硕士生管理研究方法2018课程材料复制作业1.90

1、管理研究方法作业姓名：刘晓琳专业：会计学学号：220170909890延付高管薪酬对风险承担的政策效应基于盈余管理视角的 PSM-DID 分析概述（summary）本文的研究背景是基于 2008 年国际金融1.发生后， 延付高管薪酬已监管部门降低的重要举措。 在理论上，这一政策实施很可能降低的波动性，进而降低其通过 LLP（一种特殊的附有的合伙企业）进行盈余管理的。本文基于盈余管理视角，利用依托于“准自然实验”的 PSM-DID 方法，检验延付高管薪酬是否能有效降低的波动性并进而降低其通过 LLP 进行盈余管理的。 结果却发现，延付波动性的同时反而增强了其通过 LLP 进行盈余管理的高管薪酬在

2、降低。同时，本文利用 2010 年银监会发布商业稳健薪酬监管指引这一政策冲击和中国业 2009 2013 年的数据，通过“准自然实验”的 PSM-DID分析却发现， 延付高管薪酬在降低波动性的同时反而增强了其通过LLP 进行盈余管理的。通过 LLP 进行盈余管理的进一步对其动态边际效应进行检验后发现，在延付薪酬后的第 3 年尤为显著。 这种情况出现的主要原因在于，当前中业高管延付薪酬的期限仅为 3 年，为了获得更加稳健的薪酬，高管国在薪酬延付后的第 3 年（即期满时）有更强的动力和能力进行盈余管理。这说明虽然中国当前实施的延付高管薪酬政策能有效约束的波动性，但仅为 3 年的延付付高管薪酬对期限

3、给予了高管盈余管理的动力和空间， 从而可能令延风险承担的约束作用大打折扣。因此，进一步和完善当前中国业高管薪酬延付制度是发挥其对风险偏好约束作用的重要措施，进而实现业的稳健经营和持续发展。2、简述倾向匹配的分（PSM）和双重差分（DID）方法的基本思想和计量模型倾向评分匹配（PSM）基本思想：倾向评分匹配（PSM）是使用非实验数据或观测数据进行干预效应分析的一类统计方法。倾向评分匹配的理论框架是“反事实推断模型”。倾向得分匹配的理论框架是“反事实推断模型”。“反事实推断模型”假定任何因果分析的研究对象都有两种条件下的结果：观测到的和未被观测到的结果。如果我们说“A 是导致 B 的原因”，用的就

4、是一种“事实陈述法”。而“反事实”的推断法则是：如果没有 A，那么 B 的结果将怎样（此时，其实 A 已经发生了）？因此，对于处在干预状态(treatment condition)的成员而言，反事实就是处在控制状态(condition of control)下的潜在结果(potentiale)；相于处在控制状态的成员而言，反事实就是处在干预状态下的潜在结果。显然，这些潜在结果是我们无法观测到的，也就是说，它们是的。计量模型：我们假定有 N 个，每一个处在干预中的i（i=1,2,N）都将有两种潜在结果（𝑌𝑖(0), 𝑌𝑖(1)），分

5、别对应着未预状态和干预状态中的潜在结果。那么对一个进行干预的效应标记为i，表示干预状态的潜在结果与未干预状态的潜在结果之间的差，即：i = 𝑌𝑖(1) 𝑌𝑖(0)令Di = 1表示接受干预, Di=0 表示未接受干预，同时Yi表示所测试的结果变量。那么反事实框架可以表示为以下模型：该模型也可以表示为：这个模型表明，两种结果中的哪一种将在现实中被观测到，取决于干预状态，即 D 的状态。用 ATT(Average treatment effect for the treated)来测度在干预状态下的平均干预效应，即表示i 在干预状态下

6、的观测结果与其反事实的差，称为平均干预效应的标准估计量很明显，反事实E𝑌𝑖(0)|𝐷 = 1是我们观测不到的，所以我们只有使用i 在未干预状态下的观测结果E𝑌𝑖(0)|𝐷 = 0作为替代来估计在干预状态下的潜在结果反事实。所以，给公式可以进一步表示为：显然，这里需要到数据的随机性了。在实验数据中，是随机分配(random assignment)的，所以的所有特征在干预组和控制组之间是相等，也就无需考虑用E𝑌𝑖(0)|𝐷 = 0作为替代对反事实E

7、9884;𝑖(0)|𝐷 = 1进行估计时存在的偏差了，这里称为选择偏倚,换句话说，实验数据能够确保数据的选择偏倚为 0，所以实验设计中，随机性能保证干预组和控制组之间的数据平衡。而对于观测数据，往往由于缺乏随机性，而导致干预组和控制组不仅仅在干预统计量上存在不同，还在第变量 X（这个变量是可观测的）上存在区别。这时，我们必须要考虑到这些区别以防止出现潜在偏倚。这时就要采用匹配的方式进行干预效应分析。匹配的目的在于确保干预效应估计是建立在可比之间的不同结果的基础上。最简单的匹配方式是将干预组和控制组中第变量 X 的值相同的两个进行配对分析。但是，如果X 并不是某一

8、个变量，而是一组变量时，最终简单的匹配方式也就不再适用，而是采用倾向得分匹配方式进行匹配。最简单匹配方法的几个假设：条件假设(conditional independence assumption or CIA)：给定 X 后干预状态的潜在结果是的，换句话说，控制住 X 之后，干预分配就相当于随机分配。共同支撑条件(common support condition)：对于 X 的每一个值，存在于干预组或控制组的可能性均为正，即同时，第二个要求称为覆盖条件，即匹配组变量 X 需要在干预组和控制组上有足够的覆盖，即处理组每一个在控制组中都能找到与之匹配的 X。若 X 只有一个变量，则对于给定的 X

9、=x，ATT(x)的表达式为：显然，X 只有一个变量时，干预组和控制组针对 X 的匹配标准是清晰的：对于干预组和控制组，他们的 X 变量的值越近，这两个的特征也就越相似。但，如果 X 不再只是一个变量，而是一组变量时，所谓“近”的判断标准也就变得模糊起来。针对这个问题，Rosenbaum and Rubin (1983)解决了维度问题，并证明了如果基于 X 相关变量的匹配是有效的，那么基于 X 变量组的倾向得分的匹配也将同样有效，从而奠定了 PSM 的理论基础。这里，倾向得分是通过 logist 回归获得的，从而将 X 由降到了一维的水平。所以倾向得分中包含了 X 中所有变量的信息，综合反映了

10、每个X 变量组的水平。显然，倾向得分匹配的优势很明显降维，它由单个变量（倾向得分）对进行匹配来代替了 X 所有变量为基础对进行匹配。同样的，PSM 的主要定理总结为以下几点：定理一，倾向得分 p(X)是一个平衡得分。有着相同倾向得分的两组之间的特征显然是平衡的。定理二，如果条件假设依旧成立，那么潜在结果在倾向得分的条件下也将于干预状态。也就是说，只要向量 X 包含满足 CIA 的所有相关信息，那么倾向得分的条件作用也就等价于向量 X 中所有变量的条件作用。所以，PSM 的 ATT(x)的表达式为：为了估计 ATT，需对 p(X)在干预上的条件作用的分布取平均：（3）步骤计算倾向值（采用 log

11、istic 回归）进行得分匹配，有着相同倾向得分的两组之间的特征显然是平衡的。评定匹配后的平衡性计算平均干预效果（ATT）进行敏感性分析双重差分（DID）：基本思想：双重差分就是差分两次，双重差分模型（difference-in-difference，DID）近年来多用于计量经济学中对于公共政策或项目实施效果 的定量评估。 通常大范围的公共政策有别于普通科研性研究，难以保证对于政策实施组和对照组在样本分配上的完全随机。非随机分配政策实施组和对照组的试验称为自然试验（naturaltrial），此类试验存在较显著的特点，即不同组间样本在政策实施前可能存在事前差异，仅通过单一前后对比或横向对比的分

12、析方忽略这种差异，继而导致对政策实施效果的有偏估计。DID 模型正是基于自然试验得到的数据，通过建模来有效控制研究对象间的事前差异，将政策影响的真正结果有效分离出来。DID 模型正是基于自然试验得到的数据，通过建模来有效控制研究对象间的事前差异，将政策影响的真正结果有效分离出来。DID 模型在干预效果评价方面，DID 模型通过将“前后差异”和“有无差异”有效结合，一定程度上控制了某些除干预因素以外其他因素的影响；同时在模型中加入其他可能影响结局变量的协变量，又进一步控制了干预组和对照组中存在的某些“疑似”影响因素，来补充“自然试验”在样本分配上不能完全随机这一缺陷，因而得到对干预效果的真实评估

13、；另外，构造模型所需满足的条件较少，又成为该模型在计量经济学界广为应用的原因之一。1DID 模型构造在使用 DID 模型之前，要确保数据满足三个假设；（1）在干预组项目的开展对对照组的相关研究变量不产生任何影响，即项目实施仅造成干预组相关研究变量的改变。例如，对一项营养干预项目进行效果评价，干预组内的所有 5岁以下儿童均可得到的营养支持，而对照组无。若有部分对照组研究对象通过各种办法也获得了该项营养支持，则了本模型的第一项假设，造成干预效果的低估。（2）项目开展期间，宏观环境（除项目实施以外的因素）对干预组和对照组的影响相同。（3）干预组和对照组的某些重要特征分布稳定，不随时间变化，即在整个项

14、目开展期间保持稳定。2不同数据类型的基本 DID 模型对于不同的数据类型，DID 模型的双重差分估计量的估算方法有所不同。（1）适用于混合横截面数据的 DID 模型混合横截面数据是在不同时点从同一个的大总体内部分别进行随机抽样，将所得的数据混合起来的一种数据集。该类数据的特点为每一条数据都是的观测值。通过将不同时点的多个观测值结合起来，从而可以加大样本量以获得更精密的估计量和更具功效的检验统计量；也可加入新的变量时间（即干预前后），以便判断干预前后的差别。对于总体一致、范围较大、涉及不同时间点的研究，多收集此类数据。这类数据的 DID 模型基本形式为：Yit=b0+b1Tit+b2Ait+b3

15、TitAit+eit（4）在（4）式中，Y 为被解释变量（dependent），T 和 A 是分别代表时间和分组的虚拟变量（dummyvaria-ble）。T·A 即为时间和分组虚拟变量的交互作用。在回归分析中，被解释变量不仅受到一些定量变量的影响（如、收入、体重等等），还受到一些定性变量的影响（如、关系、是否患病等等），这些定性变量称之为虚拟变量。e 代表残差。角标 i 代表每一个，角标 t代表不同时间点。i=0 和 1 时分别代表对照组和干预组，t=0 和 1 时分别代表基线和随访。当i 属于干预组时，被解释变量 Y 在随访和基线期间的差 VYi：Yi（1）=Yi1Yi0=（b0

16、+b1+b2+b3）（b0+b2）=b1+b3（5）同样，当i 属于对照组时，被解释变量 Y 在随访和基线期间的差Yi（0）：Yi（0）=Yi1Yi0=（b0+b1）b0=b1（6）那么，干预的实际效果，即干预组和对照组在随访前后被解释变量的差Yi：Yi=Yi（1）Yi（0）=（b1+b3）b1=b3（7）因此，b3 就是我们最感的双重差分估计量。由于混合横截面的一大特点：数据集都是由抽取的观测值构成的，因此可以满足残差项与分组解释变量完全，即：E（eit|Ait）=0（8）在确定满足条件（8）以及满足回归方程要求的“LINE”条件（线性、正态分布、方差齐）后，该模型可采用普通最小二乘（OLS

17、）来进行回归，并得到无偏的估计量。若在实际情况中得到的数据不满足以上“LINE”条件，则需要对数据进行进一步转化、分层以及使用广义最小二乘等方法来进行模型的构造。（2）适用于综列数据（paneldata/longitudinalda-ta）的 DID 模型综列数据同时兼有横截面数据和时间序列数据的特点，要求在不同时点调查相同的研究对象。它与混合横截面数据最大的不同在于，不同时点的观测值并不是分布的。这类数据的特点在于：由于研究的相同，一些不随时间改变的不可观测的因素（如个人特质等）对不同时点的观测值会产生影响，可以通过控制这些影响从而得到较为真实的结果；由于综列数据要求随访相同的研究对象，使得

18、数据收集工作的难度明显增加，不太适用于大规模的研究2。多数情况下，我们无法保证与自身有关的因素与分组变量完全无关，这样就不能保证（8）式，即残差于分组变量。为了解决该问题，需将这些因素从残差 eit 中分离出来。于是我们引入变量 ai，称为固定效应（fixedeffect），代表不同的自身相关因素。因为它不随时间变化，因此右下角脚标为 i。即有：Yit=b0+b1·Tit+b2·Ait+b3·Tit·Ait+ai+eit'（9）相比（4）式，（9）式增加了新变量 ai。这样就在一定程度上保证了残差项独立于解释变量这个条件。对于普通的较大范围的，很

19、难收集到所有与 ai 有关的信息，无法得到这个参数的某个无偏估计系数或关系式，因此通常进行差分来移除 ai 而不影响对双重差分估计量的无偏估计，即Yi（t（1）t（0）=b1·T+b3·（T·G）+eit（10）由于 DT 为固定不变的参数，用 d0 来代表截距 b1·T，因此将（10）式略微修改并进一步简化就成为：Yi=d0+b3·D（T·G）+eit（11）经过差分和简化后，就可以通过普通最小二乘法来对综列数据进行回归了。以上分析仅针对最简单的两时期综列数据进行分析，通过差分来移除固定效应。而综列数据同样具有时间序列的性质，对于多

20、于两期的综列数据而言，还应考虑到滞后性等问题，需要结合时间序列数据的特点，进一步通过计量经济学方法对其进行分析。3一般化 DID 模型由于一般大规模的人群存在较大的变异性问题，仅在模型中纳入虚拟变量“分组（A）”、“时间（T）”是远远不够的。为了提高解释系数 R2，需要加入其他可能影响被解释变量的因素，即控制除分组、时间变量以外的其他变量。对于结局变量是一些偏态分布的连续性变量，可通过非线性处理（如取自然对数）后再行建模，而进一步提高模型的拟合度。3、抽样和数据获取本文通过银监会获得相关，并手工查阅各的披露，经统计发现，截至 2013 年底，共有 70 家实施了延付高管薪酬政策，其中包括了 4

21、 家大型商业、9 家制、47 家城商行和 10 家农商行。4、数据分析方法在考虑当前中国业高管薪酬激励相关内容的基础上，本文采用Rosenbaum and Donald 提出的 PSM 法，从充足率（CAP）、拨备率（LPR）、杠杆率（LEV）、不良率（NPL）、贷存比（LDR）、规模（LOAN）和资产率（ROA）等 7 个可观测变量对处理组和对照组进行匹配，可观测变量的数值时期为 2009 年。进行 PSM 时，从样本中选择两类作为分析对象：“2009 年未实施延付高管薪酬，但从 2010 年开始实施延付高管薪酬的”，称为处理组；“20092013 年均未实施延付高管薪酬的”， 称为对照组。

22、本文分别绘制了经 PSM 处理后的处理组和对照组的 VNIM、VEBTP 和ZSCORE 均值变动趋势。如果直接估算 2010 年（延付高管薪酬政策实施）以后VNIM、VEBTP 和 ZSCORE 的变化，则会简单地认为延付高管薪酬降低了收益波动性， 产生这一错误认识的原因是忽视了样本期内对照组的波动性也呈现下降趋势这一客观事实，因此，本文进一步用 DID 策略识别延付高管薪酬的净影响效应是必要且合理的。对经 PSM 处理后获得的处理组，令虚拟变量 treated=1，对于经 PSM处理后获得的对照组，令 treated=0。同时，设置时间虚拟变量 t，令延付高管薪酬后的年份 t=1，其他年份

23、 t=0。根据上述界定，为了检验假设 1，本文将基于 DID 法的回归模型设定如下：检验假设 1 的基于 DID 的回归模型如下：Earnings Volatilityit = 0 + 1treatedit + 2tit + 3treatedit × tit + Xit + Ct +Ci + it（1）对照组组实施延付薪酬政策前后的波动性分别为：0和0 + 2，差异未2，处理组：0 + 1和0 + 1 + 2 + 3，差异为2 + 3，所以延付高管职工薪酬对波动性的经影响为3，这是本文关注的系数。需要注意的是，当利用混合截面数据进行 OLS 时，如果非观测效应 ci 与解释变量是相关

24、的，那么回归结果将是有偏且不一致的。使用面板数据通过组内差分可以消掉非观测效应ci ，从而得到一致估计。因此，本文采用面板双重差分模型来估计式（1）。为进一步检验假设 2，本文在 Kanagaretnam et al.、许友传和杨继光等已有研究的基础上引入 EBTP 及其与虚拟变量 treated、t 的交互项，构建基于DID 法的回归模型：检验假设 2 的回归模型如下 LLPit = 0 + 1EBTPit + 2tit + 3treatedit + 4tit × treatedit + 5treatedit × EBTPit + 6treatedit × ti

25、t +7treatedit × tit × EBTPit + Zit + + + （2）tiit从式（2）可以看到，对于对照组（treated=0），延付高管薪酬实施年份前后通过 LLP 进行盈余管理的分别是1 和1 +4 ，可见，不受延付高管薪酬政策影响的在延付高管薪酬实施年份前后的盈余管理差异为 diff0=4 ，这一差异可视为排除了延付高管薪酬政策时盈余管理存在的时间趋势差异。对于处理组（treated=1），延付高管薪酬实施前后通过 LLP 进行的盈余管理的分别是1 +5 和1 +4 +5 +7 ，差异为 diff1 =4 +7 ，这一差异不仅包含了延付高管薪酬政策

26、的影响，还包含了上述时间趋势差异4 。因此，延付高管薪酬政策对盈余管理的净影响效应为diff=diff1 -diff0 =4 +7 -4 =7 。本文关心的是系数7 ，如果延付高管薪酬降低了通过 LLP 进行盈余管理的，则7 应该显著为负。与式（1）相同，本文使用面板数据差分模型估计式（2），通过组内差分消掉非观测效应i 以得到一致估计。5、数据分析过程（需要同时提供 Stata 统计分析结果截屏和与原文相似的表格（Word 格式）和图形）。双重差分检验1.平均处理效应经过 PSM 处理后对公式（1）进行 DID 检验结果如表 1 所示。（1）（3）（5）列没有加控制变量，（2）（4）（6）列

27、加入了控制变量，结果都显示交互项t*treated 的系数显著为负值，只有因变量为 ZSCORE 时为正值，有就是说延付薪酬显著降低了波动性，H1 得到证实。表 1 延付高管薪酬影响波动性的平均处理效应变量VNIMVEBTPZSCORE（1）（2）（3）（4）（5）（6）t*treatedtLOANGCAPSIZELPRLDRGDPGLEV-0.3249* (-4.1082)-0.0855(-1.5942)-0.2873 *(-3.4964)0.0241(0.1734)0.0033(1.7868)0.0652* (3.3872)-0.0679(-0.4932) 0.0709* (2.2757)

28、0.0057(1.1852)0.0265(0.9601)-0.0625*-0.1717* (-3.1487)-0.0707* (-1.9109)-0.1204* (-2.1270)-0.0396(-0.4131)0.0007(0.5639)0.0371* (2.8023)-0.1003(-1.0584)0.0631* (2.9405)-0.0036(-1.0870)-0.0081(-0.4236)-0.02871.3989*2.59750.54631.46701.5714* (2.7140)1.0664(1.0824)0.0020(0.1572)0.1142(0.8384)-0.3773(-0

29、.3875)-0.0050(-0.0228)0.0173(0.5104)0.0766(0.3927)0.0716注：括号中的值为双尾检验 t 值；*、*、*分别表示在 10%、5%、1%水平上显著；treated 和 LIST 变量由于具有时间不变性，回归时被自动删除。资料来源：作者利用 stata14.0 软件计算。附：Stata 统计分析结果截屏ROE_CONS0.5088* (15.9165)(-1.8063)0.0117(1.5443)-0.1847(-0.1047)0.3743* (16.9862)(-1.2026) 0.0128* (2.4455)1.1490(0.9453)4.4

30、636* (20.5733)(0.2919)0.0807(1.5036)3.3945(0.2719)样本量R2F 值数1820.236010.0431*481740.35175.2016*471820.18637.4423*481740.31294.3635*471770.12374.4534*471750.16363.5833*47. xtreg vnimw gd t dumy2 dumy3 dumy4,fenote: dumy4 omitted because of collinearityFixed-effects (within)Group variable: iregressionN

31、umber of obsNumber of groups=18248R-sq:Obspergroup:withinbetween overall=0.23600.39970.0756minavg max=13.84F(4,130)Prob > F=10.040.0000corr(u_i, Xb)= -0.5714F test that all u_i=0: F(47,130)= 11.21Prob>F = 0.0000vnimwCoef.Std. Err.tP>|t|95% Conf. Intervalgd t dumy2 dumy3 dumy4_cons-.3249336.

32、0790941-4.110.000-.481412-.1684553-.0855301.0536522-1.590.113-.1916746.0206144.0479057.04615651.040.301-.0434094.1392208.0071609.04638730.150.878-.0846108.09893250 (omitted).5087572.031964215.920.000.4455199.5719945sigma_u sigma_erho.48811052.21669094.83536523(fraction of variance due to u_i). xtreg

33、 vnimw gd t treated loang cap size lprnote: treated omitted because of collinearity note: dumy4 omitted because of collinearityldr gdpglev roe dumy2dumy3dumy4,feFixed-effects (within)Group variable: iregressionNumberNumberof obsof groups=17447R-sq:Obspergroup:withinbetween overall=0.35170.10300.0120

34、minavg max=13.74F(12,115)=5.200.0000corr(u_i,Xb)=-0.5757Prob>FF test that all u_i=0: F(46,115)= 10.98Prob>F = 0.0000.est store vnim_feconvnimwCoef.Std. Err.tP>|t|95% Conf. Intervalgd t treated loangcap size lpr ldr gdpg lev roe dumy2 dumy3 dumy4_cons-.2872824.0821644-3.500.001-.4500342-.124

35、5306.0241288.13912730.170.863-.2514556.29971330 (omitted).0032514.00181971.790.077-.0003531.0068559.065153.01923493.390.001.0270524.1032536-.0678681.1376023-0.490.623-.3404317.2046956.0709206.03116412.280.025.0091906.1326506.0056614.00477671.190.238-.0038003.015123.0264899.0275910.960.339-.0281625.0

36、811423-.0625068.0346054-1.810.073-.1310534.0060399.0117116.00758391.540.125-.0033108.0267339-.0814627.0878247-0.930.356-.2554266.0925013-.1110745.0603365-1.840.068-.2305894.00844040 (omitted)-.18471981.764534-0.100.917-3.6799213.310482sigma_u sigma_erho.5280947.21141211.86187279(fraction of variance

37、 due to u_i).esttable vnim_*,b(%7.4f)star(0.1 0.05 0.01)legend: * p<.1; *p<.05; *p<.01.esttablevnim_*,b(%7.4f)t(%7.4f)legend: b/tVariablevnim_fevnim_fengd t dumy2 dumy3 dumy4treated loangcap size lpr ldr gdpg lev roe_cons-0.3249-0.2873-4.1082-3.4964-0.08550.0241-1.59420.17340.0479-0.08151.0

38、379-0.92760.0072-0.11110.1544-1.8409(omitted)(omitted)(omitted)0.00331.78680.06523.3872-0.0679-0.49320.07092.27570.00571.18520.02650.9601-0.0625-1.80630.01171.54430.5088-0.184715.9165-0.1047Variablevnim_fevnim_fecongd t dumy2 dumy3 dumy4treated loangcap size lpr ldr gdpg lev roe_cons-0.3249*-0.2873*

39、-0.08550.02410.0479-0.08150.0072-0.1111*(omitted)(omitted) (omitted)0.0033*0.0652*-0.0679 0.0709*0.00570.0265-0.0625* 0.01170.5088*-0.1847. gen vebtpw= vebtp * _weight(10 missing values generated). xtreg vebtpw gd t dumy2 dumy3 dumy4,fe note: dumy4 omitted because of collinearityFixed-effects (withi

40、n)Group variable: iregressionNumber of obsNumber of groups=18248R-sq:Obspergroup:within betweenoverall=0.18630.41450.0918min avgmax=13.84F(4,130)Prob > F=7.440.0000corr(u_i, Xb)= -0.5266F test that all u_i=0: F(47,130)= 13.73Prob>F = 0.0000vebtpwCoef.Std. Err.tP>|t|95% Conf. Intervalgd t du

41、my2 dumy3 dumy4_cons-.1716755.0545228-3.150.002-.2795423-.0638087-.0706739.0369846-1.910.058-.1438436.0024958.0755369.03181752.370.019.0125898.1384841.0201983.03197660.630.529-.0430636.08346030 (omitted).3742763.022034216.990.000.3306842.4178683sigma_u sigma_erho.36453629.14937381.85623297(fraction

42、of variance due to u_i). xtreg vebtpw gd t treated loang cap size lpr note: treated omitted because of collinearitynote: dumy4 omitted because of collinearityldr gdpg lev roedumy2dumy3 dumy4,feFixed-effects (within)Group variable: iregressionNumber of obsNumber of groups=17447R-sq:Obspergroup:within

43、 betweenoverall=0.31290.00910.0001min avgmax=13.74F(12,115)=4.360.0000corr(u_i,Xb)=-0.5357Prob>FF test that all u_i=0: F(46,115)= 12.55Prob>F = 0.0000.est store vebtp_feconvebtpwCoef. Std. Err.tP>|t|95% Conf. Intervalgd t treated loang cap size lprldr gdpg lev roe dumy2 dumy3 dumy4_cons-.12

44、03815 .0565972-2.13 0.036-.2324896 -.0082734-.0395914 .0958349-0.41 0.680-.2294219.1502390 (omitted).0007069 .00125350.56 0.574-.001776.0031898.0371297 .01324952.80 0.006.0108849.0633745-.1003159 .0947844-1.06 0.292-.2880655.0874337.0631233 .02146672.94 0.004.0206019.1056447-.0035767 .0032903-1.09 0

45、.279-.0100942.0029408-.0080506 .0190055-0.42 0.673-.0456968.0295955-.0286676 .0238372-1.20 0.232-.0758845.0185493.0127756.0052242.45 0.016.0024278.0231234.0136152 .06049620.23 0.822-.1062162.1334465-.0468147 .0415615-1.13 0.262-.12914.03551060 (omitted)1.149018 1.2154610.95 0.346-1.2585773.556613sig

46、ma_u sigma_erho.39850096.14562669.88218923 (fraction of variance due to u_i)Variablevebtp_fevebtp_fecongd t dumy2 dumy3 dumy4treated loangcap size lpr ldr gdpgl-0.1717*-0.0707* 0.0755*0.0202(omitted)-0.12-0.legend:b/tVariablevebtp_fevebtp_fngd t dumy2 dumy3 dumy4treated loangcap size lpr ldr gdpg le

47、v roe_cons-0.1717-0.1204-3.1487-2.1270-0.0707-0.0396-1.9109-0.41310.07550.01362.37410.22510.0202-0.04680.6317-1.1264(omitted)(omitted)(omitted)0.00070.56390.03712.8023-0.1003-1.05840.06312.9405-0.0036-1.0870-0.0081-0.4236-0.0287-1.20260.01282.44550.37431.149016.98620.9453. gen zscorew= zscore * _wei

48、ght(15 missing values generated).end of do-file. do "C:UsersAAAAppDataLocalTempSTD00000000.tmp". xtreg zscorew gd t dumy2 dumy3 dumy4,fenote: dumy4 omitted because of collinearityFixed-effects (within)Group variable: iregressionNumber of obsNumber of groups=17747R-sq:Obspergroup:within bet

49、weenoverall=0.12370.75710.4614min avgmax=13.84F(4,126)Prob > F=4.450.0021corr(u_i, Xb)= 0.6140F test that all u_i=0: F(46, 126)= 14.50Prob>F = 0.0000zscorewCoef.Std. Err.tP>|t|95% Conf. Intervalgd t dumy2 dumy3 dumy4_cons1.398915.53856882.600.011.33310262.464726.5462757.37237671.470.145-.19

50、064681.283198-.7114252.3229092-2.200.029-1.350453-.0723973-.4221615.3244657-1.300.196-1.06427.21994660 (omitted)4.463576.216959720.570.0004.0342194.892933sigma_u sigma_erho4.07889781.4732909.88459236(fraction of variance due to u_i). xtreg zscorew gd t treated loang cap size lpr note: treated omitte

51、d because of collinearitynote: dumy4 omitted because of collinearityldr gdpglev roedumy2dumy3 dumy4,feFixed-effects (within)Group variable: iregressionNumber ofNumber ofobsgroups=17547R-sq:Obspergroup:within betweenoverall=0.16360.13570.1376min avgmax=13.74F(12,116)=1.890.0424corr(u_i,Xb)=0.1501Prob>FF test that all u_i=0: F(46, 116)= 12.33Prob>F =0.0000.est s