Studio degli eventi vs. differenza nelle differenze
Sto cercando di eseguire la metodologia di Event Study per analizzare l'impatto di un gruppo di eventi su un gruppo di azioni di un determinato settore. Ho notato che sto ottenendo sorprendentemente molti risultati positivi (valore p molto basso come ~ 0,00). Quando ho campionato date casuali impostate dal mio periodo di tempo ed ho eseguito la stessa analisi Event Study, ho ottenuto di nuovo più valori p bassi. Circa il 50% -60% per 100 date casuali per ciascuna società. Presumo che l'alta volatilità delle mie società (e dell'indice) potrebbe essere una delle ragioni, tuttavia ho bisogno di conferma qui. Ma ho iniziato a chiedermi cose diverse. Uso gli stessi eventi per tutte le aziende di un settore. Non eventi specifici per ogni azienda (come m & s per esempio). Quindi ho iniziato a chiedermi se dovrei usare Difference-in-Differences qui? L'ho sentito:
"Difference-in-Differences (DID) è più appropriato per eventi sistematici che interessano l'intero mercato, mentre lo studio degli eventi è progettato per esaminare l'impatto di eventi specifici per singola azienda"
Quanto è vera questa affermazione? Come ho detto prima nella mia analisi, esamino l'impatto della stessa serie di eventi per ciascuna azienda, come il cambiamento delle normative per l'intero settore. Ci sono altre alternative oltre a Event Study e DID?
Risposte
La dichiarazione è ragionevolmente accurata. Quando parliamo di "studio degli eventi standard" nella letteratura economica e finanziaria (ad esempio MacKinlay, 1997 ), che in base al tuo testo sei, non sono appropriati per analizzare i singoli effetti che influenzano l'intero mercato. Ci sono diverse ragioni per questo:
Un presupposto chiave dello studio degli eventi è l'indipendenza trasversale. Un'indipendenza trasversale verrà violata quando nel campione si verificano più eventi contemporaneamente. Un esempio da manuale potrebbe essere la quotazione di azioni che si verifica nello stesso giorno (vedere Brooks Introductory Econometrics for Finance). Tale raggruppamento di eventi effettua le stime delle statistiche dei test e di conseguenza$p$-valori distorti e di conseguenza qualsiasi inferenza da tale studio di eventi sarà molto probabilmente errata. Se stai analizzando l'impatto di un singolo evento, avrai il caso più estremo di raggruppamento di eventi poiché stai modellando il regolamento come un evento separato per ogni azienda che si verifica esattamente nello stesso periodo di tempo.
Esistono alcune soluzioni per il clustering degli eventi. Ad esempio, potresti risolverlo non aggregando tra le aziende e solo esaminando l'impatto dell'evento a livello di azienda per fare un'analisi riassuntiva di tutti gli studi a livello di impresa individuale. Un'alternativa sarebbe creare un portafoglio di aziende che sperimentano l'evento contemporaneamente e analizzare il portafoglio come una singola impresa (si veda ancora Brooks). Tuttavia, nel primo caso la soluzione non è molto elegante e ha i suoi problemi che esulano dallo scopo di questa risposta, ma in linea di principio potresti farlo. La seconda soluzione non è appropriata perché nel tuo caso ti ritroveresti con un unico grande portafoglio di tutte le aziende, quindi ti ritroveresti con un'osservazione aggregata.
Di solito, quando si è interessati a valutare un effetto di una politica, non si vuole semplicemente sapere se la politica ha avuto un effetto in un giorno, ma se ci sono anche effetti che persistono. Ad esempio, se valuti una politica come le pillole antiparassitarie nei paesi sviluppati sul rendimento degli studenti, non vuoi solo sapere se c'è stato un effetto una tantum di questa politica sul rendimento degli studenti che è durato per pochi giorni o mesi, saresti interessante in sapendo qual era l'effetto a lungo termine. In questi casi, l'utilizzo dello studio degli eventi è problematico in quanto richiederebbe l'utilizzo di una finestra degli eventi molto lunga. Tuttavia, questo introduce altri problemi poiché lo studio degli eventi è molto sensibile anche a piccoli errori di specifica se la finestra dell'evento è lunga (vedere di nuovo Brooks).Questo è il motivo per cui gli studi sugli eventi più lunghi utilizzano i rendimenti anormali buy-and-hold (BHAR) invece dei soli rendimenti anomali cumulativi (CAR), ma se la finestra dell'evento è troppo lunga avrai ancora problemi.
Ci sono anche ulteriori problemi, ma i due che ho menzionato sopra sono a mio avviso i più importanti rispetto a DiD. Inoltre sì, ci sono altre alternative, ma penso che menzionarle tutte sarebbe troppo ampio. Ad esempio, potresti modellare un singolo evento come una rottura strutturale o anche come cambio di regime e analizzarlo in questo modo. Dipende sempre dalle specificità del problema, per questo è sempre meglio fare un'attenta revisione della letteratura sull'argomento e vedere come le altre persone affrontano il problema e quali questioni considerano più importanti.