تنظیم رگرسیون اختلاف در اختلاف با چند فریم زمانی

من می خواهم به منظور تفسیر تأثیر فعالیتهای ESG بر عملکرد سهام در بازه های مختلف در بازه های مختلف در طول سال 2020 و همه گیر Covid-19 ، یک رگرسیون تفاوت در اختلاف ایجاد کنم.

من یک عملکرد رگرسیون گسترده را بر اساس یک مدل مورد استفاده در آلبوقرک ET تنظیم کردم. AL (2020) ، اما من مطمئن نیستم که مشخصات من از نظر آماری صحیح است و نحوه تفسیر ضرایب حاصل:

برای مقاله اینجا را ببینید.

عملکرد رگرسیون گسترده من در زیر است:

D (High-ESG): ساختگی نشان می دهد ، آیا یک شرکت دارای فعالیت های ESG بالایی است

D (پس از کاوید): آدمک نشانگر ، اینکه آیا بازه زمانی شماره 1 را رعایت می کنیم (بیایید بگوییم: 18 فوریه-18 مارس)

D (پس از مالی 1) ساختگی نشان می دهد ، آیا ما بازه زمانی شماره 2 را رعایت می کنیم (بیایید بگوییم: 19 مارس-30 مارس)

D (پس از مالی 2) ساختگی نشان می دهد ، آیا ما بازه زمانی شماره 3 را رعایت می کنیم (بیایید بگوییم: 1 آوریل-30 آوریل)

آیا این تنظیم مدل از نظر آماری صحیح است؟

اگر بله ، آیا من می توانم با نگاه کردن به ضرایب در شرایط تعامل ، تأثیر فعالیتهای ESG را در بازه های زمانی فردی مشاهده کنم؟یا آیا آنها در مورد اثر تجمعی چیزی می گویند؟

با توجه به بازه های زمانی: آیا من باید تا 30 آوریل بازارهای زمانی خود را گسترش دهم؟اینگونه است که آنها این کار را در مقاله انجام می دهند. چگونه این تعبیر من از ضرایب را تغییر می دهد؟

آیا شامل اثرات ثابت زمان و محکم است؟

هر کمکی بسیار قابل تقدیر است!

با تشکر فراوان و سلام از کلن!

اول از همه ، با تشکر از کمک عالی - بسیار قدردانی می شود!

من هنوز چند سؤال در مورد مدلهای مربوطه و تفسیر ضریب آنها دارم:

با فرض اینکه تصمیم می گیرم مدل خود را همانطور که در دوره های پس از درمان با هم همپوشانی و "روشن کردن" در نقاط مختلف و "ماندن در" تا پایان پانل من پیشنهاد می کنم ، مشخص کنم. مشابه نویسندگان در مقاله من دوره های زمان خود را به شرح زیر گسترش می دهم و یک شوک مالی دیگر اضافه می کنم:

• دوره Covid Epoch: 24 فوریه - 30 مه
• پست پاسخ مالی 1: 18 مارس - 30 مه
• پست پاسخ مالی 2: 27 مارس - 30 مه

من این کار را انجام می دهم زیرا انتظار دارم که همه شوک ها پایدار باشند ، که فکر می کنم منطقی است ، زیرا سیاست های مالی در پاسخ به همه گیر معرفی شده است. همانطور که شما گفتید این تنظیمات برای شوک های سیاست کنترل می کند و به من می دهد تا از تأثیر فعالیتهای ESG بر عملکرد سهام در COVID-19 استفاده کنم. اما این از نظر ضرایب به چه معنی است و کدام یک از بازه های زمانی دقیق در طول Covid-19 منظور شده است؟

با فرض رگرسیون من منجر به جدول زیر خواهد شد ، مشابه با مقاله در مقاله ، اما با یک دوره بعد از درمان دیگر:

شرایط تعامل	ضرایب (𝛿)
(𝑇𝑖 × 𝑃𝐶𝑡)	0. 453
(𝑇𝑖 × 𝑃𝑓1𝑡)	-0. 568
(𝑇𝑖 × 𝑃𝑓2𝑡)	-0. 748

سوالات خاص من:

1. ضریب (𝑇𝑖 × 𝑃𝐶𝑡): همانطور که گفتید این اصطلاح تعامل اثر علیت سیاستهای ESG بر عملکرد سهام در طول بحران را ضبط می کند ، اما چه زمانی دقیق در طول بحران منظور شده است: نویسندگان این ضریب را به عنوان "بالا" تفسیر می کنند. بنگاههای دارای امتیاز متوسط بازده روزانه 0. 453 ٪ نسبت به سایر بنگاهها از 24 فوریه تا 17 مارس ، برای اثر تجمعی 7. 2 ٪ (0. 453 ٪ x 16) "کسب می کنند. حتی اگر دوره واقعی پس از کاوی آنها (و سایر دوره های دیگر) در تاریخ 30 ماه مه به پایان برسد ، آنها این تفسیر را انجام می دهند:

• آیا این بازه زمانی خاص توسط COVID-19 منظور می شود و آیا ضریب +0. 453 فقط در مورد تأثیر روزهای بین 24 فوریه-17 مارس چیزی را برای ما تعریف می کند؟
• یا همچنین می توان اظهار داشت که: "شرکت های دارای درجه یک ESG متوسط بازده روزانه 0. 453 ٪ نسبت به سایر بنگاه ها از 24 فوریه تا 30 مه ، برای اثر تجمعی x ٪ (0. 453 ٪ x y روز) کسب می کنند؟
• دلیل این که نویسندگان فقط این قاب "کوتاه" را تفسیر می کنند چیست؟آیا این امر به این دلیل است که آنها فقط به تأثیر ESG بر عملکرد سهام در این بازه زمانی کوتاه علاقه مند هستند ، زیرا اولین پاسخ مالی در 18 مارس آغاز شد؟

1. ضریب (𝑇𝑖 × 1 𝑃𝑓): چگونه این ضریب تفسیر می شود؟شما گفتید که این به من می گوید که آیا تأثیر ES در بازده سهام در پاسخ به سیاست مالی کاهش می یابد یا خیر. اما در چه نقطه دقیقی از زمان و چگونگی تفسیر آن ضریب با اعداد واقعی؟

• آیا این چیزی شبیه است: "تأثیر مثبت سیاستهای ESG بر عملکرد سهام (0. 453 ٪ در روز پس از 24 فوریه تا زمانی که؟) به طور روزان ه-0. 568 ٪ کاهش می یابد پس از 18 مارس تا زمان پاسخ به اولین مداخله مالی؟
• من می خواهم ارتباط بین ضریب و نحوه تفسیر آنها را با استفاده از اعداد واقعی درک کنم. آیا می توانم آنها را اضافه کنم؟این ضریب برای کدام چهارچوب زمان دقیق است؟

1. ضریب (𝑇𝑖 × 𝑃𝑓2𝑡): مشابه سوال 2) فقط با بازه های زمانی مختلف.

برای نتیجه گیری ، من خوشحال می شوم اگر می توانید توضیح دهید که چگونه می توانید ضرایب را تفسیر کنید ، به ویژه برای آن زمان هایی که آنها را حساب می کنند. تعیین دوره ها و تفسیر مربوط به آنها از ضرایب بسیار جذاب خواهد بود.

باز هم ، از حمایت شما بسیار سپاسگزارم - این واقعاً مفید است!

فقط برای من که مطمئن باشم و برای اهداف شفاف سازی می خواهم یافته های آدرس داده شده و مدل مشخص شده خود را خلاصه کنم - شاید شما بتوانید اعتبار را بررسی کنید و به سؤالات اضافی من پاسخ دهید. من هنوز رگرسیون را اجرا نکرده ام ، بنابراین نتایج من داستانی است ، اما باید برای تفسیر کافی باشد:

من قصد دارم معادله زیر را تخمین بزنم:

$ $ p_ = \ gamma_i + \ lambda_t + \ eta t_i + p^_ + p^_ + p^_ + \ delta_1 (t_i \ times p^_) + \ delta_2 (t_i \ times p^_) + \ delta_3(T_i \ Times P^_) + \ Epsilon_ ، $ $

در جایی که عملکرد سهام (به عنوان مثال ، نوسانات بازده) برای شرکت $ I $ در روز $ t $ در سه ماهه اول و دوم سال 2020 مشاهده می شود. واد$ t_i $ یک ساختگی درمانی است که در صورتی که یک شرکت ES بالا باشد ، در غیر این صورت برابر 1 برای شرکت I $ است. شاخص های پس از درمان دوره های مختلف پس از درمان را نشان می دهد. به عنوان مثال ، $ p^_ $ بدون توجه به وضعیت گروهی یک شرکت ، به نشان می دهد که شوک فوری Covid-19 را نشان می دهد. برای خاص بودن:

• $ p^_ $ برابر است 1 در همه بنگاه ها از 24 فوریه تا 30 مه 2020 ، در غیر این صورت
• $ p^_ $ برابر است 1 در همه بنگاه ها از 18 مارس تا 30 مه 2020 ، در غیر این صورت
• $ p^_ $ برابر است 1 در همه بنگاه ها از 27 مارس تا 30 مه 2020 ، در غیر این صورت

توجه داشته باشید که $ p^_ $ و $ p^_ $ تا حدی با نشانگر پس از پوشاک $ p^_ $ به منظور کنترل دو رویداد بعدی همپوشانی دارند (اولین مداخله مالی در 18 مارس معرفی شد و دوم مداخله مالی بودمعرفی 27 مارس). علاوه بر این ، تمام شاخص های پس از درمان "در نقاط مختلف در زمان روشن می شوند ، اما" بمانید "تا 30 ماه مه. این به ما امکان می دهد تا یک شناسایی تمیزتر از اثرات را در بازه های زمانی فردی بدست آوریم.

چارچوب داده های من به نظر می رسد (ساده):

$ $ \ شروع شرکت و روز و t_i & p^_t & p^_t & p^_t \\ \ hline 1 & 1 & 0 & 0 & 0 & 0 \\ 1 & 2 & 2 & 0 & 0 & 0 & 0 \\ 1 & 3 & 0 & 1 & 0 & 0 \\ 1 & 4 & 0 & 1 & 1 & 0 \\ 1 & 5 & 5 & 1 & 1 & 1 \\ 1 & 6 & 0 & 0 & 1 & 1 & 11 \\ \ hline 2 & 1 & 1 & 0 & 0 & 0 \\ 2 & 2 & 1 & 0 & 0 & 0 \\ 2 & 3 & 1 & 1 & 0 & 0 \\ 2 & 4 & 1 & 11 & 1 & 0 \\ 2 & 5 & 1 & 1 & 1 & 1 \\ 2 & 6 & 1 & 1 & 1 & 1 \ \ \ ess $ $ $

اجرای رگرسیون متفاوت در DIFF منجر به تخمین های داستانی زیر می شود:

شرایط تعامل	ضرایب (𝛿)
(𝑇𝑖 × $ p^_ $)	0. 453
(𝑇𝑖 × $ p^_ $	-0. 568
(𝑇𝑖 × $ p^_ $)	-0. 748

(❑این اثری است که در طول شوک اولیه COVID-19، قبل از معرفی هرگونه مداخله مالی و/یا پولی مشاهده شد.

(❑2020. این اثر اضافی در طول دومین پنجره رویداد است که در آن انتظار داریم متوسط بازده شرکت‌های دارای رتبه بالای ESG توسط سیاست مالی تضعیف شود.

(❑2020. این سومین رویداد یک اثر افزوده دارد که به میانگین بازده روزانه پایین‌تر در شرکت‌های دارای رتبه ES بالا نسبت به سایر شرکت‌ها در طول دوره‌های مداخلات سیاست مالی کمک می‌کند.

آیا این تنظیم مدل نهایی و تفسیرهای حاصل از ضرایب در چارچوب زمانی مربوطه خود درست است (هر دو بر اساس بحث قبلی ما هستند)؟

دوره تفسیر من از شاخص پس از درمان $P^_$ (اولین مداخله مالی) از 18 مارس تا 26 مارس بسیار کوتاه است. من این چارچوب زمانی را انتخاب کردم زیرا دومین مداخله مالی قبلاً در 27 مارس معرفی شده بود. خوبه؟

آیا درست می‌گویم/تفسیر می‌کنم: «بازده متوسط در دوره اول فقط تحت تأثیر COVID-19 است؛ میانگین بازدهی در دوره زمانی دوم تحت تأثیر COVID-19 و اولین مداخله مالی است؛ میانگین بازده در دوره سوم تحت تأثیر قرار می‌گیرد. دوره زمانی تحت تأثیر کووید-19 و مداخله مالی اول و مداخله دوم قرار گرفته اند. به همین دلیل است که ما در مورد تأثیر "اضافی" پاسخ مالی بر میانگین بازده شرکت های دارای رتبه بالای ESG صحبت می کنیم؟!

بر اساس سوال قبلی: یا این اثر "اضافی" ESG با رتبه بالا بر بازده متوسط در اولین پاسخ مالی دوم مربوطه است؟

آیا می توانم برای تأثیر کلی ESG بر عملکرد سهام مستقل از دوره زمانی نتیجه گیری کنم؟حدس می‌زنم برای آن به رگرسیون دیگری نیاز دارم، درست است؟

باز هم برای کمک بسیار متشکرم! این بحث به من در درک مدل ها و تفسیر پشت سر آن کمک زیادی می کند. بهترین ها، فابیان

همانطور که پیشنهاد شد، هر دو رگرسیون مورد بحث (با و بدون همپوشانی دوره‌های پس از درمان) را در نرم‌افزار اجرا کردم و می‌خواستم نتایج خود را به اشتراک بگذارم تا یک نمای کلی در مورد رابطه این دو مدل ارائه کنم، و سپس چند سؤال نهایی اضافی از من ارائه شود. سمت. باز هم، بسیار سپاسگزارم برای کمک بزرگ!

همانطور که قبلاً معادله زیر را تخمین زدم:

$ $ p_ = \ gamma_i + \ lambda_t + \ eta t_i + p^_ + p^_ + p^_ + \ delta_1 (t_i \ times p^_) + \ delta_2 (t_i \ times p^_) + \ delta_3(T_i \ Times P^_) + \ Epsilon_ ، $ $

که در آن عملکرد سهام (به عنوان مثال، نوسانات بازده) برای شرکت $i$ در روز $t$ طی سه ماهه اول و دوم سال 2020 مشاهده می شود. پارامترهای $\gamma_i$ و $\lambda_t$ به ترتیب نشان دهنده اثرات ثابت برای شرکت ها و روزها هستند..$T_i$ یک ساختگی درمانی است که برای شرکت $i$ اگر شرکت دارای ES بالا باشد برابر 1 است، در غیر این صورت 0 است. شاخص های پس از درمان دوره های مختلف پس از درمان را نمایه می کنند. برای مثال، $P^_$ برای نشان دادن شوک فوری کووید-19، صرف نظر از وضعیت گروه شرکت، بالا نوشته شده است.

در ادامه دو روش برآورد را ارائه خواهم کرد:

با همپوشانی دوره های پس از درمان:

• $P^_$ برابر است با 1 در همه شرکتها از 24 فوریه تا 30 ژوئن 2020، 0 در غیر این صورت
• $P^_$ برابر است با 1 در همه شرکت ها از 18 مارس تا 30 ژوئن 2020، 0 در غیر این صورت
• $P^_$ برابر است با 1 در همه شرکت‌ها از 27 مارس تا 30 ژوئن 2020، 0 در غیر این صورت

توجه داشته باشید که $P^_$ و $P^_$ تا حدی با نشانگر پس از COVID-COVID $P^_$ همپوشانی دارند تا دو رویداد بعدی را کنترل کنند (اولین مداخله مالی در 18 مارس معرفی شد و مداخله مالی دوم27 مارس معرفی شد). علاوه بر این، همه شاخص‌های پس از درمان در مقاطع زمانی مختلف «روشن» می‌شوند، اما تا 30 ژوئن «روشن می‌مانند».

مجموعه داده نمونه ای مربوطه به شکل زیر است:

$$ \شروع شرکت و روز و T_i & P^_t & P^_t & P^_t \\ \hline 1 & 1 & 0 & 0 & 0 & 0 \\ 1 & 2 & 0 & 0 & 0 & 0 \\\ 1 و 3 و 0 و 0 و 0 و 0 \\ 1 و 4 و 0 و 1 و 0 و 0 \\ 1 و 5 و 0 و 1 و 1 و 0 \\ 1 و 6 و 0 و 1 و 1 و1 \\ \hline 2 & 1 & 1 & 0 & 0 & 0 \\ 2 & 2 & 1 & 0 & 0 & 0 \\ 2 & 3 & 1 & 0 & 0 & 0 \\ 2 & 4 & 1 & 1 و 0 و 0 \\ 2 و 5 و 1 و 1 و 1 و 0 \\ 2 و 6 و 1 و 1 و 1 و 1 \\ \پایان $$

بدون همپوشانی دوره های پس از درمان:

• $P^_$ برابر است با 1 در همه شرکت ها از 24 فوریه تا 17 مارس 2020، 0 در غیر این صورت
• $P^_$ برابر است با 1 در همه شرکت ها از 18 مارس تا 26 مارس 2020، 0 در غیر این صورت
• $P^_$ برابر است با 1 در همه شرکت‌ها از 27 مارس تا 30 ژوئن 2020، 0 در غیر این صورت

مجموعه داده نمونه ای مربوطه به شکل زیر است:

$ $ \ شروع شرکت و روز و t_i & p^_t & p^_t & p^_t \\ \ hline 1 & 1 & 0 & 0 & 0 & 0 \\ 1 & 2 & 2 & 0 & 0 & 0 & 0 \\ 1 & 3 & 0 & 0 & 0 & 0 \\ 1 & 4 & 0 & 1 & 0 & 0 \\ 1 & 5 & 5 & 0 & 1 & 0 \\ 1 & 6 & 0 & 0 & 0 & 0 & 0 & 01 \\ \ hline 2 & 1 & 1 & 0 & 0 & 0 \\ 2 & 2 & 1 & 0 & 0 & 0 \\ 2 & 3 & 1 & 0 & 0 & 0 \\ 2 & 4 & 1 & 11 & 0 & 0 \\ 2 & 5 & 1 & 0 & 1 & 0 \\ 2 & 6 & 1 & 0 & 0 & 1 \ \ \ ess $ $ $

اجرای هر دو مدل در نرم افزار منجر به ضرایب زیر می شود:

متغیر	با همپوشانی (𝛿)	بدون همپوشانی (𝛿)
$ t_i $	-0،000	-0،000
$ p^_ $	-0. 012	-0،012
$ t_i $ * $ p^_ $	0،004	0،004
$ p^_ $	0. 020	0،008
$ t_i $ * $ p^_ $	-0. 011	-0،007
$ p^_ $	-0،007	0،001
$ t_i $ * $ p^_ $	0. 006	-0،001

اظهارات زیر را می توان از نتایج بدست آورد. اگر می توانید اعتبار را بررسی کنید ، قدردانی می کنم:

$ P^_ $: شرکت های کم ESG (گروه کنترل) به طور متوسط در دوره بحران COVID-19 از 24 فوریه تا 17 مارس در مقایسه با سایر دوره ها بازده روزان ه-1،2 ٪ به دست آوردند (در مقایسه با سایر دوره هاشرکت ها / گروه درمانی)

$ t_i $ * $ p^_ $: شرکت های دارای درجه بالا ESG به طور متوسط بازده روزانه 0. 4 ٪ درصد نسبت به بنگاه های کم ESG از 24 فوریه تا 17 مارس کسب کردند. این تأثیر مشاهده شده در شوک اولیه Covid-19 ، قبل از معرفی هرگونه مداخله مالی و/یا پولی است

توجه داشته باشید که نتیجه گیری های مشابه را می توان از هر دو رگرسیون به دست آورد!

$ P^_ $: شرکت های کم ESG (گروه کنترل) پس از تحمیل اولین سیاست مالی تهاجمی معرفی شده در 18 مارس 2020 ، میانگین بازده اضافی روزانه +2،0 ٪ را به دست آوردند. از (-1،2 ٪ + 2،0 ٪) = + 0،8 ٪ از شرکتهای کم ESG در 18 مارس و 26 مارس در مقایسه با دوره های دیگر. این اثر را می توان مستقیماً از $ p^_ $ در تنظیم غیر همپوشانی مشاهده کرد.

$ t_i $ * $ p^_ $: شرکت های با ESG بالا (گروه درمانی) پس از تحمیل اولین سیاست مالی تهاجمی که در 18 مارس 2020 در مقایسه با ESG پایین معرفی شد ، میانگین بازده اضافی روزان ه-1،1 ٪ به دست آوردشرکت هااین نتیجه به میانگین متوسط بازده روزانه (+0،4 ٪ -1،1 ٪) = -0،7 ٪ از شرکتهای ESG بالا در 18 مارس و 26 مارس در مقایسه با شرکت های ESG کم است. بنابراین ، پس از معرفی اولین سیاست مالی ، تأثیر مثبت ESG در دوره بحران در حال کاهش است و منجر به کمبود شرکتهای ESG در مقایسه با شرکت های ESG پایین از 18 تا 26 مارس می شود.

$ P^_ $: شرکت های کم ESG (گروه کنترل) پس از تحمیل دوم سیاست مالی تهاجمی معرفی شده در 27 مارس 2020 ، میانگین بازده اضافی روزان ه-0،7 ٪ را به دست آوردند. از (-1،2 ٪ + 2،0 ٪-0،7 ٪) = + 0،1 ٪ از شرکت های ESG در طی 27 مارس و 30 ژوئن در مقایسه با دوره های دیگر

$ t_i $ * $ p^_ $: شرکت های با ESG بالا (گروه درمانی) پس از تحمیل دومین سیاست مالی تهاجمی معرفی شده در 27 مارس 2020 در مقایسه با ESG کم ، میانگین بازده اضافی روزانه +6 ٪ را به دست آوردند. شرکت هااین نتیجه به میانگین متوسط بازده روزانه ( + 0،4 ٪ -1،1 ٪ + 0،6 ٪) = -0،1 ٪ از شرکتهای ESG بالا در 27 مارس و 30 ژوئن در مقایسه با شرکت های ESG کم است. بنابراین ، پس از معرفی سیاست مالی دوم ، اثر منفی کلی ESG در طول دوره بحران و بعد از اولین سیاست مالی منفی کمتری (ا ز-0،7 ٪ ت ا-0،1 ٪) می شود ، اما هنوز هم به یککم کاری شرکتهای ESG در مقایسه با شرکتهای ESG در دوره آخر.

توجه داشته باشید که اضافه کردن ضرایب مربوطه در تنظیمات همپوشانی منجر به ضرایب موجود در تنظیم غیر همپوشانی خواهد شد

به دنبال سوالات نهایی من:

1. آیا می توانید بررسی کنید ، اگر اظهارات 1-6 و تفسیر ضرایب و بازه های زمانی معتبر هستند؟
2. آیا تعبیر من مبنی بر اینکه تنظیم غیر همپوشانی تأثیر کلی ESG در بازه های زمانی مربوطه را به من نشان می دهد؟
3. آیا یکی از تفاوت های این دو مدل است که می توانم در مورد تأثیر سیاست های مالی در تنظیمات همپوشانی نتیجه گیری کنم ، اما نمی توانم این کار را در تنظیم غیر همپوشانی انجام دهم؟

همانطور که من به هر دو علاقه مندم ، عملکرد شرکتهای ESG در دوره بحران و در دوره بازیابی بازارهای مالی پس از آن:

1. آیا فکر می کنید که تنظیم غیر همپوشانی یک مدل مناسب برای آزمایش اثرات درون و "بعد از" بحران است؟
2. فکر می کنید گسترش پانل من تا دسامبر سال 2020 ارزشمند باشد؟آیا نیاز به کنترل حوادث بیشتری که در آن زمان رخ می دهد کنترل می کنم یا می توانم تا زمان دسامبر سال 2020 ، آدمک های زمانی خود را روشن کنم؟

باز هم ، بسیار متشکرم از کمک - بسیار قدردانی :)

$ \ begingroup $ خوش آمدید. به نظر می رسد نویسندگان d_ $ تخمین زده اند$ برای جداسازی تأثیر Covid-19 ، اما من نمی توانم مطمئن باشم. آیا می توانید یک نسخه بدون دروازه ارسال کنید تا بتوانم مدل آنها را جستجو کنم؟$ \ endgroup $

$ \ begingroup $ بی اعتنایی. من توانستم به آن دسترسی پیدا کنم. این مدل خوب به نظر می رسد ، اما دوره دوم "مالی" در مقاله ای که شما به آن مراجعه کرده اید با دوره پست "Covid" همپوشانی دارد. آنها این کار را برای به دست آوردن برآورد پاک کننده از تأثیر COVID انجام دادند. آیا این همان کاری است که شما می خواهید انجام دهید؟یا ، آیا شما علاقه مند به ارزیابی تمام دوره های "پس از درمان" پس از شوک Covid هستید؟$ \ endgroup $

$ \ begingroup $ سلام توماس ، از کمک شما بسیار سپاسگزارم: بله ، این دقیقاً همان کاری است که آنها فکر کردم و می خواهم آن مدل را با یک رویداد دیگر (post_fiscal 2) به اندازه. فکر من این بود که اجازه ندهم دوره های "پس از درمان" با هم همپوشانی داشته باشد تا اندازه اثر جدا شده (ضریب) برای بازارهای زمانی فردی بدست آید. چیزی شبیه به: "داشتن یک شرکت ESG بالا منجر به افزایش ٪ در بازده سهام در دوره از X به Y (به عنوان مثال 18 فوریه - 18 مارس) می شود."آیا این روش درست است؟نویسندگان همانطور که شما گفتید که دوره "Covid" پست خود را با هم همپوشانی می کنند ، اما هنوز هم نتیجه گیری فوق را در بخش نتایج خود ارائه می دهند. با تشکر $ \ endgroup $

$ \ begingroup $ بنابراین برای پاسخ به سؤال شما: من علاقه مند به ارزیابی تمام دوره های "پس از درمان" پس از شوک Covid به صورت جداگانه (که توسط D (پس از-کاوی) ، D (post_fiscal 1) و D (post_fiscal 2) نشان داده شده است. یا فکر می کنید مثل این که آنها این کار را کردند ارزشمندتر است؟ خیلی ممنون! $ \ endgroup $

1 پاسخ 1

تصویر مدل کمی غیرقابل توصیف است ، بنابراین من آن را تکثیر کردم.

در اینجا چیزی است که شما می خواهید تخمین بزنید:

$ $ p_ = \ gamma_i + \ lambda_t + \ eta t_i + p^_ + p^_ + p^_ + \ delta_1 (t_i \ times p^_) + \ delta_2 (t_i \ times p^_) + \ delta_3(T_i \ Times P^_) + \ Epsilon_ ، $ $

در جایی که عملکرد سهام (به عنوان مثال ، نوسانات بازده) برای شرکت $ I $ در روز $ t $ در سه ماهه اول و دوم سال 2020 مشاهده می شود. واد$ t_i $ یک ساختگی درمانی است که در صورتی که یک شرکت ES بالا باشد ، در غیر این صورت برابر 1 برای شرکت I $ است. شاخص های پس از درمان دوره های مختلف پس از درمان را نشان می دهد. به عنوان مثال ، $ p^_ $ بدون توجه به وضعیت گروهی یک شرکت ، به نشان می دهد که شوک فوری Covid-19 را نشان می دهد. به طور خاص ، $ p^_ $ برابر است با 1 در همه بنگاه ها از 18 فوریه تا 18 مارس 2020 ، در غیر این صورت. همین منطق در مورد سایر شاخص های پس از درمان شما صدق می کند.

رویکرد شما از مقاله ای که به روشی اساسی به آن ارجاع داده اید ، دور می شود.$ p^_ $ نویسندگان تا حدی با نشانگر پس از پوشاک خود همپوشانی دارند. این یک رویداد بعدی را کنترل می کند. این امر امکان شناسایی پاک کننده تأثیر بیماری همه گیر Covid-19 را فراهم می کند ، که آنها را به عنوان روزهای 18 فوریه تا 30 مارس 2020 ترسیم کردند. فدرال رزرو برای کاهش فشار در بازارهای اعتباری کوتاه مدت اقدامی انجام داد. نویسندگان خاطرنشان می کنند که دومین دوره تعامل آنها نشان دهنده تأثیر اضافی ناشی از معرفی مداخلات تهاجمی مالی و پولی است. همپوشانی به نظر می رسد ضروری است.

با این حال ، در تنظیمات شما ، هر یک از شاخص های پس از درمان پس از شروع همه گیر ، یک دوره متفاوت است و کاملاً همپوشانی ندارد. این فرض می کند که شما به تأثیر منحصر به فرد سیاست های ES بر عملکرد سهام در هر دوره زمانی پس از شوک علاقه مند هستید. با ترسیم شاخص های زمانی جداگانه برای دوره های مختلف ، می توانید چگونگی تغییر اثرات با گذشت زمان را ارزیابی کنید. این ممکن است مورد علاقه اساسی باشد. اثرات ممکن است با پیشرفت زمان جمع یا بدتر شود. به جای تنظیم ضرایب به شکل جدولی ، اغلب ارزشمند است که $ \ delta_t $ را ترسیم کنیم تا نشان دهد چگونه اثرات تکامل می یابد. جنبه دشوار این رویکرد ، جدا کردن تأثیر پاسخ سیاست مالی به همه گیر در بازده سهام شرکت ها است.

مجدداً ، هر شاخص پس از درمان ، یک بازه زمانی منحصر به فرد را نشان می دهد. به عنوان مثال ، شاخص های ساختگی "پس از کاوید" از 18 فوریه تا 18 مارس ، در حالی که شاخص های آدمک بعدی "پس از مالی" در تمام روزها از 19 مارس تا 30 مارس است. من فرض می کنم که شما برای به دست آوردن برآوردهای تمیز از مداخلات مالی بعدی ، دوره های جداگانه را ترسیم کرده اید. اغلب در عمل توصیه می شود که از دوره های زمانی مساوی و جداگانه استفاده کنید. و توجه داشته باشید که شما فقط در ارزیابی فقط سه دوره پس از درمان محدود نیستید. شما می توانید یک آدمک درمانی را با شاخص های جداگانه روز/هفته/ماه پس از شوک تعامل کنید. امکانات بی پایان است.

اکنون برای نگرانی های خاص شما.

آیا این تنظیم مدل از نظر آماری صحیح است؟

لطفاً توجه داشته باشید که مدل اصلی شما شامل پارامتر $\alpha_i$ است. مشخص نیست که آیا این نشان دهنده رهگیری «جهانی» شما است، در این صورت باید زیرنویس را رها کنید یا اثر ثابت سطح $i$ خود را. من اولی را فرض می‌کنم زیرا این مدل از قبل شامل اثرات ثابت ثابت است. با این حال، از آنجایی که اثرات ثابت شرکت معادل برازش جداگانه برای هر شرکت است، پس $\alpha$ یک پارامتر اضافی است. من فقط آن را رها می کردم.

اگر بله، آیا می توانم تنها با نگاه کردن به ضرایب در شرایط تعامل، تأثیر فعالیت های ESG را در چارچوب های زمانی فردی مشاهده کنم؟

ضریب در هر ترم تعامل باید تمرکز اصلی شما باشد.

با توجه به بازه های زمانی: آیا من باید تا 30 آوریل بازارهای زمانی خود را گسترش دهم؟اینگونه است که آنها این کار را در مقاله انجام می دهند. چگونه این تعبیر من از ضرایب را تغییر می دهد؟

منطقی به نظر می رسد که تجزیه و تحلیل خود را برای تمام روزهای تا پایان پانل خود گسترش دهید.

از نظر تمدید هر نشانگر پس از درمان برای شامل تمام روزهای تا 30 آوریل 2020، فرض می کنم منظور شما نشانگرهایی است که "روشن" می شوند (یعنی از 0 به 1 تغییر می کنند) و روشن می مانند. خوب، بستگی به این دارد که انتظار دارید هر شوک جدید چقدر طول بکشد. اگر سیاست مالی بعدی معرفی شود و ادامه یابد، منطقی است که هر شاخص پس از درمان تا 30 آوریل 2020 "روشن" بماند. چارچوب داده شما به شکل زیر خواهد بود:

$ $ \ شروع شرکت و روز و t_i & p^_t & p^_t & p^_t \\ \ hline 1 & 1 & 0 & 0 & 0 & 0 \\ 1 & 2 & 2 & 0 & 0 & 0 & 0 \\ 1 & 3 & 0 & 1 & 0 & 0 \\ 1 & 4 & 0 & 1 & 1 & 0 \\ 1 & 5 & 5 & 1 & 1 & 1 \\ 1 & 6 & 0 & 0 & 1 & 1 & 11 \\ \ hline 2 & 1 & 1 & 0 & 0 & 0 \\ 2 & 2 & 1 & 0 & 0 & 0 \\ 2 & 3 & 1 & 1 & 0 & 0 \\ 2 & 4 & 1 & 11 & 1 & 0 \\ 2 & 5 & 1 & 1 & 1 & 1 \\ 2 & 6 & 1 & 1 & 1 & 1 \ \ \ ess $ $ $

شرکت 2 در گروه درمانی است. من تمام شاخص های پس از درمان با شرکت متغیر را شامل می شدم که باید با ساختگی درمان تعامل داشته باشند. در اینجا ، نشانگر پس از کنفید تا پایان پانل شما "روشن می شود". هر یک از شاخص های بعدی پس از درمان در تاریخ بعدی روشن می شود و می ماند. از نظر تئوری ، شما انتظار دارید که با معرفی مداخلات تهاجمی مالی و پولی ، تأثیر ES در بازده سهام تضعیف شود. اولین اصطلاح تعامل اثر علی سیاستهای ES بر عملکرد سهام در طول بحران را ضبط می کند. شرایط تعامل دوم و سوم به شما می گوید که آیا تأثیر ES در بازده سهام در پاسخ به سیاست مالی رو به کاهش است یا خیر. این تنظیم ، که کنترل شوک های سیاسی قریب الوقوع را کنترل می کند ، باید شناسایی پاک از تأثیر COVID-19 را به شما ارائه دهد. باز هم ، این فرض می کند که تمام سیاست های بعدی معرفی شده و در مرحله اجرا باقی مانده است. به نظر می رسد این انگیزه برای همپوشانی است. به نظر می رسد انجام این کار در تخمین من ، تا حدودی معقول به نظر می رسد ، زیرا این سیاست ها در پاسخ به همه گیر معرفی شده اند.

آیا شامل اثرات ثابت زمان و محکم است؟

این بر تخمین تأثیر نمی گذارد. معادله شما نیز می تواند به شرح زیر باشد:

$ $ p_ = \ gamma_i + \ lambda_t + \ delta_1 (t_i \ times p^_) + \ delta_2 (t_i \ times p^_) + \ delta_3 (t_i \ times p^_) + \ epsilon_ ، $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $.

جایی که اصطلاحات تشکیل دهنده مرتبط با تعامل شما کاملاً کاهش یافته است. اثرات ثابت شرکت $ t_i $ را جذب می کند و روز اثرات ثابت تمام شاخص های پس از درمان را جذب می کند. اما نگران نباشید! تعامل باقی خواهد ماند.

گذشته از این: سؤالات زیر پس از پاسخ اولیه من برای توضیح بیشتر توسط OP مطرح شد. من در صورتی که دیگران می خواستند دنبال کنند ، آنها را بازتولید کردم.

همانطور که شما گفتید این اصطلاح تعامل اثر علی سیاستهای ESG بر عملکرد سهام در طول بحران را ضبط می کند ، اما چه زمانی دقیق در طول بحران منظور شده است.

تخمین برای دوره ای از 18 فوریه تا 18 مارس 2020 است. در مثال جعلی من ، دوره زمانی 3 اثر در طول بحران است. توجه داشته باشید ، این ممکن است متضاد به نظر برسد زیرا آدمک پس از پوشاک تا 30 مه 2020 "روشن" است. اما به یاد داشته باشید ، ما برای تمام سیاست های مالی معرفی شده فراتر از 18 مارس 2020 تنظیم می کنیم. بنابراین ، در حال ضبط جلوه ها در پنجره "رویداد" است"قبل از هرگونه سیاست مالی.

آیا این بازه زمانی خاص توسط COVID-19 منظور می شود و آیا ضریب +0. 453 فقط در مورد تأثیر روزهای بین 24 فوریه-17 مارس چیزی را برای ما تعریف می کند؟

و با "اثر تجمعی" معتقدم آنها ضریب را در تعداد روزهای معاملاتی در اولین پنجره رویداد ضرب کردند. من فقط یک بار مقاله را مطالعه کردم بنابراین نمی توانم مطمئن باشم، اما به نظر می رسد این تعداد روزهای معاملاتی کامل از شروع همه گیری تا پنجره رویداد دوم باشد.

ضریب (𝑇𝑖 × 1 𝑃𝑓): چگونه این ضریب تفسیر می شود؟شما گفتید که این به من می گوید که آیا تأثیر ES در بازده سهام در پاسخ به سیاست مالی کاهش می یابد یا خیر. اما در چه نقطه دقیقی از زمان و چگونگی تفسیر آن ضریب با اعداد واقعی؟

تعبیر شما کافی است.

شرکت‌هایی که دارای رتبه بالای ES هستند، متوسط بازده روزانه 0. 45 درصد نسبت به سایر شرکت‌ها کسب کردند. اهمیت اقتصادی این امر را باید از 18 فوریه تا 18 مارس تفسیر کرد. این اثری است که در طول شوک اولیه COVID-19، قبل از معرفی هرگونه مداخله مالی و/یا پولی مشاهده شد. همچنین توجه داشته باشید که این فاصله زمانی بیشتر از آنچه در تحقیقات دیگر ارائه شده است است. در مورد تعامل دوم، متوسط بازده روزانه در شرکت‌های دارای رتبه بالای ES 0. 57 درصد کمتر از سایر شرکت‌ها بود که در نتیجه اعمال سیاست‌های مالی تهاجمی بین 19 مارس تا 30 مارس 2020 معرفی شد. این اثر اضافی در طول دورهپنجره رویداد دوم که در آن انتظار داریم بازده متوسط ضعیف شود. رویداد سوم یک اثر افزوده دارد که به میانگین بازده روزانه پایین‌تر در شرکت‌های دارای رتبه ES بالا نسبت به سایر شرکت‌ها کمک می‌کند.

سوالات زیر نیز تکمیلی تکمیلی بود. آنها برای دیگران تکثیر شدند تا آنها را دنبال کنند:

آیا این تنظیم مدل نهایی و تفسیرهای حاصل از ضرایب در چارچوب زمانی مربوطه خود درست است (هر دو بر اساس بحث قبلی ما هستند)؟

روش شناسی مناسب است.

حواستان باشد، هرچند، من مقاله را خیلی کامل نخواندم. همچنین یک پیش چاپ است، بنابراین من فکر می کنم ممکن است نتایج پس از بررسی همتا تغییر کند.

دوره تفسیر من از اندیکاتور پس از درمان 𝑃𝑓1𝑡 (اولین مداخله مالی) از 18 مارس تا 26 مارس بسیار کوتاه است. من این چارچوب زمانی را انتخاب کردم زیرا دومین مداخله مالی قبلاً در 27 مارس معرفی شده بود. خوبه؟

آیا درست می‌گویم/تفسیر می‌کنم: «بازده متوسط در دوره اول فقط تحت تأثیر COVID-19 است؛ میانگین بازدهی در دوره زمانی دوم تحت تأثیر COVID-19 و اولین مداخله مالی است؛ میانگین بازده در دوره سوم تحت تأثیر قرار می‌گیرد. دوره زمانی تحت تأثیر کووید-19 و مداخله مالی اول و مداخله دوم قرار گرفته اند. به همین دلیل است که ما در مورد تأثیر «اضافی» پاسخ مالی بر میانگین بازده شرکت های دارای رتبه بالای ESG صحبت می کنیم؟!

آره. چندین رویداد به طور همزمان رخ می داد!

برای به رختخواب کشیدن این موضوع، این چیزی است که فکر می کنم از ابتدا قصد انجام آن را داشتید. لطفاً توجه داشته باشید که چارچوب داده زیر یک ساده سازی بیش از حد است، اما برای اهداف توضیحی مفید است. تمام روزهای قبل از دوره زمانی 4 نشان دهنده دوران قبل از درمان ما است. حال بیایید دوره زمانی 4 به بعد را دوره «تب» (یعنی شوک COVID-19) فرض کنیم. دوره زمانی 5 به بعد دومین مواجهه است. و دوره زمانی 6 به بعد سومین مواجهه است. مرحله پس از درمان با شاخص های زمانی اشباع شده است. مجاز است به شاخص ها اجازه دهیم دوره های طولانی تر را مشخص کنند، اما بیایید آن را ساده نگه داریم. در اینجا چارچوب داده است:

$ $ \ شروع شرکت و روز و t_i & p^_t & p^_t & p^_t \\ \ hline 1 & 1 & 0 & 0 & 0 & 0 \\ 1 & 2 & 2 & 0 & 0 & 0 & 0 \\ 1 & 3 & 0 & 0 & 0 & 0 \\ 1 & 4 & 0 & 1 & 0 & 0 \\ 1 & 5 & 5 & 0 & 1 & 0 \\ 1 & 6 & 0 & 0 & 0 & 0 & 0 & 01 \\ \ hline 2 & 1 & 1 & 0 & 0 & 0 \\ 2 & 2 & 1 & 0 & 0 & 0 \\ 2 & 3 & 1 & 0 & 0 & 0 \\ 2 & 4 & 1 & 11 & 0 & 0 \\ 2 & 5 & 1 & 0 & 1 & 0 \\ 2 & 6 & 1 & 0 & 0 & 1 \ \ \ ess $ $ $

این شبیه به تنظیمات اولیه شما است که در آن می خواستید هر دوره پس از درمان را بدون هیچ همپوشانی مشخص کنید. فرض کنید قرار گرفتن در معرض دوم در دوره زمانی 5 می رسد. در این زمان، سیستم تحت تاثیر شوک خارجی و یک طرح واکنش سیاست مالی برای مقابله با آن شوک قرار می گیرد. چگونه می‌توانید تأثیر همه‌گیری را از همه سیاست‌های مالی بعدی جدا کنید؟این معضلی است که شما با آن روبرو هستید. توجه داشته باشید، این رویکرد کاملا مجاز است تا زمانی که قرار گرفتن در معرض اگزوژن شما تحت تأثیر عوامل دیگری قرار نگیرد که ممکن است اثرات درمان را مخدوش کند.

بر اساس سوال قبلی: یا اینکه این اثر "اضافی" ESG بالا بر بازده متوسط در اولین پاسخ مالی دوم است؟

رویدادهای "اضافی" همزمان با همه گیری بود. من نمی‌توانم از جانب نویسندگان صحبت کنم، اما معتقدم که آنها در درجه اول به عملکرد شرکت‌های دارای رتبه بالای ES نسبت به سایر شرکت‌ها در پاسخ به همه‌گیری علاقه داشتند. توجه داشته باشید که همه‌گیری همه شرکت‌ها را تحت تأثیر قرار داد، اما آنها مشکوک بودند که شرکت‌های دارای رتبه بالای ES متفاوت از سایرین واکنش نشان دادند. تعامل $T_i$ با $P^_$ برای جداسازی اثرات در طول دوره نوردهی بود. در تنظیمات شما، من با تعامل $T_i$ با یک نشانگر پس از درمان که تمام روزها تا پایان پانل شما نمایه می شود، شروع می کنم. سپس ارزیابی می‌کنم که وقتی شروع به تنظیم برای معرفی اقدامات سیاست مالی در دوره‌های بعدی کنید، ضریب چگونه تغییر می‌کند.

آیا می توانم برای تأثیر کلی ESG بر عملکرد سهام مستقل از دوره زمانی نتیجه گیری کنم؟حدس می‌زنم برای آن به رگرسیون دیگری نیاز دارم، درست است؟

منظور من از «مستقل از» دوره زمانی، نبود همه شاخص‌های پس از درمان است که شروع همه‌گیری و/یا تمام واکنش‌های سیاست مالی و پولی را مشخص می‌کنند. من نمی دانم که چرا شما نتوانستید این کار را انجام دهید. به سادگی عملکرد سهام را در یک ساختگی درمان برای شرکت های دارای رتبه ES بالا کاهش دهید.

کنار: OP تجزیه و تحلیل را انجام داد و سؤالات بعدی را مطرح کرد. لطفاً به سؤالات پایانی برشمرده شده در زیر نتایج جدولی مراجعه کنید.

آیا می توانید بررسی کنید ، اگر اظهارات 1-6 و تفسیر ضرایب و بازه های زمانی معتبر هستند؟

به نظر من معتبر است

من فرض می کنم که شما با دوره های همپوشانی پیش می روید. همانطور که قبلاً اشاره شد، روی ضرایب مرتبط با هر جمله تعامل تمرکز کنید. شما به درستی توجه داشته باشید که ضریب مربوط به $T_i \times P^_$ دقیقاً همان اثر را در حالت غیر همپوشانی دارد. اثر از 24 فوریه تا 17 مارس از تمام سیاست های مالی و پولی بعدی پس از شوک جدا شده است.

آیا تعبیر من مبنی بر اینکه تنظیم غیر همپوشانی تأثیر کلی ESG در بازه های زمانی مربوطه را به من نشان می دهد؟

تعامل $T_i$ با یک سری از شاخص‌های زمان پس از درمان بدون همپوشانی، اثر فردی را در آن دوره بازمی‌گرداند. میانگین گرفتن تمام ضرایب در این تنظیم، اثر کلی را برمی‌گرداند.

آیا یکی از تفاوت های این دو مدل است که می توانم در مورد تأثیر سیاست های مالی در تنظیمات همپوشانی نتیجه گیری کنم ، اما نمی توانم این کار را در تنظیم غیر همپوشانی انجام دهم؟

همانطور که در نظرات من در زیر آمده است ، تأثیر خط مشی مالی اول تأثیر در آن دوره پس از "تفریق" اثر از دوره "تب" است. امیدوارم که این رابطه اکنون واضح تر باشد که تخمین های موجود در هر دو تنظیم را اضافه کرده اید. به عنوان مثال ، $ \ hat_2 = -0. 011 $ در مورد همپوشانی. برآورد همپوشانی "تفاوت" اثرات در دوره های قبلی. به عنوان مثال ، در اینجا چگونه می توانیم تأثیر اولین پاسخ سیاست مالی را بدست آوریم:

با همین منطق ، پاسخ سیاست مالی دوم به شرح زیر بدست می آید:

آیا فکر می کنید که تنظیم غیر همپوشانی یک مدل مناسب برای آزمایش اثرات درون و "بعد از" بحران است؟

احتمالاًاما "چه زمانی" دقیقاً بحران به پایان رسید؟قرار گرفتن در معرض این بیماری همه گیر فراتر از پنجره رویداد Covid-19 ادامه یافت.

فکر می کنید گسترش پانل من تا دسامبر سال 2020 ارزشمند باشد؟آیا نیاز به کنترل حوادث بیشتری که در آن زمان رخ می دهد کنترل می کنم یا می توانم تا زمان دسامبر سال 2020 ، آدمک های زمانی خود را روشن کنم؟

مجاز است تا پایان پانل خود ، آنها را روشن نگه دارید. تنظیم برای چندین رویداد همزمان ، اشکالاتی دارد. من کاملاً مطمئن نیستم که چگونه می توانید تأثیر هر سیاست بعدی را از هم جدا کنید ، زیرا آنها به طور همزمان بر عملکرد تأثیر می گذارند. علاوه بر این ، با پیشرفت زمان ، شرکت ها به آرامی شروع به سازگاری با بحران می کنند. از آنجا که شما شروع به تنظیم سایر مداخلات پولی می کنید ، ارزیابی سازگاری شرکت با این حالت عادی جدید دشوار می شود.