Trong ứng dụng dữ liệu bảng, khi sử dụng hồi quy Fama và MacBeth thì thích hợp hơn mô hình hiệu ứng cố định hay ngẫu nhiên? nghĩ


1

Khi thảo luận về dữ liệu bảng, nhiều sách kinh tế lượng, thông thường, chỉ tập trung vào mô hình hiệu ứng cố định hoặc ngẫu nhiên như là phương tiện ước tính hồi quy cho dữ liệu bảng. Mặc dù xu hướng này tôi đã thấy nhiều bài báo sử dụng hồi quy Fama và MacBeth cho mục đích này, một cách tiếp cận trước đây tôi nghĩ rằng ứng dụng của nó bị hạn chế đối với các mô hình định giá tài sản như CAPM. Bây giờ câu hỏi của tôi là: trong ứng dụng dữ liệu bảng, khi sử dụng hồi quy Fama và MacBeth thì thích hợp hơn mô hình hiệu ứng cố định hay ngẫu nhiên? Có một thử nghiệm thống kê làm sáng tỏ vấn đề này? Một câu hỏi khác là: trong hồi quy Fama và MacBeth, các cá nhân được nghiên cứu có thể khác nhau trong các khoảng thời gian khác nhau không? Nó sẽ rất tốt với bạn, nếu bạn hướng dẫn tôi qua một liên kết hoặc cuốn sách liên quan đến chủ đề này?


1
Bạn có thể gửi một liên kết đến một ví dụ về việc sử dụng hồi quy Fama-Macbeth theo cách bạn đang nói không?
jmbejara

@jmbejara, trong liên kết sau bạn có thể tìm thấy một bài báo có tiêu đề về Do Do lợi nhuận cực kỳ quan trọng ở các thị trường mới nổi? Bằng chứng từ thị trường chứng khoán Trung Quốc đã sử dụng hồi quy Fama và MacBeth. scazedirect.com/science/article/pii/S0378426616302588
Soroush Kalantari

Câu trả lời:


1

Tôi không thể trả lời chính xác câu hỏi của bạn vì tôi không biết chính xác hồi quy nào bạn muốn thực hiện như @jmbejara nói và những giấy tờ nào bạn đề cập đến sử dụng hồi quy Fama-MacBeth. Họ về tài chính hay văn học khác? Tôi chưa thấy Fama-MacBeth trên các nền văn học khác (tôi không theo dõi bất kỳ tài liệu nào khác để chính xác), vì vậy xin vui lòng gửi các bài báo. Rõ ràng, nếu trong các nền văn học khác, người ta có thể biện minh cho sự tương tự của khái niệm rủi ro tiền đề, Fama-MacBeth cũng có thể được áp dụng ở đó.

Tôi trả lời ba câu hỏi chính của bạn ngược lại.

3. Sẽ rất tốt với bạn, nếu bạn hướng dẫn tôi qua một liên kết hoặc cuốn sách liên quan đến chủ đề này?

Nếu bạn quan tâm đến dữ liệu bảng tài chính, có rất nhiều nguồn để tham khảo. Một số thì:

2. Trong hồi quy Fama và MacBeth, các cá nhân được nghiên cứu có thể khác nhau trong các khoảng thời gian khác nhau không?

Vâng, và đây là một trong những lý do mà Fama-MacBeth hấp dẫn, vì bạn có thể chạy nó trên các bộ dữ liệu bảng điều khiển không cân bằng. Trong một bảng cân bằng, mỗi cá nhân có dữ liệu cho cùng / mỗi khoảng thời gian, trong khi ở trạng thái không cân bằng thì đây không phải là một yêu cầu.

1. Trong ứng dụng dữ liệu bảng, khi sử dụng hồi quy Fama và MacBeth thích hợp hơn mô hình hiệu ứng cố định hay ngẫu nhiên? Có một thử nghiệm thống kê làm sáng tỏ vấn đề này?

Thông thường, trong tài chính, một hiệu ứng cố định liên quan đến hiệu ứng vững chắc (giả cho các công ty), trong khi Fama-MacBeth được thiết kế để tính đến hiệu ứng thời gian (Petersen (2008)). Hiệu ứng ngẫu nhiên hiếm khi được sử dụng trong tài liệu tài chính (Petersen (2008)). Như ông nói: "Khi phần dư của hồi quy bảng tương quan, không chỉ ước tính sai số chuẩn OLS bị sai lệch mà cả ước tính hệ số không hiệu quả (ước tính không khai thác tất cả thông tin trong dữ liệu). Các nhà nghiên cứu có thể cải thiện hiệu quả bằng cách ước tính hiệu ứng ngẫu nhiên mô hình sử dụng phương pháp GLS. "

Tóm lại:

  • Tôi thấy Fama-MacBeth hấp dẫn khi tính toán các hiệu ứng thời gian (ví dụ, thật dễ dàng để tính các betas thay đổi theo thời gian)
  • nó có trực giác dễ dàng cho các tài liệu tài chính, và
  • nó có thể được áp dụng cho các bảng không cân bằng.

Mọi người sử dụng thử nghiệm Hausman để quyết định giữa các mô hình hiệu ứng cố định / ngẫu nhiên, nhưng tôi thấy trực giác và sự biện minh của việc lựa chọn mô hình phù hợp phù hợp hơn. Tôi không biết về một thử nghiệm cụ thể bao gồm Fama-MacBeth nhưng tôi không phải là một chuyên gia trong lĩnh vực này.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.