فرضیه مبنی بر استفاده از روش اثرات تصادفی رد می‌شود.

با توجه به جدول زیر چون سطح معنی داری آزمون کمتر از ۰۵/۰ است فرض صفر رد می‌شود. بنابراین برای برآورد مدل از روش اثرات ثابت استفاده میشود.
۴-۳-۱-۴- آزمون F فرضیه اول
اطلاعات مربوط به ضریب تعیین، ضریب تعیین تعدیل شده و آزمون دوربین- واتسون برای بررسی عدم وجود همبستگی بین دادههای مدل در جدول شماره (۴-۷) ارائه شده است.
جدول (۴-۷): خلاصه مدل

اما مهم‌ترین هدف این جدول، ارائه آماره‌ای برای اندازه‌گیری نیکویی برازش است که این کار بهوسیله ضریب تعیین انجام می‌گردد. ضریب تعیین، معیاری برای سنجش شدت رابطه بین x و y می‌باشد که مقدار آن در مدل بامحدودیت و بدون محدودیت به ترتیب ۴۲۱۵/۰ و ۴۸۵۲/۰ است. یعنی ضریب تعیین قادر است ۴۲ درصد در مدل بامحدودیت و ۴۸ درصد در مدل بدون محدودیت از تغییرات متغیر وابسته (تامین مالی خارجی شرکت) را توضیح دهد. همبستگی متوالی بین باقیمانده‌ها بهمعنای اثرگذاری مشاهدات بر هم است. با توجه به مقدار آماره‌ی دوربین – واتسون برای مدل با محدودیت و بدون محدودیت به ترتیب(۸۳۲/۱) و (۸۰۱/۱) همبستگی متوالی بین داده‌ها وجود ندارد و رفتاری مستقل از هم دارند و خطاهاهای موجود مستقل از هم هستند (آزمون استقلال خطا).
۴-۳-۱-۵- تحلیل نتایج اولین مدل رگرسیون(نرمال بودن اجزای خطا)
ابتدا قبل از هر چیز برای اینکه بتوانیم از تحلیل رگرسیونی استفاده کرده و به نتایج تحقیق باور داشته باشیم باید بررسی کنیم که آیا دادههای ما نرمال هستند یا خیر؟ برای آزمون نرمالیتی (نرمال بودن باقیماندهها) از آزمون جارک- برا استفاده شده است. این آزمون، یکی از مهمترین آزمون هایی است که برای بررسی نرمال بودن اجزای اخلال رگرسیون به کار می رود. آماره JB به صورت مجانبی از توزیع کای دو پیروی میکند. اگر باقیماندههای حاصل از مدل، به صورت معناداری چوله، کشیده و یا پهن باشند، فرضیه صفر مبنی بر نرمال بودن توزیع اجزای اخلال رد میشود. با توجه به نرمال نبودن باقیماندهها، با توجه به اینکه فرض زیربنایی استفاده از رگرسیون، نرمال بوده باقیماندهها میباشد، مقادیر پرت کنار گذاشته شد و تحلیل رگرسیون بر روی این دادهها صورت پذیرفت. جدول ۴-۸ و ۴-۹ نتایج این آزمون را نشان میدهد.