Étude d'événement vs différence de différences
J'essaie de réaliser une méthodologie d'étude d'événement pour analyser l'impact d'un groupe d'événements sur un groupe d'actions d'un certain secteur. J'ai remarqué que j'obtenais étonnamment beaucoup de résultats positifs (valeur p très faible comme ~ 0,00). Lorsque j'ai échantillonné des dates aléatoires définies de ma période et que j'ai exécuté la même analyse d'étude d'événement, j'ai à nouveau obtenu plusieurs valeurs p faibles. Environ 50% -60% pour 100 dates aléatoires pour chaque entreprise. Je suppose que la forte volatilité de mes entreprises (et de mon indice) pourrait être une des raisons, mais j'ai besoin d'une confirmation ici. Mais j'ai commencé à m'interroger sur des choses différentes. J'utilise les mêmes événements pour toutes les entreprises d'un même secteur. Pas d'événements spécifiques à chaque entreprise (comme m & s par exemple). Alors j'ai commencé à me demander si je devais utiliser la différence ici? J'ai entendu cela:
"La différence des différences (DID) est plus appropriée pour les événements systématiques qui affectent l'ensemble du marché, tandis que l'étude d'événements est conçue pour examiner l'impact d'événements spécifiques à une seule entreprise."
À quel point cette affirmation est-elle vraie? Comme je l'ai déjà dit dans mon analyse, j'examine l'impact du même ensemble d'événements pour chaque entreprise, comme le changement de réglementation pour l'ensemble du secteur. Existe-t-il d'autres alternatives que l'étude d'événement et DID?
Réponses
La déclaration est raisonnablement exacte. Lorsque nous parlons de «l'étude d'événement standard» dans la littérature économique et financière (par exemple MacKinlay, 1997 ), qui, d'après votre texte, vous êtes, elles ne sont pas appropriées pour analyser des effets uniques qui affectent l'ensemble du marché. Il y a plusieurs raisons à cela:
Une hypothèse clé de l'étude des événements est l'indépendance transversale. Une indépendance transversale sera violée lorsque dans votre échantillon plusieurs événements se produisent en même temps. Un exemple de manuel serait la cotation des actions le même jour (voir Brooks Introductory Econometrics for Finance). Un tel regroupement d'événements permet d'estimer les statistiques de test et par conséquent$p$-valeurs biaisées et par conséquent toute inférence à partir d'une telle étude d'événement sera probablement incorrecte. Si vous analysez l'impact d'un seul événement, vous aurez le cas le plus extrême de regroupement d'événements car vous modélisez la réglementation comme un événement distinct pour chaque entreprise qui se produit exactement à la même période de temps.
Il existe quelques solutions au clustering d'événements. Par exemple, vous pouvez le résoudre en ne regroupant pas les entreprises et en examinant simplement l'impact des événements au niveau de l'entreprise, effectuez une analyse récapitulative de toutes les études au niveau de l'entreprise. Une alternative serait de créer un portefeuille d'entreprises qui vivent l'événement en même temps et d'analyser le portefeuille comme une seule entreprise (voir à nouveau Brooks). Cependant, dans le premier cas, la solution n'est pas très élégante et elle a ses propres problèmes qui dépassent le cadre de cette réponse, mais vous pourriez en principe le faire. La deuxième solution n'est pas appropriée, car dans votre cas, vous vous retrouveriez avec un grand portefeuille de toutes les entreprises, de sorte que vous vous retrouveriez avec une observation agrégée.
Habituellement, lorsque vous souhaitez évaluer un effet d'une politique, vous ne voulez pas simplement savoir si la politique a eu un effet sur une journée, mais s'il y a aussi des effets qui persistent. Par exemple, si vous évaluez une politique comme les vermifuges dans les pays développés sur les performances des élèves, vous ne voulez pas simplement savoir s'il y a eu un effet ponctuel de cette politique sur les performances des élèves qui a duré quelques jours ou quelques mois, vous seriez intéressé par savoir quel a été l'effet à long terme. Dans de tels cas, l'utilisation de l'étude d'événement est problématique car cela vous obligerait à utiliser une très longue fenêtre d'événement. Cependant, cela introduit un autre problème car l'étude des événements est très sensible même aux petites erreurs de spécification si la fenêtre d'événements est longue (voir à nouveau Brooks).C'est pourquoi les études d'événements plus longues utilisent des retours anormaux d'achat et de conservation (BHAR) au lieu de simples retours anormaux cumulatifs (CAR), mais si votre fenêtre d'événements est trop longue, vous aurez toujours des problèmes.
Il y a aussi d'autres problèmes, mais les deux que j'ai mentionnés ci-dessus sont à mon avis les plus importants par rapport à DiD. Oui aussi, il existe d'autres alternatives, mais je pense que les mentionner toutes serait trop large. Par exemple, vous pouvez modéliser un événement unique comme une rupture structurelle ou même comme un changement de régime et l'analyser de cette façon. Cela dépendra toujours des spécificités du problème, pour cela, il est toujours préférable de faire une revue très approfondie de la littérature sur le sujet et de voir comment d'autres personnes abordent le problème et quelles questions elles considèrent comme les plus importantes.