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 .
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
| محافظه کاری روش اول | |
| قبل از نرمال سازی | بعد از نرمال سازی |
