• ارزش منابع انسانی با بازده سهام رابطه دارد.

• سرانه ارزش منابع انسانی موجود با بازده سهام رابطه دارد.

• نرخ رشد ارزش منابع انسانی با بازده سهام رابطه دارد.

• ارزش منابع انسانی با بهره وری رابطه دارد.

• سرانه ارزش منابع انسانی با بهره وری رابطه دارد.

• بهره وری با بازده سهام رابطه دارد.

۳-۱۰- تجزیه و تحلیل داده ­ها
برای تجزیه و تحلیل داده ­های تحقیق و آزمون فرضیات تحقیق از روش­های آماری به دو شکل توصیفی و استنباطی استفاده شده است که در ابتدا با بهره گرفتن از آمار توصیفی به تبیین و توصیف ویژگی­های جمعیت شناختی داده ­ها پرداخته می­ شود و سپس برای برآورد پارامترها و بررسی آزمون فرضیات تحقیق از روش داده ­های ترکیبی ^[۷۰]استفاده می­ شود. همچنین از نرم افزارهای EViews برای آزمون فرضیات و استخراج مدل رگرسیون استفاده شد.

۳-۱۰-۱- بررسی ساختار داده ­های ترکیبی و انواع مدل­های آن
در این تحقیق، با توجه به نوع داده ­ها و روش­های تجزیه و تحلیل آماری موجود، از روش داده ­های ترکیبی برای برآورد پارامترهای الگو و بررسی آزمون فرضیه ها استفاده شده است. زیرا، ارزش کمی متغیرهای مستقل و وابسته از یک سو، مربوط به صنایع و شرکت­های مختلف بوده و از سوی دیگر، دوره­ زمانی ۱۳۹۲-۱۳۸۸ را در بر می­گیرد. در چنین حالتی برای حصول نتایج منطقی­­­، از روش داده ­های ترکیبی استفاده می­ شود. در تحقیقات، در استفاده از روش­های سری زمانی^[۷۱] و روش برش مقطعی^[۷۲]، متغیرها و ارتباط آن­ها به ترتیب در میان مقاطع(کشور، شرکت یا افراد) و یا در طول زمان بررسی می­ شود. اما در مدل­های داده ­های ترکیبی یا تابلویی، ارزش متغیرها هم در مقاطع جامعه­ آماری و هم در طول زمان اندازه ­گیری می­ شود (اشرف­زاده و مهرگان، ۱۳۸۷).
اگر ویژگی­های داده ­های مقطعی برای دو سال یا بیشتر مورد بررسی قرار گیرد، ساختار شکل گرفته مشاهدات، مجموعه­ داده­­های ترکیبی یا طولی ^[۷۳]نامیده می­ شود (نمازی و کرمانی، ۱۳۸۷).
روش داده ­های ترکیبی که به روش داده ­های مقطعی - سری زمانی ^[۷۴]نیز معروف است، به شکل­های مختلف انجام شده و مدل­های متنوعی دارد که با توجه به شرایط تحقیق از یکی از آن­ها استفاده می­ شود.
استفاده از روش داده ­های ترکیبی، روش پرطرفداری در بین محققان علوم رفتاری است. زیرا، در این روش به آمار و اطلاعات زیادی نیاز نیست. در عین حال به سوالات زیادی به درستی پاسخ می­دهد (گجراتی، ۱۳۸۲). از دیگر مزیت­های این روش این است که با بهره گرفتن از آن پویایی متغیرها در طول زمان قابل برآورد است. در حالی که مطالعات مقطعی به دلیل لحاظ نکردن زمان در برآوردها، این موضوع میسر نیست (زراءنژاد و انواری، ۱۳۸۴).
یکی از مهم­ترین مشکلات بررسی­های تجربی در تورش ناشی از متغیرهای حذف شده یا تخمین زده نشده در برآوردها است. به این دلیل تحلیل هایی که براساس این قبیل مشاهدات صورت می­گیرد، اغلب با واقعیات منطبق نیست. بر این اساس، با بهره گرفتن از مدل داده ­های ترکیبی می­توان به تخمین­های کارا دست یافت. شکل کلی مدل داده ­های ترکیبی که به مدل اجزاء خطا ^[۷۵]معروف است، به صورت زیر است (دو قارتی^[۷۶]، ۲۰۰۴ص۳)
در رابطه فوق Y نشان دهنده متغیر وابسته،‌ X متغیرهای توضیحی مشاهده شده و Z نشان دهنده متغیرهای توضیحی غیرقابل مشاهده اثر گذار بر متغیر وابسته برای هر مقطع است که برای توضیح بهتر مدل داده ­های ترکیبی، این دسته از متغیرها از مقادیر اجزاء خطا جدا شده است. نماد i نشان دهنده مقطع­ها یا واحدهای مشاهده شده، t نشان دهنده دوره زمانی،‌ p و j به ترتیب نشان­دهنده تعداد متغیرهای مشاهده شده و مشاهده نشده در مدل است. متغیر  نشانگر خطای برآورد داده ­های ترکیبی است که تمام شرایط مربوط به جملات خطا تحت فرضیات گوس مارکف^[۷۷] را داراست. جمله روند نشان دهنده تغییرات جمله ثابت در طول زمان است. این مدل به مدل داده ­های ترکیبی دو طرفه معروف است. به عبارتی دیگر، اگر جمله ثابت با روند تغییر کند، روش داده ­های ترکیبی دو طرفه است و اگر جمله روند در مدل نباشد، این مدل به مدل تجزیه و تحلیل داده ­های ترکیبی یک طرفه معروف است. همچنین، در صورت ثابت بودن تغییرات در طول زمان، می­توان به جای جمله روند متفاوت برای هر مقطع از متغیرهای مجازی استفاده کرد. به این مدل، مدل حداقل مربعات متغیرهای مجازی گفته می­ شود.

از آنجا که مقادیر متغیرهای (z) قابل اندازه ­گیری نیستند، می­توان مجموعه همه آنها را به صورت یک متغیر  نشان داد که در این صورت معادله بالا را می­توان به صورت زیر بازنویسی کرد:

که در آن  مجموع تمامی متغیرهای اثرگذار بر متغیر مورد بررسی است که قابل اندازه ­گیری نیستند.
اگر  با هر کدام از متغیرهای توضیحی دیگر X همبسته باشد، برآورد و تحلیل از طریق این معادله، دارای تورش مربوط به متغیرهای برآورد نشده خواهد بود. حتی اگر اثر متغیرهای مشاهده نشده به هیچ کدام از متغیرهای توضیحی وابسته نباشد، وجود این متغیرها منجر به برآوردهای ناکارا و ناسازگار خطای تخمین خواهد شد. اما با بهره گرفتن از روشهایی در تخمین­های داده ­های ترکیبی سری­زمانی- مقطعی مانند مدل اثر ثابت و مدل اثر تصادفی که در ادامه به توضیح آنها می­پردازیم، این مشکل وجود نخواهد داشت. چنانچه کل داده ­ها با یکدیگر ترکیب و با روش حداقل مربعات معمولی تخمین زده شود مدل داده ­های ادغام شده به دست می ­آید. به عبارتی دیگر، در بررسی داده ­های مقطعی و سری ها زمانی، اگر ضرایب اثر مقطعی و اثر زمانی معنی­دار نشود، می­توان تمامی داده ­ها را با یکدیگر ترکیب، به وسیله یک رگرسیون حداقل مربعات معمولی تخمین بزنیم. از این روش همچنین در رگرسیون­هایی استفاده می­ شود که کلیه متغیرها قابل کنترل و اندازه ­گیری باشد. این مدل در شکل زیر نشان داده شده است:‌
Y
X

نمودار ۳-۱:‌ رگرسیون برآوردی از کل داده ­ها با یک ضریب ثابت مشابه برای تمامی مقطع­ها
با توجه به نمودار (۱-۳) کلیه متغیرها به صورت یک مدل حداقل مربعات معمولی برآورد می­گردد.
معادله این مدل به صورت زیر است:
در رابطه فوق  عرض از مبدا،  شیب رگرسیون، i نشان دهنده مقطع، t نشانگر دوره زمانی، متغیر مستقل مربوط به مقطع i و زمان t و نشان دهنده متغیر وابسته مربوط به مقطع i و زمان t ،‌  خطای رگرسیون است. همان­طور که در نمودار و معادله اخیر نشان داده شده است‌، در این روش از اطلاعات مربوط به داده ­های ترکیبی استفاده نشده است و کلیه متغیرها که قابل اندازه ­گیری و مشاهده بوده است، با روش حداقل مربعات معمولی تخمین زده شده است (یافی^[۷۸]، ۲۰۰۳). در حالی که در مدل داده ­های ترکیبی مطابق با نمودار زیر برای هر مقطع یک رگرسیون جداگانه وجود دارد:‌

Y

X
نمودار ۳-۲: مدل داده ­های ترکیبی به روش پنل
این رگرسیون­ها را با بهره گرفتن از دو روش اثر ثابت و اثر تصادفی می­توان برآورد کرد. این دو روش داده ­های ترکیبی را در زیر توضیح می­دهیم (زراءنژاد و انواری، ۱۳۸۴).
۳-۱۰-۲- مدل­های مختلف
استفاده از روش داده ­های مقطعی ممکن است با مشکلات عدم­ کارایی و ناسازگاری تخمین مدل­ها همراه باشد. مشکلات مزبور در تخمین مدل­ها به روش داده ­های ترکیبی و با بهره گرفتن از روش هایی مانند مدل اثر ثابت^[۷۹]، مدل اثر تصادفی^[۸۰]، مدل رگرسیون به ظاهر نامرتبط^[۸۱] و مدل داده ­های یکپارچه شده^[۸۲]، وجود نخواهد داشت. در بررسی داده ­های مقطعی و سری زمانی، اگر ضریب اثرات مقطعی و اثر زمانی معنی­دار نشود، می­توان تمامی داده ­ها را با یکدیگر ترکیب کرده و بوسیله رگرسیون حداقل مربعات معمولی^[۸۳] تخمین زد. به این روش، داده ­های تلفیق شده نیز می­گویند. مدل­های اثر ثابت و اثر تصادفی به سبب اهمیت، در این قسمت به اختصار توضیح داده می­شوند:
۳-۲-۱۰-۱ - مدل اثر ثابت
در مدل اثر ثابت، شیب رگرسیون در هر مقطع ثابت است و جمله­ ثابت از مقطعی به مقطع دیگر متفاوت است. هر چند اثر زمانی معنی­دار نیست، اما اختلاف معنی­داری میان مقطع­ها وجود دارد و ضرایب مقطع­ها با زمان تغییر نمی­کند. یکی از روش­های نشان دادن اثر مقطعی استفاده از متغیر­های مجازی است. شکل کلی این مدل به صورت زیر است:

در این رابطه،  نشان دهنده ی برداری از متغیر های مستقل،  متغیر مجازی برای نشان دادن اثر مقطعی،  برداری از متغیرهای وابسته و  جملات خطای معادله است. در مدل­های اثر ثابت که شیب ثابت دارند، فرض می­ شود که واریانس خطاها در مقطع و همچنین، بین مقاطع همسان است و خود همبستگی بین اجزای خطای آن وجود نداشته باشد. به بیان دیگر، برای هر  و  رابطه­ زیر برقرار است (اشرف­زاده و مهرگان، ۱۳۸۷؛ زراءنژاد و انواری، ۱۳۸۴).

۳-۲-۱۰-۲- مدل اثر تصادفی
در مدل­ اثر ثابت، برای دست­یابی به تخمین­های کارا از روش حذف متغیر­های غیر قابل اندازه ­گیری اثر­گذار در مدل استفاده می­ شود. به کارگیری این روش موجب حذف بسیاری از متغیرهای اثر­گذار در رگرسیون داده ­های ترکیبی می­ شود. به این دلیل می­توان با وارد کردن این متغیرها در اجزای خطا، به روش مدل اثر تصادفی این مشکل را حل کرد. اولین شرط برای استفاده از مدل اثر تصادفی این است که متغیر­ها به صورت تصادفی انتخاب شده باشند. مدل این روش، با بهره گرفتن از روش حداقل مربعات تعمیم یافته ^[۸۴]به صورت زیر برآورد می­ شود:

که در این رابطه θ به­ صورت زیر تعریف می­ شود:

در رابطه مزبور اگر  باشد، در این صورت تخمین مدل با بهره گرفتن از روش اثر تصادفی به تخمین با روش اثر ثابت تبدیل می­ شود و اگر  باشد، تخمین مدل با روش اثر تصادفی به تخمین با بهره گرفتن از مدل داده ­های تلفیق شده و برآورد حداقل مربعات معمولی تبدیل می­ شود (اشرف­زاده و مهرگان، ۱۳۸۷؛ زراءنژاد و انواری، ۱۳۸۴).
۳-۱۰-۳- آزمون­های تشخیص در داده ­های ترکیبی
برای تعیین مدل مورد استفاده در داده ­های ترکیبی از آزمون­های مختلفی به شرح زیر استفاده می­ شود: