۹۰

۲۳۷۵۶٫۳

۲۵۹۰۵٫۶

۰٫۰۹۰۴۷

رکود

۹۱

۲۶۲۸٫۵

۳۸۰۴۰٫۷

۰٫۴۴۷۴۸

رونق

۹۲

۳۸۳۹۲٫۲۵

۷۹۰۱۵٫۴

۱٫۰۵۸۱۰

رونق

متغیرهای (D1*CCC)، (D1*AP)، ((D1*AR و (D1*INV)، متغیرهای ساختگی تعاملی هستند که عملکرد متغیرهای CCC، AP، AR و INV را در موقعیت رکود اقتصادی نشان می دهند و متغیرهای (D2*CCC)، (D2*AP)، ((D2*AR و (D2*INV) متغیرهای ساختگی تعاملی هستند که عملکرد متغیرهای CCC، AP، AR و INV را در موقعیت رونق اقتصادی نشان می دهند.
با توجه به پیشینه پژوهش ما انتظار داریم دوره رکود اقتصادی تاثیر منفی و دوره رونق تاثیر مثبت بر رابطه بین مدیریت سرمایه در گردش و سودآوری داشته باشند؛ بنابراین ما برای متغیرهای تعاملی (D1*CCC)، ((D1*AR و (D1*INV) رابطه منفی و معنادار و برای متغیر (D1*AP) رابطه مثبت و معنادار راپیش بینی می کنیم. همچنین برای متغیرهای تعاملی (D2*CCC)، ((D2*AR و (D2*INV) رابطه مثبت و معنادار و برای متغیر (D2*AP) رابطه منفی و معنادار را پیش بینی می کنیم.

• انواع تحلیل های رگرسیونی برای داده ها:

مدل های رگرسیون را می توان با توجه به داده های مورد بررسی، به انواع مختلفی تقسیم کرد. این مدل های رگرسیون عبارتند از: رگرسیون سری زمانی، رگرسیون مقطعی و رگرسیون ترکیبی(مومنی و قیومی، ۱۳۸۸، ۱۰۴).
مدل رگرسیونی مورد استفاده در این پژوهش ترکیبی است که بعد از شرح مختصری در مورد رگرسیون سری زمانی و مقطعی، در مورد رگرسیون ترکیبی توضیحات کامل تری ارائه خواهد شد.
۳-۱۰-۱ . رگرسیون سری زمانی^[۳۴]:
این رگرسیون به بررسی داده های مربوط به یک جمعیت واحد در دوره های زمانی مختلف می پردازد. داده های مورد بررسی در این رگرسیون، داده های سری زمانی نامیده می شوند. ویژگی برجسته این داده ها همبستگی متناوب است. به عبارت دیگر مقدار مشاهدات هر دوره وابسته به مقدار مشاهدات دوره قبل می باشد. در تحلیل داده ها به کمک رگرسیون سری زمانی، برای هر جمعیت واحد، یک معادله رگرسیون برآورد می شود(مومنی و قیومی، ۱۳۸۸، ۱۰۵).
۳-۱۰-۲٫ رگرسیون مقطعی^[۳۵]
این رگرسیون، داده های مربوط به شرکت ها، افراد، موقعیت ها، شهرها یا کشورهای مختلف را در یک زمان معین تحلیل می کند. داده های مورد بررسی در این رگرسیون، داده های مقطعی نامیده می شوند و ویژگی آنها استقلال مشاهدات از یکدیگر است. در تحلیل داده ها به کمک رگرسیون مقطعی، برای هر سال یا زمان معین یک معادله رگرسیون برآورد می شود. (مومنی و قیومی، ۱۳۸۸، ۱۰۵).
۳-۱۰-۳ . تخمین مدل های رگرسیون ترکیبی:
از آنجا که مقیاس اقتصادی شرکتها متفاوت است؛ بنابراین، باید عرض از مبدأ برای هر شرکت به صورت یک ضریب مستقل تعیین شود تا مدل تخمینی به درستی برازش شود. در واقع تخمین مدل رگرسیونی، به فرض ما درباره عرض از مبدأ ، ضرایب و جمله خطای u_itبستگی دارد. روش های چندی در رابطه با این فروض وجود دارد(یحیی زاده فر و همکارانش، ۱۳۸۹، ۱۱۹ و ۱۲۰):

• عرض از مبدأ و ضرایب در طول زمان و در عوامل مختلف ثابت بوده و جمله خطا در طول زمان و برای عوامل مختلف، متفاوت است.

• ضرایب ثابت بوده، اما عرض از مبدأ برای عوامل مختلف، متفاوت است.

• ضرایب ثابت بوده، اما عرض از مبدأ برای عوامل مختلف و در طی زمان متفاوت است.

• عرض از مبدأ و تمامی ضرایب برای عوامل مختلف، متفاوت است.

• عرض از مبدأ و ضرایب برای عوامل مختلف و در طی زمان متفاوت است.

برای برآورد الگوهای رگرسیون خطی دو متغیره و چند متغیره اغلب از روش حداقل مجذورات معمولی(OLS)^[36] استفاده می شود. آماره های این روش بهترین تخمین زننده های خطی بدون تورش هستند. اما برای رفع مشکلاتی همچون خود همبستگی^[۳۷] جملات پسماند و ناهمسانی واریانس^[۳۸] از روش کمترین مجذورات تعمیم یافته(GLS)^[39] نیز استفاده می شود(یحیی زاده فر و همکارانش، ۱۳۸۹، ۱۲۰).
روش رگرسیون ترکیبی با توجه به وضعیت ضریب ثابت معادله به چهار روش قابل انجام است(ایزدی نیا و رسائیان،۱۳۸۹، ۱۲):

• روشی که معادله را بدون عرض از مبدأ برآورد می کند.

• روشی که ضریب ثابت مشترکی را برای تمام اعضاء داده های ترکیبی در نظر می گیرد.

• روش اثرات ثابت که ضریب ثابت های متفاوتی را برای هر عضو داده های ترکیبی برآورد می نماید