به موقع بودن سود
در این تحقیق به موقع بودن با تاخیر گزارشگری از تاریخ پایان سال مالی تا تاریخ مجمع عمومی صاحبان سهام اندازه گیری می‌شود.
۳-۶-۳-۱ متغیرتعدیل گر
متغیر تعدیل گر متغیری است که دارای تاثیری قوی بر رابطه بین متغیر مستقل و متغیر وابسته می‌باشد، یعنی حضور یک متغیر سوم، رابطه مورد انتظار اصلی اولیه بین متغیر های مستقل و وابسته را تغییر می‌دهد. به عبارت دیگر، هرگاه رابطه بین متغیر مستقل و وابسته مشروط به متغیر دیگری شود، آن متغیر سوم در واقع نقش تعدیل گری را ایفا می کند (سنگر ۱۹۹۶، ۶۷)^[۶۰]. در این تحقیق از متغیر فرصت‌های رشد به عنوان متغیر های تعدیل گر استفاده شده‌است که به وسیله نسبت ارزش بازار بر ارزش دفتری سرمایه اندازه گیری می‌شود:
GROWOP = P_ij / BV_ij
:GROWOP فرصت رشد
: ارزش بازار سرمایه شرکت
: ارزش دفتری سرمایه شرکت
۳-۷- روش تجزیه و تحلیل داده‌ها
پس از آنکه پژوهشگر داده‌ها را گردآوری و طبقه‌بندی کرد باید مرحله بعدی فرایند پژوهش، که به مرحله تجزیه و تحلیل داده‌ها معروف است، را آغاز کند. این مرحله در پژوهش اهمیت زیادی دارد زیرا نشان دهنده تلاش‌ها و زحمات فراوان گذشته است. در این مرحله، پژوهشگر اطلاعات و داده‌ها را در جهت آزمون فرضیه و ارزیابی آن مورد بررسی قرار می‌دهد. در مرحله تجزیه و تحلیل، آن چه را در جهت آزمون فرضیه و ارزیابی آن مورد بررسی قرار می‌دهد. در مرحله تجزیه و تحلیل، آن چه مهم است این است که پژوهشگر باید اطلاعات و داده‌ها را در مسیر هدف پژوهش، پاسخ‌گویی به سوالات پژوهش و نیز ارزیابی فرضیه‌های پژوهش خود، مورد تجزیه و تحلیل قرار دهد(حافظ نیا ۱۳۸۵، ۲۳۱). پس از جمع‌ آوری اطلاعات، نخستین گام محاسبه آماره‌های توصیفی از متغیرهای مورد استفاده می‌باشد. این آماره‌ها شامل میانگین، میانه، انحراف استاندارد و سایر اطلاعات مورد استفاده است. پس از بررسی آماره‌های توصیفی، جهت انجام آزمون‌های آماری از ضریب همبستگی پیرسون و رگرسیون و تحلیل واریانس که دارای خطای معیار کمتری در مقایسه با سایر روش‌های آماری می‌باشند استفاده شده‌است. در ادامه به موارد ذکر شده اشاره می‌گردد.
۳-۷-۱ همبستگی
تحلیل همبستگی ابزاری است آماری که به وسیله آن می‌توان درجه‌ای که یک متغیر به متغیری دیگر، از نظر خطی مرتبط است اندازه‌گیری کرد. روش همبستگی برای دو هدف عمده به کار می‌رود:

۱- کشف همبستگی بین متغیرها
۲- پیش‌بینی یک متغیر از یک یا چند متغیر دیگر.
به طور کلی هدف پژوهش همبستگی عبارت است از درک الگوهای پیچیده رفتاری از طریق مطالعه و همبستگی بین این الگوها و متغیرهایی که فرض می‌شود بین آن‌ها رابطه وجود دارد. مزیت عمده روش همبستگی این است که به محقق اجازه می‌دهد که متغیرهای زیادی را اندازه‌گیری کند و همزمان، همبستگی درونی بین آنها را محاسبه نماید. امتیاز دیگر روش همبستگی در این است که می‌تواند درباره درجه همبستگی بین متغیرها مورد مطالعه، اطلاعات لازم را فراهم سازد و روش همبستگی یا درجه همبستگی را در کل دامنه یا محدوده معین مشخص کند. همبستگی را معمولاً با تحلیل رگرسیون به کار می‌برند. در همبستگی درباره دو معیار بحث می‌شود: ضریب تعیین و ضریب همبستگی.
۳-۷-۱-۱ ضریب تعیین و ضریب تعیین تعدیل شده
ضریب تعیین مهم‌ترین معیاری است که با آن می‌توان قوت رابطه میان متغیر مستقل(x) و متغیر وابسته (y) را تشریح کرد. مقدار این ضریب در واقع مشخص کننده آن است که چند درصد از تغییرات متغیر وابسته توسط متغیر مستقل توضیح داده می‌شود. ضریب تعیین همواره بین صفر و یک است؛ اگر یک باشد نشان می‌دهد که خط رگرسیون به طور دقیق توانسته است تغییراتy را به تغییرات x نسبت دهد و اگر ضریب تعیین برابر صفر باشد نشان می‌دهد که خط رگرسیون هرگز نتوانسته است تغییراتy را به تغییرات x نسبت دهد. مقدار ضریب تعییین از رابطه زیر تعیین می‌شود:

با این حال اغلب ترجیح داده می‌شود که از مقیاس دیگری به نام ضریب تعیین تصحیح شده^[۶۱] برای بررسی نیکویی بر ارزش مدل رگرسیون استفاده کنند. این ضریب به صورت زیر محاسبه می‌شود:

که در آن n تعداد مشاهدات و k تعداد متغیرهای مستقل است. در واقع هدف بکارگیری  تسهیل در مقایسه نیکویی بر ارزش^[۶۲] چندین معادله رگرسیون است که از نظر تعداد متغیرهای مستقل توضیحی متفاوتند.
۳-۷-۱-۲ ضریب همبستگی
اگر از ضریب تعیین، ریشه دوم بگیریم، به مقدار به دست آمده ضریب همبستگی می‌گوییم و آن را R نشان می‌دهیم. ضریب همبستگی شدت رابطه و همچنین نوع رابطه (مستقیم یا معکوس) را نشان می‌دهد. از آن جا که  همواره بین ۰ و ۱ است، ریشه دوم آن یعنی R نیز همواره بین ۱ و ۱- است. همبستگی مثبت از صفر تا ۱+ نوسان می‌کند در حالی که، دامنه همبستگی منفی از ۱- تا صفر می‌باشد و در صورت عدم وجود رابطه بین متغیرها برابر صفر خواهد بود. هرچه عدد بدست آمده به یک نزدیک‌تر باشد، همبستگی قوی‌تر است. در واقع علامت ضریب همبستگی ® همان علامت شیب خط رگرسیون (b) است. ضریب تعیین نسبت به ضریب همبستگی معیار گویاتری است. برای محاسبه همبستگی بین متغیرها روش‌های مختلفی وجود دارد که با توجه به مقیاس اندازه‌گیری بایستی روش مناسب انتخاب شود. در این پژوهش برای محاسبه ضریب همبستگی از آزمون همبستگی پیرسون استفاده می‌شود. فرمول محاسبه ضریب همبستگی به قرار زیر می‌باشد:

توجه به این نکته ضروری است که در رگرسیون چندگانه، به جای ضریب همبستگی معمولی، ضریب همبستگی چندگانه داریم. این ضریب نشان می‌دهد که شدت رابطه بین متغیرهای مستقل به کلی با متغیر وابسته به چه میزان است.
۳-۷-۲ رگرسیون
تحلیل رگرسیون، فن و تکنیکی آماری برای بررسی و به مدل در آوردن ارتباط بین متغیرها است. برای آزمون فرضیه‌های تحقیق از مدل‌های رگرسیونی استفاده می‌شود. مدل رگرسیون تغییرات مشاهده شده در متغیر وابسته که توسط تغییرات متغیرهای مستقل ایجاد شده‌اند را توضیح می‌دهد. در واقع رگرسیون به دنبال برآورد رابطه‌ای ریاضی و تحلیل آن می‌باشد، به طوری که بتوان به کمک آن کمیت متغیری مجهول را با بهره گرفتن از متغیر یا متغیرهای معلوم تعیین کرد.
۳-۷-۲-۱ رگرسیون خطی ساده
در رگرسیون خطی یک متغیره، مدل   معرف خط رگرسیون جامعه بوده که به وسیله معادله   برآورد می‌شود. اگر۰<b باشد نشان دهنده رابطه مستقیم بین دو متغیر است. اگر ۰>b باشد نشان دهنده رابطه معکوس بین دو متغیر است. همچنین، اگر ۰=b باشد یعنی شیب صفر باشد، نشان می‌دهد که دو متغیر x و y رابطه خطی ندارند و مستقل هستند (آذر و مؤمنی، ۱۳۸۵: ۱۸۳).
۳-۷-۲-۲ رگرسیون چند متغیره
در برخی از مسائل پژوهشی، به ویژه آنهایی که هدف پیش بینی دارند، تعیین همبستگی بین متغیر ملاک(که قصد پیش‌بینی آن را داریم) و ترکیب متغیرهای پیش‌بینی کننده، که هر کدام از آن‌ها تا حدودی با این متغیر همبستگی دارند، دارای اهمیت زیادی است. روشی که از طریق آن متغیرهای پیش‌بینی کننده ترکیب می‌شوند، «رگرسیون چند متغیری» است. در این روش، یک معادله رگرسیون چند متغیری محاسبه می‌شود که ارزش‌های اندازه‌گیری شده پیش‌بینی را در یک فرمول خلاصه می‌کند. ضرایب معادله برای هر متغیر، بر اساس اهمیت آن در پیش‌بینی متغیر ملاک محاسبه و معین می‌شود. درجه همبستگی بین متغیرهای پیش‌بینی کننده در معادله رگرسیون چند متغیری و متغیر ملاک، به وسیله ضریب نشان داده می‌شود(دلاور ۱۳۸۶، ۲۲۰). مدل رگرسیون چندگانه به شرح زیر می‌باشد:

رگرسیون چند متغیری دارای روش‌های مختلفی است. تفاوت روش‌های آن در نحوه انتخاب متغیرهای پیش‌بینی کننده است. برای تعیین رگرسیون چندگانه از معادله زیر استفاده می‌گردد:

۳-۷-۳ آزمون هم خطی^[۶۳]
کاربرد و تفسیر یک مدل رگرسیون چندگانه به صورت آشکاری به برآورد ضرایب رگرسیون بستگی دارد. در برخی موارد در تحلیل رگرسیون خطی با این پدیده روبرو می شویم که میان متغیر های مستقل، رابطه ای خطی وجود دارد. هم خطی خود بر دو نوع است:
۱-هم خطی کامل(دقیق): این حالت زمانی به وجود می‌آید که یکی از متغیر های مستقل ترکیب خطی از دیگر متغیر های مستقل باشد که در این حالت ماتریس متغیر های مستقل دارای رتبه ای کمتر از مرتبه آن بوده و معکوس پذیر نیست.
۲- هم خطی تقریبی: در عمل کمتر اتفاق می افتد که میان متغیر های مستقل یم رابطه هم خطی کامل وجود داشته باشد و در اکثر موارد، این رابطه هم خطی ناقص است که به آن هم خطی تقریبی گفته
می­ شود.
از جمله مشکلاتی که در هنگام هم خطی بودن به وجود می آید، می‌توان به موارد زیر اشاره کرد:
۱- کواریانس مثبت هم خطی باعث می‌شود که تغییرات جزئی در داده‌ها ( افزودن و یا حذف یک یا چند مشاهده)، سبب تغییرات قابل ملاحظه در ضرایب برآوردی می‌شود.
۲- کواریانش مثبت میان متغیرهای مستقل، باعث وجود کواریانس منفی میان ضرایب رگرسیون برآوردی خواهد شد.
۳- وجود پدیده هم خطی باعث می‌شود که تغییرات جزئی در داده‌ها (افزودن و یا حذف یک یا چند مشاهد)، سبب تغییرات قابل ملاحظه در ضرایب برآوردی می‌شود.
با وجود پدیده هم خطی، برآورد جداگانه ای از هر یک از ضرایب رگرسیون به سبب واریانس نمونه قابل ملاحظه، قابل برآورد نیست، اما معمولا تابعی از پارامترها( ضرایب) می‌توان یافت که امکان برآورد آن وجود دارد، چنین تابعی را «تابع قابل برآورد» می گویند. همچنین با وجود پدیده ی هم خطی، اگر چه برآورد جداگانه پارامتر ها امکان پذیر نیست ولی میانگین متغیر وابسته یعنی   به طور منحصر به فرد قابل تخمین است یا به عبارت دیگر می‌توان از رگرسیون برای پیش بینی استفاده کرد. یکی از ساده ترین و رایج ترین شیوه‌های برخورد با پدیده هم خطی، انجام رگرسیون های متعدد با حذف یک یا چند متغیر مستقل است بدین گونه، واریانس نمونه پارامترها کاهش یابد. یکی از معیارهای که می‌توان با بهره گرفتن از آن این مسئله را بررسی نمود، دو شاخص تولرانس و عامل تورم واریانس (VIF)^[64] می‌باشد. عامل تورم واریانس به صورت زیر تعریف می‌شود:
در این تعریف ضریب تعیین حاصل از رگرسیون زدن   روی باقیمانده متغیر های رگرسیونی است. این روش منسوب به مارکوارت(۱۹۷۰)^[۶۵] است.VIF از ۵ یا ۱۰ بیشتر باشد، نشان دهنده برآورد ضعیف ضریب رگرسیونی مربوطه است، که علت آن جند هم خطی است. اگر هر دو آماره هم خطی (تولرانس و عامل تورم واریانس) برای متغیرهای مستقل بسیار نزدیک به عدد یک باشند، بیانگر عدم وجود هم خطی و نشان دهنده برآورد خوبی از ضریب رگرسیونی مربوطه است. راه حل هایی که برای رفع مشکل هم خطی توصیه می‌شود به صورت زیر است:
۱-با افزایش تعداد نمونه ها یا استفاده از نمونه ی جدید، یعنی با حرکت به سمت جامعه آماری با افزایش حجم نمونه، می‌توان مشکل هم خطی را تا حدودی برطرف نمود.
۲- با طراحی مدل رگرسیون که حاوی متغیرهای مستقل کمتری باشد، می‌توان مشکل هم خطی را تا حدودی برطرف نمود.
۳-۸- معرفی نرم افزار EVIEWS
نرم افزار Eviewsیک نرم افزار اقتصادسنجی می باشد که توسط بانک جهانی طراحی و ارائه شده‌است. واژه Eviews نیز مخفف Econometric Views است. این نرم افزار در واقع شکل پیشرفته تر و کاملتر نرم‌افزار Micro TSP بوده که تحت سیستم عامل Windows اجرا می‌شود و استفاده از آن نیز آسان‌تر و سریع تر صورت می گیرد. اگرچه ایده طراحی Eviews ابتدا توسط اقتصاددانان شکل گرفته و هدف از آن تهیه ابزاری جهت استفاده در موضوعات اقتصادی بوده است، اما مانعی برای استفاده در تحلیل های مالی، هزینه و پیش بینی فروش وجود ندارد (شیرین بخش و خوانساری، ۱۳۸۴).
۳-۹- انواع داده‌ها
داده‌ها و مشاهدات متغیرهای موجود در یک مدل معمولاً در سه نوع مختلف می‌تواند وجود داشته باشد: داده‌های سری زمانی، داده‌های مقطع زمانی و داده‌های تلفیقی یا پنل.
داده‌های سری زمانی، مقادیر یک متغیر را در نقاط متوالی در زمان، اندازه گیری می‌ کند. این توالی می‌تواند سالانه، فصلی، ماهانه، هفتگی یا حتی به صورت پیوسته باشد. داده‌های سری زمانی به طور کلی موضوع کار «اقتصادسنجی کلان» است که روش­های اقتصادسنجی را در سطح کلان بررسی می‌ کند. در اقتصاد کلان عموما از سری زمانی های سالانه یا فصلی استفاده می‌شود چرا که جمع‌ آوری اطلاعاتی مانند حسابهای ملی در فواصل کوتاه‌ تر با دشواری‌های زیادی همراه است. اما در اقتصادسنجی مالی که داده‌ها در هر زمان به آسانی قابل گزارش هستند، استفاده از سری‌های زمانی ساعتی یا حتی دقیقه ای نیز امری غیرمعمول نیست. معمولاً از اندیس t برای داده‌های سری زمانی استفاده می‌ کنند.