مطالعه تغییر حسابرس از دیدگاه حاکمیت شرکتی 

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

قسمتی از متن پایان نامه :

مدل احتمال خطی[1] (LPM) ساده ترین روش روبرو شدن با متغیر وابسته دو ارزشی می باشد و بر اساس این فرض قرار دارد که احتمال رخ داد یک پدیده(Pi) به صورت خطی به مجموعه ای از متغیرهای توصیفی ها بستگی دارند:
احتمالات واقعی قابل نظاره نمی باشند، پس بایستی مدلی را برآورد کنیم که در آن پیامد  (سری شامل صفر و یک) تأثیر متغیر وابسته را اعمال می کند. با این کار دارای یک مدل رگرسیونی خواهیم بود که با OLS قابل برآورد نیست. با این که برآورد و تفسیر مدل احتمال خطی ساده می باشد اما دارای کاستی هایی می باشد که بهره گیری از آن را با خطر مواجه می سازد. مثلا در پاره ای از موارد ممکن می باشد، احتمال بدست آمده منفی گردد که خلاف علم احتمال خواهد بود. همچنین در مود نرمال بودن خطاها نیز نمی توان به روشنی اظهار نظر نمود. برای حل معضلات روش LPM روش های لاجیت . پروبیت مطرح شدند که در ادامه هر یک توضیح داده خواهند گردید. ه یک از مدل های مذکور، میزان احتمال رخداد پدیده ها را به بازه (1و0) انتقال خواهد داد. پس، شکل تابع به جای یک خط راست به صورت حرف S خواهد بود.
3-11-2) مدل لاجیت
برای تنظیم مدل لاجیت فرض کنید:
حال داریم:
معادله فوق به عنوان تابع توزیع تجمعی لاجستیک[2] معروف می باشد. همانطور که نظاره می گردد    بین ∞- و ∞+ تغییر می کند اما  بین صفر و یک باقی می ماند. اما این مدل با بهره گیری از OLS قابل برآورد نیست.  در صورتی  ها احتمال موفقیت باشند در آن صورت  ها احتمال شکست می باشند. در این صورت نسبت احتمال پیروزی بر شکست برابر خواهد بود:
با لگاریتم گرفتن از طرفین معادله خواهیم داشت:
که در آن  بر حسب  و بر حسب پارامترهای خطی می باشد.
3-11-3) مدل پروبیت:
به جای بهره گیری از تابع توزیع تجمعی لاجستیک می توان ازتابع توزیع نرمال تجمعی[3] نیز بهره گیری نمود. این کار با مدل پروببیت انجام می شود. مدل مذکور به صورت زیر ارائه می گردد:
این تابع، تابع توزیع تجمعی برای متغیرهای تصادفی می باشد که به صورت نرمال توزیع شده اند. کاربرد این مدل بسیار مشابه مدل لاجیت می باشد.

  • انتخاب از بین مدل های لاجیت و پروبیت:
  • در بسیاری از کاربردها مدل های لاجیت و پروبیت نتایج بسیار مشابهی ارائه خواهند داد و نمودارهای رگرسیون برازش شده آن ها از یکدیگر قابل تشخیص نمی باشند. زیرا تابع چگالی آن ها بسیار مشابه یکدیگر می باشد . استاک و واتسون[4](2006) بهره گیری از مدل لاجیت را پیشنهائ می کنند زیرا در محاسبات آن ها بر خلاف مدل پروبیت نیازی به انتگرال گیری نمی باشد و پارامترهای مدل را می توان سریعتر برآورد نمود.
     

    • معیار نیکویی برازش برای مدل های لاجیت و پروبیت
    • معیارهای نیکویی برازش در رگرسیون معمولی(OLS)،   یا  تعدیل شده می باشد. اما در مطالعه نیکویی برازش مدل های لاجیت و پروبیت نمی توان از معیارهای ذکر گردیده بهره گیری نمود زیرا مقایر برازش شده حاصل از مدل های لاجیت و پروبیت هر عددی ممکن می باشد باشد در  حالیکه مقادیر واقعی متغیر وابسته، صفر یا یک می باشد. پس بهره گیری از   یا  تعدیل شده بی معناست. در ادامه به ارائه دو معیار خواهیم پرداخت.


       

      3-11-4) درصد پیش بینی صحیح:
      کندی[5](2003) پیشنهاد می کند که معیار نیکویی برازش می تواند به عنوان حاصل جمع درصد پیش بینی صحیح
      و درصد پیش بینی صحیح  در نظر گرفته گردد. یعنی به صورت جبری داریم:
       

      که در آن ، اگر   باشد،    و اگر این طور نباشد  می باشد. هر چه عبارت فوق بیشتر باشد، برازش بهتری صورت گرفته می باشد.
      5-11-3)
         به صورت زیر تعریف می گردد:
      که در آن  مقدار حداکثر تابع راستنمایی مدل های لاجیت و پروبیت و  مقدار لگاریتم تابع راستنمایی مدل های مذکور می باشد برای وقتی که در آن تمام پارامترهای شیب، برابر صفر فرض می شوند (یعنی مدل تنها دارای یک عرض از مبدا باشد) این معیار به معیار مک فادن[6] منسوب می باشد.
       

       

       

      3-12) نحوه آزمون فرضیه های پژوهش
      3-12-1) آزمون فرضیه اول:
      فرضیه اول به دنبال سنجش این مسئله می باشد که شرکتهایی با تمرکز مالکیت بالاتر (حاکمیت شرکتی ضعیفتر) تمایل بیشتری به تغییر حسابرس خود به موسسات حسابرسی کوچکتر دارند. مکانیزم حاکمیت شرکتی مورد بهره گیری تمرکز مالکیت می باشد که عبارت می باشد از درصد بزرگترین سهامدار موجود در شرکت. مدل رگرسیونی برای آزمون فرضیه فوق بصورت زیر می باشد:
      در فرضیه فوق اطلاعات مورد بهره گیری در الگو ها بصورت اطلاعات سالیانه می باشد. آغاز جهت معنی دار بودن کل الگو از آماره F بهره گیری شده می باشد. F محاسبه شده با F جدول مقایسه و در صورت بزرگتر بودن آن (F محاسبه شده) می توان نسبت به معنی دار بودن الگو نتیجه گیری نمود. به مقصود معنی دار بودن ضریب متغیرهای مستقل از آماره t بهره گیری می گردد که در این حالت نیز آماره به دست آمده با جدول مقایسه شده و در صورت بزرگتر بودن آماره t ضریب متغیر مستقل در الگو معنی دار می گردد. ضریب تعیین نیز نشان می دهد که چند درصد از تغییرات متغیر وابسته تحت تاثیر متغیرهای مستقل قرار می گیرد لازم بذکر می باشد که ضریب مورد بهره گیری برای قضاوت در خصوص فرضیه اول  می باشد که معنی دارای این ضریب نشان دهنده معناداری تاثیر تمرکز مالکیت بر تغییر حسابرس بوده  و جهت این ضریب نشان دهنده چگونگی تاثیرگذاری تمرکز مالکیت بر تغییر یا تعویض حسابرس می باشد
      [1]– Linear Probability Model (LPM)
      [2] – Cumulative logistic distribution function
      [3] – Cumulative normal distribution function
      [4] – Stock & Watson
      [5] – Kennedy
      [6] – Mc Fadden

      سوالات یا اهداف پایان نامه :

       

      آیا مکانیزم های حاکمیت شرکتی که برای حفظ حقوق ذینفعان وارد اقدام می شوند می توانند در انتخاب حسابرسان سهمی داشته باشند یا خیر؟


    پاسخ دهید