Question

当我在R和Julia中运行（我认为是相同的回归）时，得到的结果非常不同。我认为这是因为IV回归使用指标变量来检测另一个指标变量，但我无法弄清楚是否做错了其他事情。

我尝试了几种不同的方法，但是数据开始是这样的：

   rc D tau     May_ret     Jun_ret      Jul_ret     Aug_ret      Sep_ret
1 -43 0   0  0.04529617  0.02106667  0.009868421 0.032573290  0.010473186
2 -19 0   0  0.01973333  0.05752213 -0.020920502 0.027521368 -0.029535865
3  74 1   1  0.33505189  0.04494382 -0.150537640 0.246835440  0.010152284
4  54 1   1  0.03602649  0.06168831  0.030581040 0.002611276 -0.027027028
5  22 1   1 -0.01584158 -0.08417509 -0.088235296 0.012903226  0.100000001
6   7 1   1  0.02484472  0.08000000  0.039548021 0.065217391  0.006122449

D和tau并不是完全线性的，但是它们很接近（并且tau用于检测D）。

我的R代码是

library(AER)
library(stargazer)

temp_df <- read.csv(file="output.csv")

addmay <- ivreg(May_ret ~ D*rc|tau*rc, data=temp_df)
addjun <- ivreg(Jun_ret ~ D*rc|tau*rc, data=temp_df)
addjul <- ivreg(Jul_ret ~ D*rc|tau*rc, data=temp_df)
addaug <- ivreg(Aug_ret ~ D*rc|tau*rc, data=temp_df)
addsep <- ivreg(Sep_ret ~ D*rc|tau*rc, data=temp_df)

stargazer(addmay, addjun, addjul, addaug, addsep, title="Addition Return Effect", align=TRUE, type="text", report="vc*t")

哪个生产

========================================================================================================
                                                    Dependent variable:                                 
                    ------------------------------------------------------------------------------------
                        May_ret          Jun_ret          Jul_ret          Aug_ret          Sep_ret     
                          (1)              (2)              (3)              (4)              (5)       
--------------------------------------------------------------------------------------------------------
D                        0.006            0.033            -0.008           0.028           -0.044*     
                       t = 0.304        t = 1.600        t = -0.353       t = 1.283        t = -1.943   

rc                      -0.0001          -0.0001          -0.0003          -0.0003*          0.0002     
                       t = -0.736       t = -0.730       t = -1.495       t = -1.784       t = 1.094    

D:rc                     0.0002          -0.0002          0.001***          0.0002           0.0001     
                       t = 0.817        t = -0.747       t = 2.660        t = 0.706        t = 0.392    

Constant                 0.0002          -0.021*          -0.024*          -0.021*           0.009      
                       t = 0.014        t = -1.778       t = -1.831       t = -1.673       t = 0.654    

--------------------------------------------------------------------------------------------------------
Observations              827              828              824              823              818       
R2                       0.003            0.007            0.007            0.026            0.012      
Adjusted R2             -0.0005           0.004            0.004            0.023            0.009      
Residual Std. Error 0.106 (df = 823) 0.111 (df = 824) 0.125 (df = 820) 0.116 (df = 819) 0.123 (df = 814)
========================================================================================================
Note:                                                                        *p<0.1; **p<0.05; ***p<0.01

我的Julia代码是

using FixedEffectModels, CSV, RegressionTables;

test_df = CSV.read("output.csv");

additions = Dict("May" => reg(test_df, @model(May_ret ~ (D*rc~tau*rc))),
    "Jun" => reg(test_df, @model(Jun_ret ~ (D*rc~tau*rc))),
    "Jul" => reg(test_df, @model(Jul_ret ~ (D*rc~tau*rc))),
    "Aug" => reg(test_df, @model(Aug_ret ~ (D*rc~tau*rc))),
    "Sep" => reg(test_df, @model(Sep_ret ~ (D*rc~tau*rc))));
regtable(additions["May"], additions["Jun"], additions["Jul"], additions["Aug"], additions["Sep"]; below_statistic=:tstat, regression_statistics=[:nobs, :r2, :f])

哪个生产

------------------------------------------------------------------
               May_ret    Jun_ret    Jul_ret    Aug_ret    Sep_ret
              --------   --------   --------   --------   --------
                   (1)        (2)        (3)        (4)        (5)
------------------------------------------------------------------
(Intercept)      0.008   -0.013**     -0.006     -0.021     -0.004
               (1.580)   (-2.603)   (-1.117)   (-1.673)   (-0.771)
D               -0.004      0.023     -0.032      0.028     -0.027
              (-0.268)    (1.503)   (-1.854)    (1.283)   (-1.627)
rc            0.000***   0.000***   0.000***     -0.000   0.000***
                 (NaN)      (NaN)      (NaN)   (-1.784)      (NaN)
D & rc           0.000     -0.000     0.001*      0.000      0.000
               (0.496)   (-1.372)    (2.198)    (0.706)    (1.189)
------------------------------------------------------------------
Estimator           IV         IV         IV         IV         IV
------------------------------------------------------------------
N                  827        828        824        823        818
R2               0.000      0.008      0.004      0.026      0.004
F                0.200      6.306      9.604      8.526      7.380
------------------------------------------------------------------

可以看出，主要区别是FixedEffectsModels似乎从回归中删除了rc变量。我已经检查了多重共线性，但似乎不是问题所在。我的代码中有一部分我用错了吗？

我正在尝试复制张仁成，Harrison Hong，Inessa Liskovich的表4，回归不连续性和股票市场指数的价格效应，《金融研究评论》，第28卷，第1期，2015年1月，第212页–246，https://doi.org/10.1093/rfs/hhu041

它们提供了部分数据。我在此处上传了完整的数据：https://github.com/junder873/data.git

Answer 1

经过一些工作，我想出了自己的答案。 Julia FixedEffectModels在回归的内生和外生部分都包含了rc变量。解决此问题的正确方法是事先基本交互变量。这将创建正确的输出。例如：

reg(test_df, @model(May_ret ~ rc + (rc_D + D~rc_tau+ tau)))

rc_D是rc.*D，rc_tau是rc.*tau的地方，基本上是创建两个新列并将它们手动添加到回归中，而不是让模型决定要添加哪些列。这样会产生相同的结果。

Julia FixedEffectsModels IV回归与R IV回归不符

1 个答案: