全文阅读:
https://lianxh.cn/news/5156229fb5147.html
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
加载中,请稍候......