“

عرب نجف آبادی (۱۳۹۰)مدل Probitمدهوشی و تاری(۱۳۸۹)مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Coxسرمایه اولیهمدهوشی و تاری (۱۳۸۹)مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Coxرابطه معنی داری بین سرمایه اولیه و بقا تأیید نشد.فیض پور و موبد (۱۳۸۷)مدل Probitبین سرمایه اولیه و بقا رابطه معنی داری وجود ندارد.آسپلوند، بِرگ اوتبی و اِسکیودال (۲۰۰۵)
یک رابطه مثبت بین منابع اولیه و توانایی بقای شرکت در سال های اولیه فعالیت به دست آوردند.

ادامه جدول ۲-۱- خلاصه تحقیقات انجام شده پیشین

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

متغیر نویسنده روش تجزیه و تحلیل نتایج متغیرهای سطح صنعت درجه نوآوری در صنعت جنسن و همکاران(۲۰۰۸) مدل هازارد نمایی ثابت

ثبت اختراع را به عنوان شاخص نوآوری در نظر گرفته است و ‌به این نتیجه رسید که با بقا رابطه منفی دارد. سفیز و مارسیلی(۲۰۰۶) رویکرد ناپارامتری بر اساس Transition Probability Matrices نوآوری اثر مثبت بر بقا دارد. هلمرز و راجرز(۲۰۱۰) مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل Probit ثبت اختراع و علامت تجاری را به عنوان شاخص نوآوری در نظر گرفتند و دریافتند ثبت اختراع با بقا رابطه منفی و علامت تجاری با بقا رابطه مثبت دارد. دکوماشو و همکاران(۲۰۱۱) مدل هازارد نسبی پارامتریک شرکت ها با سرمایه گذاری بالا در نوآوری و R&D نرخ بقای بالاتری دارند. کازویوکی(۲۰۱۲) مدل Probit ثبت اختراع را به ‌عنوان شاخص نوآوری درنظر گرفته و دریافت که رابطه منفی با بقا دارد.

ادامه ی جدول ۲-۱- خلاصه تحقیقات انجام شده پیشین

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

متغیر نویسنده روش تجزیه و تحلیل نتایج متغیرهای سطح صنعت نرخ ورود به صنعت فریچ و همکاران(۲۰۰۶) رگرسیون OLS نرخ ورود با بقا رابطه معکوس دارد. کاتو (۲۰۰۸) مدل هازارد Cox نرخ ورود رابطه معنی داری با بقا دارد اسجوکویست و کریستی(۲۰۱۲) مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox نرخ ورود بالا میزان بقا را کاهش می‌دهد. مدهوشی و نصیری (۱۳۸۹) مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox نرخ ورود با بقا رابطه معکوس دارد. شدت سرمایه فریچ و همکاران(۲۰۰۶) رگرسیون OLS شدت سرمایه بالا موجب کاهش بقا می شود. هلمرز و راجرز(۲۰۱۰) مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل Probit شدت سرمایه ارتباط معنی داری با بقا ندارد. مدهوشی و نصیری(۱۳۸۸) مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox شدت سرمایه ارتباط معنی داری با بقا ندارد.

ادامه ی جدول ۲-۱- خلاصه تحقیقات انجام شده پیشین

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

متغیر نویسنده روش تجزیه و تحلیل نتایج متغیرهای سطح صنعت نرخ رشد صنعت آلوارز و ورگارا(۲۰۱۲) مدل Probit شرکت های کوچک و متوسط رشد فروش بالاتری نسبت به شرکت های بزرگتر دارند. بگز و همکاران(۲۰۰۸) مدل Tobit و رگرسیون OLS رشد فروش بالا بقا را افزایش می‌دهد. اسجوکویست و

 

کریستی(۲۰۱۲)

مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox رشد سریع و توسعه یک شرکت جدید شانس بقای آن را افزایش می‌دهد. محسن عرب نجف آبادی (۱۳۹۰) مدل Probit بین رشد صنعت و بقا رابطه ی مثبتی وجود دارد. بهشتی، ناصر صنوبر و فرزانه کجاباد (۱۳۸۸) رگرسیون OLS از موانع عمده برای تولد بنگاه های جدید، عدم کارایی بازار پول و سرمایه کشور جهت تأمین بنگاه ها برای شروع فعالیت می‌باشد. همچنین رشد و سودآوری صنعت به ‌عنوان یک عامل جذب کننده بنگاه های جدید در بخش صنعت ایران عمل می‌کند.

 

 

فصل سوم

 

روش شناسی تحقیق

 

۳-۱- مقدمه

 

تجزیه و تحلیل بقاء یا تحلیل ماندگاری یکی از مباحث علم آمار است که در رشته‌های مختلفی از جمله علوم کامپیوتر، اپیدومیولوژی و کشاورزی کاربرد دارد. تجزیه و تحلیل داده های بقاء یک تکنیک آماری پیشرفته در تجزیه و تحلیل داده های مربوط به زمان وقوع حوادثی چون مرگ می‌باشد.بر اساس تئوری های این بخش از آمار، برای هر موجود زنده (یا در حال انجام یک فرایند کاری) می توان زمان شکست (مرگ) در نظر گرفت. در تحلیل داده های بقاء، احتمال مرگ در هر لحظه از زندگی موجود زنده و تابع بقاء او محاسبه می شود. مدل های طول عمر، کاپلان مایر و رگرسیون کوکس دارای بیشترین کاربرد در این زمینه می‌باشند (یوسف نژاد و همکاران، ۱۳۹۰).

 

تجزیه و تحلیل بقاء اولین بار توسط جان گرانت[۶۶] در سال ۱۶۶۲ و همچنین ستاره شناس معروف، ادموند هالی[۶۷] کاشف ستاره دنباله دار هالی، در قرن ۱۷ و در سال ۱۶۹۳ انجام شده است (پوربهرام ‌آب‌کنار، ۱۳۸۳). ارتقاء روش های تحلیل داده های بقا به عنوان یکی از حوزه های علم آمار در سال های اخیر بسیار مورد توجه قرار گرفته است. این بدان خاطر است که در بسیاری از موقعیت های عملی، محققین تمایل به بررسی زمان بقا تا رخداد یک واقعه از قبیل تاریخ انقضا یک ماده یا زمان مرگ یک بیمار و … دارند (رجایی فرد و همکاران، ۱۳۸۸).

 

معمولاً تحلیل بقاء در زمانی انجام می شود که پیشامد مورد نظر ‌در مورد تعدادی از واحدها رخ نداده است که این واحدها مقادیر سانسور شده را تشکیل می‌دهند، زیرا قادر به ثبت وضعیت نهایی آن ها نیستیم. در حقیقت وجود این مقادیر سانسور شده است که روش های تحلیل بقاء را از سایر روش های تحلیل متمایز می‌کند (پور بهرام ‌آب‌کنار،۱۳۹۰).

 

به صورت کلی سه روش تحلیل آماری در مطالعات بقا وجود دارد: روش های پارامتریک، ناپارامتریک و نیمه پارامتریک. در این فصل در ابتدا ‌در مورد داده های تاریخچه ای- رویدادی توضیحاتی داده می شود، سپس به معرفی نرم افزار TDA می پردازیم، و در نهایت سه روش تحلیل آماری پارامتریک، ناپارامتریک و نیمه پارامتریک مورد بررسی قرار گرفته و روش های مورد استفاده در این تحقیق تشریح می‌شوند.

 

۳-۲- متدلوژی تجزیه و تحلیل داده های تاریخچه ای- رخدادی

 

این نوع داده ها اغلب مناسب‌ترین نوع اطلاعات تجربی هستند که محقق می‌تواند راجع به یک فرایند مورد مطالعه به دست آورد. کولمن[۶۸](۱۹۸۱) این نوع فرآیندها را به شکل زیر توصیف ‌کرده‌است:

 

    1. در آن ها واحدهایی وجود دارند که از وضعیتی[۶۹] به وضعیت دیگر تغییر می‌کنند.

 

    1. این تغییرات یا رخدادها[۷۰] در هر نقطه از زمان می‌توانند رخ دهند.

 

“

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...