如何在(SPSS)OLS 中控制市场回报?

机器算法验证 回归 spss 分类数据 最小二乘 控制变量
2022-03-23 08:59:29

请考虑以下面板数据集:

comp  obs  industry  weekDay  ind10  ind15  day3  day4  day5  marketRet  tweets  stockRet
-----------------------------------------------------------------------------------------
1     1    15        3        0        1    1     0     0     0.10       5321    -0.90
1     2    15        4        0        1    0     1     0     1.30       4244    -0.30
1     3    15        5        0        1    0     0     1     0.90       5543     1.32
2     1    10        3        1        0    1     0     0     0.10        789     0.10
2     2    10        4        1        0    0     1     0     1.30        842     0.16
2     3    10        5        1        0    0     0     1     0.90        734     0.00
  • 对于公司列表 ( comp),它描述了一系列天 ( ) 的数量tweets和股票收益 ( )stockRetobs
  • weekDay给出星期几(1= 星期一,2= 星期二,...);这已在假人中提取day3day5
  • industry给公司行业(15= IT,10= 银行业,...);这是在假人中提取的,ind10并且ind15
  • 最后一个变量 ( marketRet) 给出了当天股票市场的平均收益。请注意,对于每一天 ( obs),市场回报是相同的。

问题 1:假设我正在以tweets自变量和因变量运行 OLS 回归stockRet我还将假人添加day3到模型day5和模型ind10ind15作为自变量。正如他们所说,该模型现在是否包括“行业和星期几的固定效应”?

问题2:我读过与我有类似研究的文章,他们说他们“将市场回报作为控制添加了”。最好在 SPSS 中,如何输入变量marketRet作为模型的控件?只是将其添加为自变量?

问题3:固定效应和控制变量有什么区别?

这些问题可能非常基本,但我一直无法找到明确的答案。例如,文章提到他们“控制市场回报”,但没有提及他们如何以及为什么这样做。因此,非常感谢任何帮助:-)

3个回答

如果您告诉我们您使用的程序,将会很有帮助。我的答案依赖于一些猜测。

问题 1:如果您使用分析 > 回归运行 OLS 回归,那么它们不可能是随机效应,因为此模块不允许这样做。因此,它们可以被视为固定效应。如果您使用了混合模块,那么它将取决于您将变量放在哪里:它们是被送入固定槽还是随机槽。

我们使用固定效应来识别平均差,我们使用随机效应来调整变量引入的方差。如果一个变量返回一个回归系数(或者在分类变量的情况下是一组系数),它属于固定效应;如果变量最终出现在方差/协方差输出中,则将其视为随机效应。

另一种思考是否正确建模变量的方法是想象如果要重复测量,该变量内部的属性会改变吗?在您的情况下,所有假人的属性可能都不会改变,所以我同意它们是固定效果。正如我在评论中所说,我担心的是公司 ID。这是一个重复测量设计,您可能需要考虑使用混合模型。此外,如果公司是随机选择的,您可能需要考虑为回归模型允许随机截距/斜率。但同样,这只是我粗略的猜测。您最好与您的统计支持人员讨论。

问题2:就措辞而言,“将市场收益作为控制添加”通常只是将“市场收益”视为自变量之一。

问题 3:嗯,我实际上并不完全确定。我觉得控制变量可以是固定的也可以是随机的,因为需要控制均值差和方差。例如,您可以将性别效应作为固定效应“控制”,也可以通过将其视为随机效应来“控制”由于州/省而导致的聚类。我已经看到使用这两种措辞。

对于 Q1:由于 weekDay 和您的虚拟变量不是来自随机原因,我认为它们可以被视为固定效应。

将市场回报视为累加,仅将其作为回归变量可能不是最好的方法。您可以考虑使用 stockRet / marketRet 作为因变量,这为您提供了一个比例模型。