目录

1. 引言

大量的实证会计研究试图建立治疗 () 与结果 () 的因果关系。但是，使用非实验数据面临的一个重要问题是，如何排除变量间的其他替代性解释。为此，研究者通常会使用控制变量 () 来控制  和  之间的混淆因素。若是忽略某个混淆因素，则可能产生遗漏变量偏误问题 (omitted variable bias, OVB)，这在会计研究中是常见的。为缓解遗漏变量偏误问题，研究者会将较多控制变量纳入到回归模型中，Bertomeu (2016) 称之为 “kitchen sink approach”，直译为 “厨房水槽法”，即厨房所有东西都可以放到里面。当然之所以如此，很大程度上是由于 “更多的控制变量能够提高模型识别准确度” 的观念导致。实际上，当我们引入一些控制变量的时候，往往会引入 “控制变量偏差”，进而隔离或打开  与  之间不必要的路径。即使是一个 “好” 的控制变量，也必须经过准确度量才能够有效缓解遗漏变量偏误。

在本文中，我们将提供一些使用控制变量的建议，以更好识别因果效应。首先，我们回顾了会计顶刊中控制变量的应用。然后，使用因果图来说明变量间的期望关系，以试图说明一个控制变量在何种条件下是合适的，或者不合适的。统计软件并不会清晰的告诉我们到底是  导致了 ，还是  导致了 ，抑或是  混淆了上述关系。相反，理论会告诉我们潜在的因果关系方向，以及对统计的解释。同样地， 与  或者  存在相关性，也并不意味着将  纳入到回归模型中可以改善因果效应的准确识别。在研究  对  的因果效应时，研究者应该将与  和  相关的因素且不是二者的结果因素  放入到回归模型中。若是将受  和  影响的因素  放入到模型中，则会有偏估计  对  的影响。为了更好地对上述问题理解，本文使用模拟数据「注册会计师资格执照」和档案数据「审计客户特征」进行演示。

接着，我们讨论了几个提高控制变量选择与测量的问题。首先，我们讨论了控制变量为什么需要准确地构造才能有效。其次，我们解释了引入与某个与  或  相关的变量也是有帮助的，尽管其不是真正的混淆变量。再其次，我们讨论了固定效应在不同条件下的结果。固定效应可以理解为虚拟控制变量，主要用于识别数据组内变化。最后，我们讨论了在  与一个调节变量  交互的情况下，控制变量的重要性。在这种情况下，调节变量  与某个控制变量的交互可能会与感兴趣的交互项相关，如果排除在模型之外，则会导致遗漏变量偏误。

全文阅读：https://lianxh.cn/news/5156229fb5147.html