‌آلات، تجهیزات و اموال |
06/1 | 4/3 | 1/3- | 3/0 | تغییرات جریان نقد حاصل از عملیات تقسیم بر جمع اقلام تعهدی |
3/1 | 67/3 | 6/3- | 3/0 | نسبت حساب‌های دریافتنی دوره قبل تقسیم بر تغییرات درآمد فروش شرکت دوره قبل ضربدر درآمد فروش شرکت دوره جاری تقسیم بر جمع دارایی‌های دوره قبل |
09/1 | 16/3 | 2/3- | 91/0 | تغییرات مجموع بهای تمام شده کالای فروش رفته و هزینه‌های عمومی و اداری و فروش به‌جز هزینه‌های غیرنقدی |
157/0 | 866/3 | 14/4- | 433/0 | عکس جمع دارایی‌های دو دوره قبل |
9/2 | 8/3 | 3/3- | 6/0 | هزینه‌های اختیاری تقسیم بر جمع دارایی‌های دو دوره قبل |
2/2 | 76/3 | 6/3- | 7/0 | وقفه اول هزینه‌های اختیاری تقسیم بر جمع دارایی‌های دو دوره قبل |
79/2 | 6/3 | 09/4- | 48/0 | نسبت مبلغ فروش اموال، ماشین‌آلات و تجهیزات تقسیم بر جمع دارایی‌های دو دوره قبل |
2/2 | 01/4 | 6/3- | 6/0 | نسبت مبلغ فروش اموال، ماشین‌آلات و تجهیزات دوره قبل تقسیم بر جمع دارایی‌های دو دوره قبل |
07/1 | 8/3 | 6/3- | 698/0 | تغییرات درآمد فروش شرکت منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت تقسیم بر جمع اقلام تعهدی دوره قبل |
3/1 | 4/3 | 6/3- | 3/0 | نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع اقلام تعهدی |
5/1 | 1/4 | 12/3- | 4/0 | جریان نقد حاصل از عملیات تقسیم بر جمع دارایی‌های دوره قبل |
2/0 | 5/3 | 9/2- | 1/0 | اقلام تعهدی سرمایه در گردش دوره قبل تقسیم بر جمع دارایی‌های دو دوره قبل |
95/1 | 08/3 | 2/3- | 67/0 | تغییرات درآمد فروش شرکت |
8/1 | 84/3 | 7/3- | 14/0 | ناخالص اموال، ماشین‌آلات و تجهیزات شرکت |
95/0 | 4/3 | 6/2- | 3/0 | جریان نقد حاصل از عملیات دوره قبل |
3/0 | 8/3 | 9/3- | 5/0 | جریان نقد حاصل از عملیات |
076/1 | 78/3 | 1/3- | 75/0 | تغییرات فروش خالص |
8/1 | 09/3 | 4/3- | 9/0 | تغییرات فروش خالص منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت |
23/1 | 9/3 | 9/3- | 51/0 | تغییرات فروش خالص منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت |
6/1 | 3/3 | 5/3- | 4/0 | مجموع اقلام تعهدی سال جاری در شرکت |
96/3 | 76/3 | 6/2- | 874/0 | عکس جمع دارایی‌های دوره قبل |
91/2 | 95/3 | 4/3- | 644/0 | نرخ بازده دارایی‌ها |
828/1 | 82/3 | 2/3- | 58/0 | تغییر در جریان‌های نقد عملیاتی |
794/0 | 544/3 | 589/2- | 042/0 | تغییرات جریان نقد عملیاتی ضربدر جریان نقد عملیاتی |
794/0 | 544/3 | 589/2- | 042/0 | تغییرات درآمد فروش شرکت منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت تقسیم بر تغییرات درآمد فروش شرکت |
051/0 | 337/3 | 117/3- | 244/0 | تغییرات مجموع بهای تمام شده کالای فروش رفته و هزینه‌های عمومی و اداری و فروش به‌جز هزینه‌های غیرنقدی منهای تغییرات حساب‌های پرداختنی تقسیم بر تغییرات درآمد فروش شرکت |
047/0 | 131/3 | 063/2- | 03/0 | هزینه استهلاک منهای تغییرات هزینه مزایای بازنشستگی تقسیم بر تغییرات درآمد فروش شرکت |
038/0 | 325/3 | 136/3- | 214/0 | لگاریتم جمع اقلام تعدی |
045/0 | 347/3 | 103/2- | 189/0 | تغییر در فروش شرکت‌ها تقسیم بر فروش |
038/0 | 066/3 | 121/3- | 025/0 | شاخص تورم |
03/1 | 746/3 | 073/3- | 391/0 | نرخ بازده دارایی‌ها در دوره قبل |
956/2 | 7/3 | 3/2- | 017/0 | سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره قبل |
811/1 | 4/3 | 8/3- | 306/0 | سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره جاری |
1/1 | 21/3 | 23/2- | 5/0 | سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره قبل ضربدر تغییرات درآمد فروش شرکت |
356/4 | 136/4 | 86/2- | 961/0 | تغییرات نرخ استهلاک |
201/3 | 345/4 | 74/3- | 708/0 | تغییرات استهلاک دوره قبل ضربدر ناخالص اموال، ماشین‌آلات و تجهیزات شرکت |
01/2 | 202/4 | 52/3- | 638/0 | تغییرات درآمد فروش شرکت تقسیم بر جمع دارایی‌های در دوره قبل |
874/0 | 899/3 | 847/2- | 046/0 | تغییرات اقلام تعهدی جاری تقسیم بر جمع دارایی‌های دو دوره قبل |
874/0 | 899/3 | 847/2- | 046/0 | ناخالص اموال، ماشین‌آلات و تجهیزات شرکت دوره قبل |
057/0 | 671/3 | 428/3- | 268/0 | خالص درآمد |
051/0 | 444/3 | 27/2- | 033/0 | معكوس خطاي زمان‌بندي در جريان نقد عملياتي |
آمار توصیفی پژوهش بیانگر شاخص میانگین که مرکز ثقل داده‌ها را نمایش می‌دهد، ماکزیمم و مینیمم داده که حداقل و حداکثر داده را نمایش می‌دهد. انحراف معیار داده‌ها پراکندگی حول میانگین و آماره جارک برا وضعیت توزیع داده را نسبت به توزیع نرمال نمایش می‌دهد.
در این بخش از تحقیق قبل از شناسایی مهم‌ترین متغیرهای مؤثر بر اقلام تعهدی لازم است؛ اقدام به تعیین کاراترین رویکرد اقتصادسنجی بنماییم. در نتیجه چون هدف تعیین مدل بهینه است لازم است از رویکرد پیش‌بینی درون نمونه‌ای بهره گرفته شود. برای دست‌یافتن به ثبات نتایج در سه بازه زمانی 1 دوره (h = 1)، 4 دوره (h = 4) و 8 دوره (h = 8) اقدام به پیش‌بینی اقلام تعهدی شده است. دوره زمانی آموزش پیش‌بینی از 1390 تا 1397 و در دوره زمانی بررسی عملکرد پیش‌بینی از 1398 تا 1400 می‌باشد. به منظور ارزیابی عملکرد پیش‌بینی (MSFE)، از مربع میانگین خطای پیش‌بینی (MAFE) قدرمطلق میانگین خطای پیش‌بینی (MAFE)، میانگین درصد قدر مطلق خطای پیش‌بینی (MAPE)، تورش خطای پیش‌بینی (Bias) و واریانس خطای پیش‌بینی (FEV) و مجموع لگاریتم احتمالات پیش‌بینی (PL)Log استفاده شده است. باتوجه‌به اینکه شاخص مجموع لگاریتم احتمالات پیش‌بینی (PL)Log نسبت به سایر شاخص‌ها از کارایی بالاتری برخوردار است؛ در نتیجه از این شاخص جهت انتخاب مدل بهینه استفاده شده است.
جدول (4) معیارهاي عملکرد پیش‌بینی در افق‌هاي پیش‌بینی مختلف
Table (4) Forecast Performance Criteria in Different Forecast Horizons
h = 1 | ||||||
Log(pl) | MAFE | MSFE | MAPE | FEV | Bias |
|
958/68 | 071/0 | 009/0 | 187/0 | 009/0 | 017/0 |
|
309/76 | 062/0 | 007/0 | 183/0 | 007/0 | 014/0 |
|
001/78 | 057/0 | 006/0 | 168/0 | 006/0 | 013/0 |
|
739/69 | 076/0 | 011/0 | 191/0 | 010/0 | 018/0 |
|
483/80 | 067/0 | 008/0 | 169/0 | 008/0 | 011/0 |
|
298/100 | 053/0 | 006/0 | 152/0 | 006/0 | 015/0 |
|
599/66 | 073/0 | 010/0 | 194/0 | 009/0 | 016/0 |
|
045/71 | 067/0 | 008/0 | 221/2 | 007/0 | 023/0 |
|
698/109 | 014/0 | 002/0 | 106/0 | 021/0 | 005/0 |
|
- | 470/0 | 321/0 | 715/0 | 110/0 | 445/0 |
|
- | 078/0 | 011/0 | 228/0 | 010/0 | 030/0 |
|
- | 083/0 | 012/0 | 211/0 | 011/0 | 027/0 |
|
- | 100/0 | 017/0 | 304/0 | 015/0 | 046/0 |
|
- | 133/0 | 029/0 | 436/0 | 017/0 | 104/0 |
|
h = 4 | ||||||
321/65 | 074/0 | 010/0 | 183/0 | 010/0 | 020/0 |
|
154/72 | 062/0 | 007/0 | 171/0 | 007/0 | 015/0 |
|
367/73 | 057/0 | 006/0 | 160/0 | 006/0 | 014/0 |
|
415/65 | 079/0 | 011/0 | 187/0 | 011/0 | 020/0 |
|
075/75 | 068/0 | 008/0 | 167/0 | 008/0 | 009/0 |
|
045/92 | 057/0 | 007/0 | 161/0 | 007/0 | 009/0 |
|
036/63 | 074/0 | 010/0 | 185/0 | 009/0 | 015/0 |
|
714/68 | 066/0 | 007/0 | 194/0 | 007/0 | 021/0 |
|
295/93 | 016/0 | 003/0 | 099/0 | 002/0 | 014/0 |
|
- | 483/0 | 366/0 | 030/1 | 144/0 | 457/0 |
|
- | 100/0 | 034/0 | 400/0 | 032/0 | 034/0 |
|
- | 087/0 | 029/0 | 353/0 | 028/0 | 029/0 |
|
- | 102/0 | 018/0 | 296/0 | 016/0 | 045/0 |
|
- | 138/0 | 030/0 | 409/0 | 018/0 | 108/0 |
|
h = 8 | ||||||
514/61 | 076/0 | 010/0 | 516/0 | 010/0 | 010/0 |
|
141/68 | 062/0 | 007/0 | 378/0 | 007/0 | 012/0 |
|
137/69 | 056/0 | 006/0 | 298/0 | 006/0 | 013/0 |
|
502/59 | 080/0 | 011/0 | 519/0 | 011/0 | 009/0 |
|
694/71 | 071/0 | 010/0 | 432/0 | 009/0 | 008/0 |
|
258/85 | 061/0 | 008/0 | 402/0 | 008/0 | 011/0 |
|
177/63 | 073/0 | 009/0 | 534/0 | 009/0 | 010/0 |
|
197/68 | 062/0 | 007/0 | 445/0 | 006/0 | 012/0 |
|
255/78 | 016/0 | 002/0 | 074/0 | 005/0 | 002/0 |
|
- | 316/0 | 185/0 | 856/0 | 176/0 | 090/0 |
|
- | 093/0 | 133/0 | 422/3 | 096/0 | 187/0 |
|
- | 087/0 | 078/0 | 397/2 | 078/0 | 084/0 |
|
- | 097/0 | 016/0 | 841/0 | 015/0 | 035/0 |
|
- | 137/0 | 030/0 | 964/0 | 018/0 | 104/0 |
|
نمونه اول شامل 100 میلیون رگرسیون | نمونه اول شامل 10 میلیون رگرسیون | متغیر | نماد | ||
احتمال پسین | ضریب پسین | احتمال پیشین | ضریب پیشین | ||
121/0 | 132/0 | 107/0 | 002/0 |
| 1 |
092/0 | 003/0 | 073/0 | 004/0 |
| 2 |
146/0 | 023/0 | 070/0 | 024/0 |
| 2 |
878/0 | 176/0 | 535/0 | 319/0 |
| 4 |
169/0 | 127/0 | 145/0 | 417/0 |
| 5 |
155/0 | 209/0 | 118/0 | 428/0 |
| 6 |
234/0 | 788/0 | 207/0 | 147/0 |
| 7 |
881/0 | 034/0 | 470/0 | 029/0 |
| 8 |
688/0 | 051/0 | 207/0 | 080/0 |
| 9 |
362/0 | 068/0 | 199/0 | 111/0 |
| 10 |
247/0 | 400/0 | 122/0 | 000/0 |
| 11 |
441/0 | 007/0 | 222/0 | 006/0 |
| 12 |
161/0 | 127/0 | 102/0 | 599/0 |
| 13 |
162/0 | 022/0 | 130/0 | 039/0 |
| 14 |
219/0 | 718/0 | 179/0 | 692/0 |
| 15 |
330/0 | 025/0 | 173/0 | 015/0 |
| 16 |
225/0 | 000/0 | 152/0 | 000/0 |
| 17 |
230/0 | 188/0 | 138/0 | 059/0 |
| 18 |
212/0 | 955/0 | 162/0 | 489/0 |
| 19 |
195/0 | 044/0 | 190/0 | 189/0 |
| 20 |
128/0 | 000/0 | 109/0 | 000/0 |
| 21 |
148/0 | 546/0 | 123/0 | 129/0 |
| 22 |
239/0 | 014/0 | 205/0 | 017/0 |
| 23 |
398/0 | 034/0 | 106/0 | 002/0 |
| 24 |
796/0 | 031/0 | 691/0 | 060/0 |
| 25 |
183/0 | 020/0 | 164/0 | 034/0 |
| 26 |
192/0 | 057/0 | 217/0 | 187/0 |
| 27 |
263/0 | 002/0 | 073/0 | 002/0 |
| 28 |
398/0 | 000/0 | 239/0 | 000/0 |
| 29 |
295/0 | 007/0 | 222/0 | 006/0 |
| 30 |
727/0 | 013/0 | 502/0 | 006/0 |
| 31 |
632/0 | 216/0 | 530/0 | 394/0 |
| 32 |
129/0 | 001/0 | 157/0 | 002/0 |
| 33 |
430/0 | 025/0 | 273/0 | 015/0 |
| 34 |
214/0 | 188/0 | 073/0 | 059/0 |
| 35 |
164/0 | 721/0 | 180/0 | 721/0 |
| 36 |
831/0 | 366/0 | 708/0 | 346/0 |
| 37 |
233/0 | 044/0 | 190/0 | 189/0 |
| 38 |
650/0 | 204/0 | 460/0 | 203/0 |
| 39 |
165/0 | 366/0 | 132/0 | 346/0 |
| 40 |
460/0 | 152/0 | 208/0 | 083/0 |
| 41 |
298/0 | 337/0 | 106/0 | 193/0 |
| 42 |
312/0 | 005/0 | 123/0 | 013/0 |
| 43 |
153/0 | 020/0 | 164/0 | 034/0 |
| 44 |
159/0 | 955/0 | 162/0 | 489/0 |
| 45 |
145/0 | 002/0 | 173/0 | 002/0 |
| 46 |
311/0 | 000/0 | 139/0 | 000/0 |
| 47 |
383/0 | 002/0 | 186/0 | 003/0 |
| 48 |
498/0 | 005/0 | 306/0 | 006/0 |
| 49 |
123/0 | 002/0 | 126/0 | 002/0 |
| 50 |
436/0 | 152/0 | 258/0 | 083/0 |
| 51 |
130/0 | 001/0 | 033/0 | 002/0 |
| 52 |
215/0 | 718/0 | 107/0 | 692/0 |
| 53 |
280/0 | 145/0 | 164/0 | 126/0 |
| 54 |
128/0 | 238/0 | 030/0 | 321/0 |
| 55 |
143/0 | 174/0 | 029/0 | 131/0 |
| 56 |
136/0 | 152/0 | 258/0 | 083/0 |
| 57 |
730/0 | 001/0 | 533/0 | 002/0 | VT-VT-1 | 58 |
نمونه اول شامل 50 میلیون رگرسیون | نمونه اول شامل 5 میلیون رگرسیون | متغیر | ردیف | ||
احتمال پسین | ضریب پسین | احتمال پیشین | ضریب پیشین | ||
896/0 | 180/0 | 133/0 | 002/0 |
| 4 |
439/0 | 804/0 | 190/0 | 003/0 |
| 7 |
899/0 | 035/0 | 281/0 | 020/0 |
| 8 |
702/0 | 052/0 | 455/0 | 271/0 |
| 9 |
259/0 | 069/0 | 185/0 | 364/0 |
| 10 |
212/0 | 408/0 | 400/0 | 025/0 |
| 11 |
450/0 | 007/0 | 176/0 | 068/0 |
| 12 |
223/0 | 732/0 | 169/0 | 094/0 |
| 15 |
237/0 | 026/0 | 189/0 | 005/0 |
| 16 |
430/0 | 000/0 | 087/0 | 509/0 |
| 17 |
235/0 | 192/0 | 196/0 | 033/0 |
| 18 |
316/0 | 974/0 | 147/0 | 013/0 |
| 19 |
499/0 | 045/0 | 203/0 | 000/0 |
| 20 |
244/0 | 014/0 | 275/0 | 110/0 |
| 23 |
406/0 | 035/0 | 090/0 | 002/0 |
| 24 |
212/0 | 032/0 | 587/0 | 051/0 |
| 25 |
387/0 | 020/0 | 203/0 | 000/0 |
| 26 |
238/0 | 002/0 | 427/0 | 005/0 |
| 28 |
206/0 | 000/0 | 451/0 | 335/0 |
| 29 |
201/0 | 007/0 | 218/0 | 002/0 |
| 30 |
242/0 | 013/0 | 232/0 | 013/0 |
| 31 |
645/0 | 220/0 | 602/0 | 294/0 |
| 32 |
439/0 | 026/0 | 391/0 | 173/0 |
| 34 |
218/0 | 192/0 | 333/0 | 294/0 |
| 35 |
248/0 | 373/0 | 090/0 | 164/0 |
| 37 |
338/0 | 045/0 | 105/0 | 011/0 |
| 38 |
663/0 | 208/0 | 147/0 | 002/0 |
| 39 |
269/0 | 155/0 | 118/0 | 000/0 |
| 41 |
204/0 | 344/0 | 260/0 | 005/0 |
| 42 |
318/0 | 005/0 | 219/0 | 071/0 |
| 43 |
317/0 | 000/0 | 453/0 | 002/0 |
| 47 |
391/0 | 002/0 | 139/0 | 107/0 |
| 48 |
208/0 | 005/0 | 111/0 | 273/0 |
| 49 |
245/0 | 155/0 | 280/0 | 111/0 |
| 51 |
419/0 | 732/0 | 306/0 | 006/0 |
| 53 |
896/0 | 180/0 | 164/0 | 126/0 |
| 54 |
339/0 | 804/0 | 186/0 | 003/0 | VT-VT-1 | 58 |
نمونه اول شامل 2 میلیون رگرسیون | نمونه اول شامل 1 میلیون رگرسیون | متغیر | نماد | ||
احتمال پسین | ضریب پسین | احتمال پیشین | ضریب پیشین | ||
323/0 | 185/0 | 201/0 | 003/0 |
| 4 |
746/0 | 828/0 | 298/0 | 021/0 |
| 7 |
926/0 | 036/0 | 482/0 | 287/0 |
| 8 |
723/0 | 054/0 | 196/0 | 386/0 |
| 9 |
764/0 | 007/0 | 424/0 | 027/0 |
| 12 |
637/0 | 041/0 | 092/0 | 540/0 |
| 17 |
325/0 | 003/0 | 208/0 | 035/0 |
| 19 |
414/0 | 046/0 | 156/0 | 014/0 |
| 20 |
418/0 | 036/0 | 215/0 | 000/0 |
| 24 |
399/0 | 021/0 | 292/0 | 117/0 |
| 6 |
664/0 | 227/0 | 095/0 | 002/0 |
| 32 |
652/0 | 027/0 | 215/0 | 000/0 |
| 34 |
348/0 | 046/0 | 453/0 | 005/0 |
| 38 |
683/0 | 214/0 | 478/0 | 355/0 |
| 39 |
328/0 | 005/0 | 231/0 | 002/0 |
| 43 |
727/0 | 037/0 | 246/0 | 014/0 |
| 47 |
503/0 | 002/0 | 638/0 | 312/0 |
| 48 |
403/0 | 018/0 | 111/0 | 012/0 |
| 53 |
323/0 | 185/0 | 125/0 | 000/0 |
| 54 |
549/0 | 828/0 | 276/0 | 005/0 | VT-VT-1 | 58 |
اولویت | رگرسيون‌ها با | احتمال و ضریب پسین | نماد | متغیر | |
احتمال پسین | ضریب پسین | ||||
3 | 761/0 | 746/0 | 828/0 | X1 |
|
1 | 932/0 | 926/0 | 036/0 | X2 |
|
6 | 658/0 | 723/0 | 054/0 | X3 |
|
2 | 864/0 | 764/0 | 007/0 | X4 |
|
10 | 584/0 | 437/0 | 041/0 | X5 |
|
7 | 615/0 | 664/0 | 227/0 | X6 |
|
8 | 606/0 | 652/0 | 027/0 | X7 |
|
5 | 699/0 | 683/0 | 214/0 | X8 |
|
4 | 718/0 | 727/0 | 037/0 | X9 |
|
9 | 591/0 | 549/0 | 828/0 | X10 | VT-VT-1 |
| lnL | LR |
OLS | 16/260 |
|
TVP | 171/272 | |
*** در سطح 1 درصد معني‌دار مي‌باشد. | ||
نتايج آزمون حداکثر راست‌نمایی LR نشان می‌دهد، مدل TVP نرخ راست‌نمایی بالاتري (171/272 بزرگ‌تر از 16/260 است)، در مقايسه با مدل OLS دارد؛ در نتيجه تخمین مدل بر اساس رویکردهای TVP (غیرخطی)، نسبت به مدلهای OLS (خطی)، از کارایی بالاتری برخوردار است. نتایج مقایسه‌ای برآورد مدل BMA و OLS به شرح رابطه (1) و رابطه (2) است.
سکوی نشر دانش
پیوندهای سایت
مراکز مرتبط
پشتیبانی
صفحات رسمی
حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1404-1400