۲-متغیر پیش بینی شده استاندارد شده
۳-متغیر باقیما نده ها
۴-متغیر باقیمانده های استاندارد شده
متغیر های ایجاد شده جهت بررسی و آزمون پیش فرض های مدل مورد نیاز می باشد و برای استفاده از مدل رگرسیون لازم است پیش فرض های استفاده از آن مورد آزمون قرار گیرد .

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۴-۴-۲) بررسی فرض نرمال بودن باقیمانده ها
برای بررسی نرمال باقیمانده ها می توان از آزمون کولموگروف – اسمیرنف استفاده نمود . علاوه بر این نمودارهای هیستوگرام و ناهمسانی واریانس برای بررسی نرمال بودن دادها به کاربرده می شود. در ذیل به هریک پرداخت می شود.
۱- هیستوگرام
در زیر نمودار هیستوگرام باقیمانده های محافظه‏‏کاری حسابداری شرکت‏ها در روش اول و دوم مشاهده می‏شود. در این آزمون باید میانگین باقیمانده ها نزدیک صفر و انحراف معیار نزدیک ۱ باشد. همانطور که ملاحظه می‏گردد میانگین باقیمانده‏ها در مدل اول برابر ۲۲/۰ و انحراف معیار آن برابر ۵۷۰/۰ و در مدل دوم میانگین باقیمانده‏ها ۰۸/۰ و انحراف معیار آن ۱۴۳/۰ است. بنابراین داده‏های ما از نوزیع نرمال پیروی می‏کنند و نرمال هستند.
قبل از نرمال سازی (محافظه‏کاری روش اول)

بعد از نرمال سازی(محافظه‏کاری روش اول)

قبل از نرمال سازی(محافظه‏کاری روش دوم)

بعد از نرمال سازی (محافظه کاری روش دوم)

۲-نمودار ساقه و برگ باقیمانده‏ها
مدل اول
Standardized Residual Stem-and-Leaf Plot
Frequency    Stem &  Leaf
۱٫۰۰ Extremes    (=<-1.1)
۱۲٫۰۰       -۰ .  ۵۵۵۶۶۷۷۸۸۸۹۹
۱۵٫۰۰       -۰ .  ۰۰۰۰۰۰۰۰۱۲۲۲۲۲۳
۳۱٫۰۰        ۰ .  ۰۰۰۰۰۰۰۰۰۰۱۱۱۱۱۲۲۲۲۲۲۲۲۳۳۳۳۳۴۴۴
۱۸٫۰۰        ۰ .  ۵۵۵۵۵۵۵۶۶۶۶۷۷۷۷۸۸۹
۱۲٫۰۰        ۱ .  ۰۰۰۰۰۰۰۰۱۱۲۲
Stem width:   ۱٫۰۰۰۰۰
Each leaf:       ۱ case(s)
مدل دوم
Standardized Residual Stem-and-Leaf Plot
Frequency    Stem &  Leaf
۱٫۰۰       -۲ .  ۲
۵٫۰۰       -۱ .  ۱۳۴۷۷
۸٫۰۰       -۰ .  ۰۱۱۲۳۴۵۸
۲۰٫۰۰        ۰ .  ۰۱۱۱۲۳۳۴۴۴۴۵۵۵۶۶۷۸۸۹
۱۸٫۰۰        ۱ .  ۰۰۱۱۱۱۲۲۲۴۴۴۶۶۷۸۹۹
۳۲٫۰۰        ۲ .  ۰۰۱۱۱۱۱۱۲۲۲۲۲۲۲۳۳۳۳۳۳۴۴۴۵۵۶۶۷۸۹۹
۱٫۰۰        ۳ .  ۱
Stem width:    .۱۰۰۰۰
Each leaf:       ۱ case(s)
از روی این نمودار می توان در مورد شکل توزیع باقیمانده ها و وجود مقادیر پرت قضاوت کرد . در نمودار فوق دلیلی وجود ندارد که این نمونه از یک توزیع غیر نرمال بدست آمده باشد .مشاهده می گردد که توزیع دارای یک قله است و نرمال می باشد .در این نمودار داده‏ها باید به صورت نرمال توزیع شده باشد و داده ها دارای یک قله داده باشند.
۳- نمودار box plots باقیمانده‏های مدل
این نمودار نیز داده های پرت را به صورت ستاره (*) نمایش می دهد که داده های پرت را به خوبی نشان می‏دهد. داده هایی که با ستاره مشخص شده اند داده هایی خیلی پرت و داده هایی که به دایره مشخص شده اند داده های پرت می باشند و باید آن ها کنار گذاشت. با توجه به اینکه در این قسمت متغیر باقیمانده‏ها دارای دادت پرت نمی‏باشد از این رو هیچگونه علامت ستاره ای مبنی بر پرت بودن داده در آن مشاهده نمی‏گردد