WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 28 | 29 || 31 | 32 |   ...   | 58 |

Рассмотрим регрессии с использованием квартальной волатильности последнего года перед наблюдениями. Здесь при расчете волатильности балансовой и чистой прибыли рассматривался логарифм, так как существовал большой разброс значений. Результаты представлены в Приложении 3, табл. П3-15 – П3-17. Последние два результата показывают строгую положительную значимость коэффициента при волатильности прибыли (балансовой и чистой). Положительный знак при коэффициенте соответствует сделанным ранее предположениям. При этом, судя по P-value, а также по Adj. R2, волатильность чистой прибыли чуть лучше объясняет дисперсию прогнозов. Наконец, попробуем рассмотреть данные регрессии с использованием годичной волатильности прибыли (выручки). Результаты представлены в Приложении 3, табл. П3-18 – П3-20. Коэффициенты при волатильности оказались незначимы, при этом оценка в целом ухудшилась.

На основании полученных итоговых результатов можно с уверенностью сказать, что наиболее оптимальными показателями волатильности могут служить волатильность квартальных данных балансовой прибыли, а также чистой прибыли (причем последний показатель предпочтительней) для года, предшествующего году, на котором проводятся исследования. Причина незначимости остальных показателей и значимость показателей последнего года могут объясняться тем, что наиболее актуальными для аналитиков являются последние данные, тогда как данные более ранних лет для них не являются приоритетными. Кроме того, ближайший период, как уже говорилось, охватывает актуальные события, тогда как анализ нескольких прошлых лет автоматически включает устаревшие события, тренды, которые, возможно, больше не принимаются во внимание аналитиками.

Теперь, зная, какие показатели влияют на прозрачность, можно рассмотреть полную регрессию (ур-ние 43) для выявления возможной значимости волатильности цен на продукцию. Как уже говорилось, волатильность цен будет рассмотрена как с dummy- переменными, так и без них (волатильность цен может не полностью исключать влияние отраслевых факторов). В качестве волатильности прибыли рассматривается квартальная волатильность чистой прибыли за 2003 г. (Приложение 3, табл. П3-21). Коэффициент получается незначимым. То же самое получается при исключении dummy-переменных (Приложение 3, табл. П3-22). Однако если рассмотреть волатильность цен годовых данных, то получаются неплохие результаты. С учетом dummy-переменных (Приложение 3, табл. П3-23) коэффициент получается незначимым. При исключении же dummy-переменных (табл. 2.2) абсолютно все коэффициенты оказываются значимыми на 10%-м уровне значимости.

F-статистика показывает (P-value = 0.558), что dummy-переменные можно не включать в регрессию. Отсюда можно заключить, что волатильность годовых данных цен на товары подходит лучше всего в качестве объясняющей переменной.

Таблица 2.Результаты оценки уравнения зависимости дисперсии прогнозов от доли крупного акционера (июнь 2004 г.) Объясняемая переменная Дисперсия прогнозов Спецификация уравнения Линейная Период оценок Июнь 2004 г.

Количество наблюдений Коэффициент P-value Константа 0.063 0.Волатильность квартальной чистой прибыли (2003 г.) 0.027 0.Волатильность цен товаров (годовые данные 2000– 0.523 0.2003 гг.) Волатильность акций –1.340 0.Логарифм капитализации компании 0.015 0.Доля акций, приходящаяся на наиболее крупного –0.002 0.акционера, % Число аналитиков, участвующих в прогнозе –0.010 0.R2 0.Adj. R2 0.P-value F-статистики 0,При рассмотрении волатильности квартальной балансовой прибыли результат получается также неплохим (Приложение 3, табл.

П3-24). Несмотря на то что многие коэффициенты оказались незначимы, Adj. R2 оказался более высоким. После исключения всех незначимых переменных получим результаты, представленные в Приложении 3, табл. П3-25.

В данной части работы делался упор на определение параметров, от которых может зависеть дисперсия прогнозов. Был рассмотрен достаточно большой массив таких показателей, и в этом массиве были обнаружены те показатели, влияние которых было подтверждено эмпирическими исследованиями. Было подтверждено наше первоначальное предположение о влиянии именно этих показателей на дисперсию прогнозов аналитиков.

2.3.12. Численная оценка прозрачности Ранее были построены регрессии, показывающие зависимость дисперсии прогнозов аналитиков от различного рода показателей.

Так как показатель дисперсии прогнозов аналитиков может содержать информацию, касающуюся не только прозрачности компании, необходимо было найти факторы, от которых зависит данный показатель и которые не связаны с прозрачностью. В качестве proxy таких факторов были найдены следующие переменные: волатильность квартальной балансовой прибыли за 2003 г., волатильность цен товаров (годовые данные 2000–2003 гг.), волатильность акций (месячные данные), логарифм капитализации компании, число аналитиков, участвующих в прогнозе. Тот факт, что R2, а также Adj. Rсоставляют соответственно около 60 и 50%, указывает на то, что данные показатели делают существенный вклад в объяснение дисперсии прогнозов (без учета доли крупного акционера R2 остаются примерно такой же величины). На основании этого можно с достаточно большой уверенностью говорить о том, что данные показатели составляют основную часть факторов, влияющих на дисперсию прогнозов, не связанных с прозрачностью.

Встает вопрос: как с помощью существующих данных и имеющихся регрессий выявить лучший показатель, характеризующий прозрачность Предполагая, что мы выявили основные факторы, не связанные с прозрачностью, но влияющие на дисперсию прогнозов, необходимо убрать их составляющую, тем самым оставляя в дисперсии оценку прозрачности. Естественно, мы не можем избавиться от ошибки измерений, поэтому данный показатель может служить оценкой прозрачности лишь с некоторыми допущениями.

Обсудим, каким образом следует убирать составляющие вышеупомянутых факторов. Для этого стоит обратиться к построенным регрессиям. Можно исключить из дисперсии прогнозов соответствующие переменные, умноженные на соответствующие коэффициенты, полученные с помощью линейных регрессий. Однако такой способ возможен только при правильной спецификации описанной модели, а также при условии, что ошибки независимы и одинаково распределены. Прежде всего, остановимся на спецификации модели, т.е. на ее представлении и виде. Использовалась линейная спецификация модели. В реальности зависимость дисперсии прогнозов от различных факторов может быть не линейной, а, например квадратичной или логарифмической. Естественно, в идеале невозможно будет проверить то, какая спецификация наиболее подходящая. Поэтому более приемлемым вариантом является исследование именно линейной зависимости – как более явно отображающей влияние различных факторов на дисперсию прогнозов. Тем не менее для того, чтобы данный вопрос не вызывал каких-то сомнений, будет построена данная регрессия в нелинейном виде и будет показано, что итоговый показатель, характеризующий прозрачность, выявленный после исключения составляющих других факторов из дисперсии, будет достаточно близок к показателям, выявленным линейным способом. То есть изменение спецификации не будет значительным образом искажать результат. Также необходимо заметить, что факторы, влияющие на дисперсию, не должны коррелировать с прозрачностью, – только в этом случае оценки прозрачности будут несмещенными. К сожалению, эмпирическим путем проверить это невозможно, однако в целом, как уже говорилось ранее, в качестве объясняющих факторов использовались переменные, напрямую не связанные с прозрачностью.

Также важным элементом является то, что ошибки должны быть одинаково распределены. С теоретической точки зрения ошибки коррелируют с числом прогнозов, причем обратно пропорционально квадратному корню от этого числа. Данное предположение было подтверждено эмпирически (см. Приложение 1), поэтому можно учесть данную гетероскедастичность, отнормировав каждую из переменных (при рассмотрении последних регрессий тест White показал наличие гетероскедастичности с P-value = 0.06, причем значимым оказалось влияние именно числа прогнозов). Однако здесь также возникает проблема: то, что мы считаем ошибкой в регрессии, в реальности может быть связано с прозрачностью и не полностью определяется случайной ошибкой. В результате ошибка, определяе мая в регрессии, не будет полностью соответствовать предложенной гетероскедастичности. Для решения данного вопроса необходима проверка обоих случаев: с учетом гетероскедастичности и без нее.

Прежде чем приступать к расчетам, следует обратиться еще к одному вопросу: стоит ли включать в регрессию долю крупного акционера Так как от данного показателя, как предполагается, может зависеть прозрачность,то в случае его включения в регрессию при подсчете прозрачности его не следует вычитать из дисперсии прогнозов (в отличие от остальных переменных). Однако его включение без учета всех остальных влияющих на прозрачность факторов может давать сильное искажение прозрачности – она будет значительным образом определяться долей крупного акционера, что, вообще говоря, неверно. Исходя из этих соображений, в качестве основных показателей будут рассмотрены те, которые являются остатками в регрессиях, не включающих долю крупного акционера (в качестве неосновной для сравнения будет также рассмотрена регрессия с включением доли крупного акционера).

Для выявления наиболее подходящих показателей предлагается провести их сравнение с показателями прозрачности, приведенными рейтинговым агентством Standard&Poor’s. Хотя ранее указывалось, что данный показатель достаточно субъективен, в определенной степени он отражает величину прозрачности. В частности, с достаточно большой вероятностью мы можем говорить, что компании, обладающие низкой прозрачностью по S&P, скорее всего, в действительности обладают низкой прозрачностью, и наоборот. Данный способ выявления наиболее адекватных показателей представляется наиболее подходящим из-за невозможности определения их какимлибо другим возможным способом.

В итоге для исследования были взяты следующие показатели.

Для уравнения (43) рассматривались остатки после исправления гетероскедастичности (нормировки данных) (Приложение 3, табл. П3-26). Также, кроме остатков текущего уравнения (E_NORM), рассматривались следующие переменные:

E _WM = DISFi - P _VOLi (45) -E _VOLi -VOLi - ln(FIRMi ) - Ni переменная, учитывающая долю крупных акционеров, а также E _ OM = DISFi - P _VOLi E _VOLi -VOLi - ln(FIRMi ) - Ni -SHFRi (46) переменная без доли крупных акционеров (E_OM различается с E_NORM, так как в последних остатки нормированы). Само по себе использование E_OM и E_NORM как показателя прозрачности достаточно условно, так как исключает влияние доли крупного акционера на прозрачность. Однако в целом данный показатель достаточно интересен для сравнения с неискаженными показателями.

Три аналогичных показателя рассматриваются с использованием вместо чистой прибыли балансовой.

Таблица корреляций между этими переменными следующая:

E_NORM(Ч) E_NORM(Б) E_WM(Б) E_OM(Б) E_WM(Ч) E_OM(Ч) E_NORM(Ч) 1.E_NORM(Б) 0.957 1.E_WM(Б) 0.786 0.819 1.E_OM(Б) 0.899 0.937 0.888 1.E_WM(Ч) 0.815 0.776 0.966 0.841 1.E_OM(Ч) 0.942 0.896 0.836 0.954 0.868 1.Как видно, корреляция достаточно высокая, что говорит о том, что данные переменные достаточно схожи.

Для выявления того, насколько данные переменные соответствуют прозрачности, рассмотрим их корреляцию с данными по про зрачности, полученными Standard&Poor’s (данные за 2004 г.). Корреляция получается следующей:

E_NORM(Ч) E_NORM(Б) E_WM(Б) E_OM(Б) E_WM(Ч) E_OM(Ч) S&P –0.184 –0.258 –0.235 –0.248 –0.189 –0.Несмотря на то что корреляция не очень высокая, она везде отрицательная. Это говорит о том, что полученные показатели в некоторой степени отражают прозрачность. Не очень высокая корреляция не должна смущать, так как полученные переменные содержат ошибки, а, кроме того, сами данные по Standard&Poor’s являются далеко не идеальными. Среди этих данных наибольшую корреляцию дают остатки по нормированной регрессии с балансовой прибылью.

Далее мы рассмотрим эту переменную более подробно.

Рассмотрим остатки в регрессии без доли крупного акционера (как уже выше обсуждалось, такой способ является более предпочтительным). Регрессия выглядит следующим образом (Приложение 3, табл. П3-27).

DISFi = + P _VOLi +E _VOLi +VOLi + (47) + ln(FIRMi ) + Ni + i Хотя в данной регрессии есть незначимые коэффициенты (на 10%-м уровне значимости), тем не менее выше было показано, что все используемые переменные ранее оказались значимы в регрессии и поэтому важны в качестве переменных, объясняющих дисперсию прогнозов.

В качестве дополнительного (неосновного) варианта рассмотрим остатки (E_F) регрессии после исключения незначимых переменных (однако можно полагать, что данные остатки будут все же хуже характеризовать прозрачность, чем предыдущие). После исключения незначимых переменных получаем (Приложение 3, табл. П3-28).

Аналогично рассмотрим остатки в случае использования вместо чистой прибыли балансовой (табл. 2.3), а также после исключения незначимых переменных (Приложение 3, табл. П3-29).

Таблица 2.Результаты оценки уравнения (47) (июнь 2004 г.) Объясняемая переменная Дисперсия прогнозов Спецификация уравнения Линейная Период оценок Июнь Количество наблюдений Коэффициент P-value Константа –0.037 0.Волатильность квартальной балансовой прибыли 0.033 0.(2003 г.) Волатильность цен товаров (годовые данные 2000– 0.457 0.2003 гг.) Волатильность акций –1.057 0.Логарифм капитализации компании 0.013 0.Число аналитиков, участвующих в прогнозе –0.005 0.R2 0.Adj. R2 0.P-value F-статистики 0,Кроме этих остатков, также рассмотрим остатки уравнения (43) (без учета гетероскедастичности) (E1) (табл. 2.3), а также показатель, рассчитанный по формуле (46) c использованием коэффициентов, приведенных в табл. 2.3 (E_WM1).

Корреляция между соответствующими показателями следующая:

E (Ч) E_F(Ч) E1 E_WM1 E (Б) E_F(Б) E (Ч) 1.E_F(Ч) 0.961 1.E1 0.883 0.855 1.E_WM1 0.989 0.940 0.864 1.E (Б) 0.931 0.892 0.827 0.917 1.E_F(Б) 0.899 0.922 0.802 0.898 0.956 1. Видно, что корреляция между всеми показателями достаточно высокая (здесь не будет приводиться корреляция всех 12 показателей, так как корреляция в целом такого же уровня).

Также регрессия, приведенная в табл. П3-28, была рассмотрена в логарифмическом виде. Корреляция остатков с E (Ч) при этом составила 0.912, что говорит о том, что изменение предполагаемой спецификации модели слабо влияет на конечный результат и что можно пользоваться линейной спецификацией.

Корреляция же между получившимися показателями и данными по Standard&Poor’s (далее – S&P) следующая:

Pages:     | 1 |   ...   | 28 | 29 || 31 | 32 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.