برآورد رگرسیون خطی در شرایط غیر نرمال بودن جملات خطا: برآورد مدل مناسب بازده سهام صنعت بانکداری

بسیاری از تجزیه و تحلیل های آماری براساس فرض نرمال بودن داده ها هستند. اما این فرض نرمال بودن همیشه اتفاق نمی افتد. برخی از داده ه توزیع غیرنرمال دارند. مثلا داده های غیرنرمال زمانی به وجود می آیند که اندازه گیری به یک نقطه یا مرز نرسد، دلایل به وجود آمدن داده های غیرنرمال عبارتند از: ۱) وقتی از جمعیت های مختلف نمونه گیری می شود (موقعیت ها، جنسیت، فصل ها و ... ۲) حرکت در زمان، ۳) تاثیر ناکارا، ۴) مشاهده ی داده های پرت، ۵) داده های چند مدی، گاهی اوقات در برا<ردها با داده هایی مواجه می شویم که دارای توزیع نرمال نیستند. در چنین مواقعی چنانچه به اشتباه داده ها نرمال فرض شوند و مدل به روش OLS تخمین زده شود برآورد گرهای حاصل اریب و ناسازگار خواهند شد. لذا برای دستیابی به برآورد گرهای بدون تورش باید از روش های دیگری استفاده کرد. در این پژوهش اصرات شاخص قیمت بورس، شاخص بانک و نرخ ارز بازده سهام ۱۰ بانک کشور در سال های ۹۳ تا ۹۶ مورد بررسی قرار گرفت. با توجه به غیرنرمال بودن بازده سهام بانک ها از روش هایی همچون لاجیت، پروبیت، کوانتایل، ارزش فرین و مدل های خطی تعمیم یافته جهت تخمین استفاده گردید. برآوردها توسط نرم افزار EVIEWS و R انجام گرفت. نتایج نشان می دهند در تخمین OLS مقدار (R(۲ بسیار بالا بوده و در حقیقت رگرسیون نتوانست تغییرات متغیر وابسته را با استفاده از متغیرهای مستقل توضیح دهد. پس پو تخمین زنهای OLS ناسازگار و اریب هستند برای متغیر وابسته غیرنرمال مناسب نیستند. در این مطالعه با استفاده از سایر روش های پیشنهادی رگرسیون تاکید بر بررسی روش های مختلف برآورد رگرسیون خطی با جملات پسماند غیر نرمال صورت گرفته است نه بررسی بازار سهام.

Keywords:

غیرنرمال , پروبیت , لوجیت , کوانتایل و مدل های خطی تعمیم یافته