کاهش متغیرها

این مقاله مدلی تلفیقی از تحلیل پوششی داده ها (DEA) و تحلیل مولفه های اصلی (PCA) در جهت کاهش ابعادی مجموعه داده ها ارائه می دهد. روش تحلیل پوششی داده ها به عنوان ابزاری موثر برای ارزیابی و الگوبرداری بکار گرفته شده است. در این روش برای افزایش قدرت تمایز بین واحدهای کارا و ناکارا بایستی تعداد واحدهای مورد ارزیابی متناسب با تعداد متغیرهای ورودی و خروجی باشد. برای رفع این ضعف ابتدا به جای متغیرهای اصلی از نسبت تک خروجی به تک ورودی استفاده شده است و با استفاده از روش تحلیل مولفه های اصلی کاهش بعد انجام می شود. مولفه های اصلی انتخاب شده به عنوان ورودی های مدل تحلیل پوششی داده ها استفاده و تحلیل می شوند. تفاوت اصلی روش ارائه شده در مقاله بکارگیری برخی نقاط قوت مدل های ارائه شده این حوزه در قالب یک روش و چندهدفه ساختن مدل DEA جهت تسهیل در محاسبات است. این روش برای رتبه بندی عملکرد شعبه¬های یکی از بانک های ایران استفاده شده است.

هدف این پژوهش، بررسی سودمندی روش های مختلف کاهش )انتخاب و استخراج( متغیرها در پیش بینیبازده سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. در این راستا، با بررسی پیشینهپژوهش، 52 متغیر اولیه که بیشتر در ادبیات استفاده و داده های مورد نیاز برای سنجش آنها در دسترسبود، جستجو و با استفاده از روش انتخاب متغیر ریلیف و روش استخراج متغیر تحلیل عاملی، متغیرهای بهینهاز بین متغیرهای اولیه، انتخاب یا استخراج شد. در ادامه، با استفاده از 52 متغیر اولیه و همچنین با متغیرهایانتخاب یا استخراج شده در روش های مزبور به پیش بینی بازده سهام 101 شرکت پذیرفته شده در بورساوراق بهادار تهران در بازه زمانی 1383 الی 1392 پرداخته شده است. به منظور پیش بینی نیز از رگرسیونغیرخطی درخت تصمیم و رگرسیون خطی استفاده شده است. یافتههای تجربی این پژوهش حاکی ازسودمندی هر دو روش کاهش متغیر )نسبت به استفاده از 52 متغیر اولیه(، سودمندی بیشتر روش ریلیفنسبت به تحلیل عاملی و همچنین عملکرد بهتر درخت تصمیم نسبت به رگرسیون خطی است