Metodi panel per la finanza: Guida all'econometria dei dati panel per le applicazioni finanziarie

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 5 voti.

Titolo originale:

Panel Methods for Finance: A Guide to Panel Data Econometrics for Financial Applications

Contenuto del libro:

I dati finanziari sono tipicamente caratterizzati da una dimensione di serie temporale e da una dimensione trasversale. Ad esempio, possiamo osservare le informazioni finanziarie di un gruppo di aziende per un certo numero di anni, oppure possiamo osservare i rendimenti di tutti i titoli negoziati al NYSE per un periodo di 120 mesi. Di conseguenza, la modellazione econometrica in finanza richiede un'attenzione adeguata a queste due - o talvolta più di due - dimensioni dei dati. Le tecniche di dati panel sono state sviluppate proprio per questo scopo. Questo libro fornisce una panoramica dei metodi panel comunemente applicati alle applicazioni finanziarie.

L'uso dei dati panel presenta molti vantaggi, in termini di flessibilità della modellazione econometrica e di capacità di controllare l'eterogeneità non osservata. Inoltre, comporta una serie di problemi econometrici che richiedono un'attenzione specifica. Tra queste, la dipendenza trasversale, gli errori standard robusti e raggruppati, l'eterogeneità dei parametri, gli effetti fissi, i modelli dinamici con una dimensione temporale breve, le variabili strumentali, le differenze nelle differenze e altri approcci per l'inferenza causale.

Dopo un capitolo introduttivo che passa in rassegna il modello classico di regressione lineare, con particolare attenzione al suo utilizzo in un contesto di dati panel, compresi diversi stimatori standard (pooled OLS, Fama-MacBeth, effetti casuali, prime differenze, effetti fissi), il libro prosegue con una trattazione più elaborata degli approcci a effetti fissi. Sebbene gli stimatori a prima differenza e a effetti fissi siano interessanti per la loro rimozione dell'eterogeneità non osservata variabile nel tempo (ad esempio, la qualità dei manager, la cultura aziendale), la coerenza di tali stimatori impone una rigorosa esogeneità delle variabili esplicative (per un numero finito di periodi di tempo). Nella pratica, questo principio viene spesso violato: ad esempio, alcune variabili esplicative della performance aziendale possono essere in parte determinate dalla performance storica dell'azienda. Un caso evidente di violazione di questa ipotesi si verifica quando il modello contiene una variabile dipendente ritardata. Un capitolo a parte sarà dedicato ai modelli dinamici, che hanno ricevuto un'attenzione specifica in letteratura, anche nel contesto delle applicazioni finanziarie, come la dinamica delle scelte di struttura del capitale. La stima si basa per lo più su variabili strumentali o su tecniche GMM. L'identificazione e la stima di questi modelli sono spesso fragili e le proprietà dei piccoli campioni possono essere deludenti.

Il libro prosegue con un capitolo sui modelli con variabili dipendenti limitate, compresi i modelli a risposta binaria. La dipendenza trasversale che è probabile sia presente complica la stima e l'autore discute la stima in pool, gli effetti casuali e gli approcci a effetti fissi, compresa la possibilità di includere variabili dipendenti ritardate. Il capitolo affronta anche i problemi di attrition e di bias di selezione del campione, nonché i panel non bilanciati in generale.

L'identificazione degli effetti causali nei lavori empirici basati su dati non sperimentali è spesso impegnativa e l'inferenza causale ha ricevuto una notevole attenzione nella letteratura recente. La disponibilità di dati panel gioca un ruolo importante in molti approcci. Partendo da semplici approcci basati sulle differenze, un capitolo dedicato discute gli stimatori di variabili strumentali, il matching e i propensity score, la discontinuità di regressione e gli approcci correlati.