大家好,我是太空鼠,我们今天接着给大家讲这个系列啊,在这个保姆级实证系列之前,我们讲了这个 啊,数据的一个下载,对吧?数据的导入,数据的清洗,包括啊,描述性统计,怎么做,相关性分析,供应链检验,对吧?然后还有基准回归,是不是这些都讲了?然后基准回归,包括基准回归不显著,我们应该如何去调配这个控制变量,让我们的回归达到我们想要 得到这个显著性的结果,对不对?然后呢啊,做完基础回归之后,我们应该做什么呢?是不是就应该做这个机制分析啊?那么机制分析有两两,两个机制两步嘛?一个是这个什么?呃,中介效应,一个是调节效应,对不对?然后我们今天就来讲这个中介效应 啊,我们这次采用了一篇论文啊,然后给大家去啊,仔细去进行实操,试了一下这个中间效应,如果需要数据也可以去自己去这个复现啊,然后大家可以看一下这些评价。 那么中介效应呢?有中介效应的三步法和中介效应的两步法。那么关于中介效应的三步法呢?他是在怎么呢?他是温钟林教授啊,他在这个二零一四年,在这个心理科学进展上,他发表了一篇文章,那么他发表这篇文章之后呢,我们大家都开始去用这个中介效应啊, 然后中介效应分析,它是研究自变量和因变量作用机制中间的啊,作用机的手段之一啊,中介变量它是在自变量和因变量中间的一个渠道,那么三步法呢?啊,它是一个 三步法,是相对旧的一个办法,因为它是提出的比较早嘛,对不对啊?三步法的话,首先检验的是自变量 x 对 因变量 y 的 一个总效应。首先我们要验证一下自变量对因变量它是有这个影响的,那么这个其实就是我们的基准回归,对不对? 然后第二步,三步法的第二步呢?验证是自变量对于中间变量 m 的 一个模效应啊,就是说我们首先自变量对因变量有影响之后,那么其次自变量对对中介变量有影响,那么自变量如果对中介变量都没有影响的话,何谈通过中介变量去影响因变量呢?对不对? 然后第三步,第三步我们需要检验的是这个第三步,我们需要检验的是啊,进行一个回归模型,构建回归模型 y 等于 e 三加 d, x 加 f m, 哈,然后这个第三步的话,也必须要显著,并且这个符号也得啊相符,这样我们这个中间相应三步法才算成立。那么我们一会可以说一下它具体是啊,怎么样一个显著,怎么样一个符号相符啊?但是当前尽管学者他是 批判这个中介效应的,可能因为呢,中介效应它本身它也不是我们经管土生土长的经济学土生土长的一个方法。中介效应是起源于温温钟龄二零零四年的这个心理科学进展上,这篇文章啊,是国内首个引用量过万的中文论文,但这是心理学领域的论文,它应用在经管领域呢,它可能会有这个严重的一个内生性问题。 然后接下来中介效应的两部法,那么在二零二二年的时候,在二零二二年的时候将停, 将停在这个啊,那个中国工业经济上面,中国工业经济上面发表了一篇文章叫因果推断经验研究中的中介效应调节效应,那么他就提出了一种新的做中介效应的方法,是中介效应两步法。那么中介效应两步法呢?相对于中介效应三步法的话,他会简单一些, 那么中间向两步法它是以将停的方法为代表。第一步呢是本质上还是和文中的一样,是继转回归对不对?探讨 x、 y 的 影响?那么第二步呢?也是探讨 x、 y、 m 的 影响,但他在实证部分,他前两步就已经结束了,但是我们会发现 前两步结束了之后啊,前两步结束了之后,它还有哪一步没有验证呢?是不是中介变量 m 到变量 y 这个渠道是不是还没有验证?中介变量 m 到变量 y 没有验证,那么这个渠道如果没有验证的话,是不是不行? 但它也不做实证啊,两步法它是怎么办的呢?两步法的话,它是通过文献或者理论支撑去陈述 m 到变量 y 之间的影响啊, 然后它优势是避免这个内生性问题,通过分离 x 到 m 和 m 到外的检验,减少因连力偏误导致这个估计偏差。而且呃,中介效应两步法它相对呃做起来的话更容易显著一些,相对做起来更容易显著一些。 那这是 stata 实操啊, stata 实操的话我们一会再讲啊,我们一会根据这个实际的这个结果去讲,那么我们可以看一下,先看一下这个中介效应三步法,中介效应三步法的话,这个是一个 d, i d 是 自变量对不对? 然后音变量是这个 employ 是 雇佣,对不对?首先第一步是自变量对音变量的回归,对不对,是吧?它这个中间效应是数字化转型,大家可以看到,那么第二列是不是自变量对中介变的回归,对不对? 是吧?第三步呢,是自变量对中介变的回呃,自变量对音变的回顾当中去又加入了这个递推式数字化转型这个中介变量。那我们首先啊,第一步它肯定是要正向显著, 那么第二步符号说这个政策是快加快这个速度大转型,那的话,这个符号必须是正的,对不对?然后显著性必须也是显著的,对吧?那么第三步是最关键的, 第三步怎么就算通过呢?首先啊,嗯,他要两个都显著,包括呢符号也是对的。第三步的这个速度大转型,因为本身第二步就是正的,对不对?所以第三步的这个系数也得是正的才可以啊, 然后字边也得是正的才可以,这样才算通过这个三步法,我们可以接下来去做一下啊啊。 然后接下来我们结果解读版,在我们写论文的时候,我们应该如何选择两步法和三步法呢?其实我个人的建议就是说,即使说哪个你能显著就用哪个,因为我们论文其实 是以这个显著啊,为这个是唯一判断标准的,对不对?显著了才能用嘛。所以我们实际写论文的时候,不管三步法还是两步法,其实我们不用考虑太多,说啊,三步法被批判啊,两步法是一个新方法,我们只要是实际上我们哪个显著用哪个啊?三步法能显著,你用三步法,两步法你能显著就用两步法啊。 接下来我们可以举一个例子,我们给大家进行一下实操啊,举例进行实操,然后这个论文的话,我们可以首先看一下它,它这个啊是税收优惠对于这个全要素生产率的一个影响啊, 税收优惠对全要素生产率,我们可以看到这个即转回归,即转回归应变量是全要素生产 lp 法,对不对?然后自变量是税收优惠, 我们可以看到是不是正向的两颗星显著,对不对?对吧?基本回归是显著的。然后它的中介效应呢?是这个专利的数量啊,专利的数量,那么专利的数量的话,第二步它是做的是什么呢?第二步它做的是什么? 第二步是不是做的自变量,对中介变量呀?两步法是不是?第二步对,做的是自变量,对中介变量,所以说是 创新专利作为应变量,对不对?对吧?税收优化就自变,那税收优惠是不是肯定会增加这个专利啊?对吧?所以他应该也是正向显著,对不对?那么这个两步法其实我们已经通过了,只要我们再找一个专利增多,会对企业的这个全要素生产率产生一个影响,能找到相关的理论支撑, 或者说是这个相关的一个文献,那我们就这个两步法就通过了。那我们既然两步法通过的前提下,我们再做一下这个三步法是否能通过,那么三步法的第三步是不是相当于把这个 专利,对吧?加到我们的这个几种合格的模型当中去,在税收优惠后面加上这个专利,对不对?加上这个专利之后呢?哎,我们会发现,首先税收优惠 正向显著对不对?专利也是正向显著,那么三步法明显也通过,那你看这个论文是不是两步法?三步法他都通过了,那么三步法相对两步法我们不用找文件支撑是不是?所以是不是会省事一些?所以这种情况下你就可以去使用三步法,那么实际当中三步法和两步法的一个使用的话,就根据自己的这个实际做出来结果选择就可以了。啊。 好,我们今天就到这里,好,谢谢大家。接下来我们下一节课我们会跟这个调节效应应该怎么做?
粉丝1317获赞5104

大家好,我是刘博士,上期视频教大家用 state 实操完成时政分析中的数据处理、描述性统计分析、相关性检验以及精准回归。 接下来我们说第五部分稳健性检验,这里呢,稳健性检验我用了两种方法,第一种呢,是用 roa 替换 roe, 还是原来的说固定效应模型,把 roa 换成 roe 就 行。然后执行一下这段代码, 看一下结果。解释变量 d、 c、 g 的 p 值为零点零三六,大于零点零一,小于零点零五,替换被解释变量的稳健性检验。通过第二种稳健性检验的方法是用了剔除疫情两年生成一个新的虚拟变量 reg, 让它等于零。 然后我们把二零二零二零二一两年疫情年份替换成 reg 等于一,这样我们在做稳健性检验时,只用 if reg 等于零就可以了。 全选代码执行一下,看一下结果,好解释变量 dc, 这仍然是两行,显著说明我们的结果是稳健的。然后我们输出一下稳健性检验的结果,看一下导出的表格。 两种方法都是显著的说明稳健性检验通过第六部分内生性检验,这里我用之后一期的工具变量法来做,先生成解释变量。之后一期 工具变量一阶段呢,是之前的核心解释变量 d、 c、 g。 对 之后一期的 d、 c、 g 以及其他控制变量进行回归。第二阶段呢,是将被解释变量 r、 o、 a。 对 第一阶段得到的核心解释变量 d、 c、 g。 你 何止与所有控制变量一起进行回归? 工具变量二阶段的输出结果是不包含一阶段的,所以我们要单独输出一下一阶段的结果,我们执行一阶段的结果, p g 为零,显著性三颗星。 二阶段的结果 p 值为零点零二七,也是两颗星,正向显著。二阶段 l m 不 可识别检验的值为五十三点一一四,而且它的 p 值为零,检验通过。下面的瓦尔德 f 弱工具变量检验的值为五十七点零一六,大于百分之十的水平,临界值十六点三八, 弱工具变量检验通过,然后我们输出一下结果。第七部分我们讲重接向量检验,这里的代码呢,常用的还是两步法, 第一步呢,就是我们的基础回归。第二步呢,把中介变量经营成本当做背景式变量,对 d、 c、 g 进行回归。第三步呢,是 r o a 对 d c g 和中介变量经营成本一起回归,执行一下命令,输出中介效用的结果,看一下导出的表格。第二步和第三步都是显著的中介效用,两步法和三步法都是成立的。 最后一部分呢,我们讲一致性,这里我用了两种方法,第一种是按企业规模的中位数来分,我们生成一个新的虚拟变量 region two, 让它等于零,然后把企业规模 size 大 于等于中位数的 region two 替换成一, 然后分别对 region two 等于零和 region two 等于一的样本进行回归,执行一下这部分代码,看一下一致性的输出结果。 第二种一致性方法是按国企和非国企来分,我们数据中有个变量叫股权性质,用它来区分国企和非国企, 仍然需要生成一个新的虚拟变量 reg 三等于零,把股权性质为国企的样本替换成 reg 三等于一,然后我们分别对 reg 三等于零和 reg 三等于一的样本进行回归,执行一下代码,输出一下结果, 看一下这种方法抑制性效果怎么样。第一列非国企样本三星显著,第二列国企样本不显著,这样的抑制性结果是不错的。 好啦,一套完整的时政分析部分 stata 实操就给大家演示完毕啦,接下来我会持续给大家分享 stata 实操的教程,需要代码想自己付钱的宝子可以直接找我要哦,我们下期见!

这就是第二层交互调节效应的核心任务,帮你识别关键边界条件,区分不同场景的意志性特征。不管是产权性质的差异、数字化水平的高低,还是区域发展的区别,都可以通过调节效应把差异说清楚, 让你的研究结论更严谨、更有针对性。解决了情境差异,我们还要再挖一层深度,核心变量的影响会不会随着发展阶段变化呈现非限性规律?这就是第三层门槛。非限性效应的价值, 帮你检验不同发展阶段的效应变化,精准识别出门槛值,挖掘出不同水平区间的差异化特征。 三层从限性到非限性,从静态到动态,层层递进,直接搭出一个完整的创新框架,轻轻松松把你的论文从及格线拉到一区水准,让你的研究贡献立刻提升一个档次。 这套三层递进机制放到具体研究主题里,直接就能用,逻辑饱满、创新点清晰,一眼就能让审稿人看到你的研究深度。 我们拿现在最热的绿色金融影响企业绿色绩效研究来拆解,看完你就能直接套到自己的题目里。 第一层,基础中介效应,我们选绿色研发投入作为核心中介,变量导逻辑完全紧扣理论,绿色金融先缓解企业融资约束,释放流动性, 让企业有钱赶头、周期长、风险高的绿色技术研发,最终拉动绿色绩效提升。完整回答了 x 到底怎么影响 y 这个核心问题,把因果传导链条砸实。 第二层,交互调节效应,选内部控制质量作为调节变量,精准回答什么情境下效应更强,高质量内控能优化资源配置,降低代理成本, 正向放大绿色金融的激励作用效应在治理水平更高的企业更显著。直接把研究的意志性边界讲清楚。 第三层门槛,非限性效益,选企业数字化程度作为门槛变量,挖出别人没注意到的动态规律。当数字化程度跨越特定域值后,企业信息处理和资源整合能力跃升, 绿色金融对绿色绩效的促进作用会边际递增,直接做出了别人没有的非限性增量创新。 这样三层搭下来,从传导路径到情境边界再到动态特征,形成了完整逻辑闭环,你的机制分析直接就能满足一区七堪对深度和严谨性的全部要求,论文竞争力直接拉满 框架号学错难防。你花一个月跑出来的机制,结果可能因为一个低级错误,直接被审稿人一票否决。我见过太多同学论文卡出审, 不是核心故事不好,就是机制踩了这三个致命大坑。今天直接把避坑要点给你讲透,帮你保住辛辛苦苦做的实证结果。 看左侧第一个红色书本标识的卡片中介变量绝对不能随机凑数,随便抓一个和 x y 都沾边的变量就放进去做中介没有理论推导支撑的导链就是断的, 审稿人一眼就能看出你是应凑机制直接否定你。整个研究的因果解释力 必须紧扣经典文献和核心理论,一步一步推导清楚为什么 x 会通过这个变量影响 y, 把传导逻辑说扎实,才能站得住脚。看第二个红色调节曲线标识的卡片 调节变量一定要避开和核心解释变量高度相关。如果调节变量本身和 x 高度内升,再加上严重的多重贡献性,不仅模型逻辑自相矛盾,回归结果也完全不可信。你的意志性分析直接就成了废纸。 一定要优先选外升冲击类的变量做完一定要跑相关性检验和豪斯曼检验,把内升性风险提前排掉。 第三个,红色标尺标识的卡片门槛变亮,必须贴合你的研究主题。很多同学为了凑三层机制,随便找个指标当门槛,结果分析半天根本说不清楚这个门槛的经济意义, 完全偏离了研究非限性效应的初衷,只会暴露你对研究问题理解不深。你必须聚焦影响核心机制的关键约束因素,保证门槛变量和你的研究主题高度契合。每一步分析都要有明确的经济解释,把这三个坑避开。 你的机制分析采购严谨,才能满足一区刊的审稿要求,不会因为低级错误功亏一篑。写机制分析部分不知道怎么组织语言,这套标准化的文字示范直接就能套用模仿,帮你半小时搞定规范写作。 看左侧第一个带实验屏图标的模块,中介效应检验就这么写。引入绿色研发投入作为中介变量 实证,检验绿色金融是否通过缓解企业研发融资约束,降低创新成本,为绿色技术的研发与应用提供持续的资金支持,进而成为推动企业绿色产出效率提升的核心导路径。 一句话讲清你的变量选择和逻辑假设,紧扣导机制的核心要求。第二个带齿轮图标的模块 调节效应分析清晰划定了情境边界,选举内部控制作为调节变量,识别企业治理水平的情境差异, 分析内控体系的完善程度。如何通过优化资源配置效率,降低代理成本,进而强化或弱化绿色金融对企业绿色绩效的正向影响,明确机制生效的边界条件,讲的明明白白。

我们今天要讲的是如何用 stata 去做完整的实证分析,我们的题目的话是 esg 这个企业社会责任对企业绩效的一个影响。研究我们的数据的话,变量情况是在这块儿,我们的被解释变量是这个 roa, 然后我们的 roe 用做被解释变量的稳健性检验,也就说这俩都是企业绩效的一个量化指标。自变量 esg 中介的话是研发投入和融资约束调节的话是企业性质和股权占比控制变量就是我们的这四个,然后额外的有一个做意志性的变量,是我们的企业成长性,这块的话就是我们的假设,我们想论证的直接效应的这个假设的话是 esg 促进企业绩效,也就说它俩正向影响, 那么这块就是我们的数据。我们做 data 的 话,首先打开我们的 data 软件啊,我们的界面就在这儿,这边的话最左边是我们的命令窗口,就是我们所有输出的这个这个代码全部都在这儿,就会有一个历史记录。然后变量窗口这块,也就是右边的这块的话,是我们导入数据之后所有变量的一个展示, 然后这中间的这个的话就是我们的输出窗口,我们所有的表格都在这块进行一个展示。最后我们的命令窗口在这块就是咱们可以在这块去写代码啊,或者我们直接有代码的度文档的话,可以直接在度文档里面进行一个操作,这就是简单的一个 state 界面。那么我们导入数据啊,方法很简单,直接点击这个数据编辑器,在这块 点开之后,把我们 excel 里边的数据直接粘贴过来就行,粘贴的方法,选中我们的数据以及数据的表头,这块需要注意,我们的表头啊,要用这个英文的这个字母,如果用汉字的话,导入 state 里边可能会报错,或者说它输出来是乱码啊,一般是乱码。 然后我们选中表头和数据,在这块的话,我们啊选中这个横所有的横排,然后点击 ctrl shift 加这个方向键,就可以直接选中到这个数字的末端,我们直接 ctrl c 复制, 然后在这块点击到它的第一个格子这块,然后 ctrl v 粘贴,它就会提示我们要不要把第一行作为变量名,我们点击变量名,那么这块就是直接把我们所有的数据导入了,导入了之后我们会发现我们的一些数据啊,它标红了,这个标红说明我们的这个这一列数据里边有非数值形式的这个格式,比如说这个减根 a, 它就是文字型的, 我们后面会讲怎么样去呃去剔掉这些呃非文字的这个数据。我们数据的一个导入非常简单,那么导入之后我们打开我们的这个度文档 啊,就是我们的代码的这个文档,我们还是通过实操的方法,按照我们论文一般的分析板块去说明一下怎么样去进行操作。 就是我们如果是首次下载 cata 的 话,它有些内置指令可能是没有的,我们直接去运行后面的分析的话,有可能会提示这个指令没有被定义这样子的报错。那么遇到这种情况的话,我们的下载的这个指令啊,我这块已经写了,比如说他说这个 s、 d、 o、 c 没有被定义,我们就把 这个需要的代码,就是他说谁没被定义,就把他这块的汉字改成谁啊?如果大家觉得很麻烦的话,我这块已经写好了我们下面要用到的所有的指令啊,这块的话就是我们可以依次运行这些代码去直接下载啊,就不用管这个了。 然后下载的方式我们选中这一行啊,在这个度文档里面进行运行的时候,就选中我们要运行的代码,然后点击这边的执行所选,他就会自动进行运行,那么这块我的代码都已经下载过了,如果我们没有下载的话,你点击运行他这边就会 开始下载啊,正在下载中,然后过大概几几秒钟他就会显示,哎,这个已经下载完成了,那就成功了,我们再依次下载第二个,第三个把这些指令全部都下载一下就可以,然后我们就直接展开后面的分析。 那么首先第一个我们拿到数据之后,并不是直接就可以去进行各项的这个分析内容的,我们先要进行一个数据预处理,这块就包括了。第一个剔除我们的缺失值啊,把数据格式要确保我们的整体的数据啊,我们所有的变量都是数字格式, 那么剔除缺失值的代码啊,就在这块这全部都是剔除缺失值的,我们需要改动的就是我这块选中的这些, 我们可以发现这些其实就是我们的关键变量,关键指标就是我要我的那个变量定义表里边有哪些指标,我这块就要填哪些指标啊,基本上就是咱们的音变量、自变量、音变量的这个文件型检验,还有我们的中介变量、调节变量、控制变量啊,这些变量进行一个剔除缺失值,然后在这块的话啊,我们就按照自己的那个变量把这块改一下,改成 呃,我们自己的变量之后直接运行这一步,点击运行,运行了之后他这块就会说,哎,哪些变量,哎?有多少变量已经被剔掉了啊?这是他的一个剔掉,剔掉了之后我们就会发现我们刚才标红的这些字体全部都标成黑色了,就说明他全部都是数值格式了,可以展开分析了,这就是 剔除缺失值的一个过程。然后第二个的话就是我们的缩尾,那么缩尾的话这个就是缩尾的代码,后面跟的就是要进行缩尾的这个变量 也是一样的,把我们的音变量、自变量、控制变量、中介调节全部都放进来进行缩尾。那么缩尾这块要特别关注的是,如果我们的变量里边有像这种企业性质,它是一个零一变量,如果有这样子的变量的话,要把它不能不能对它进行缩尾,如果缩尾的话,它可能会改变我们原始数据,就是数据失真了。所以在这块的话要注意在 缩尾里边把零一变量要删掉,然后进行一个缩,我这块缩尾是前后百分之一缩尾,直接点击运行这块的话就进行一个缩尾,缩尾完了之后定义我们的面板数据,这块的这块的这个 id 和 er 分 别就是我们的个体和我们的时间啊,这两个 如果我们用的是其他的这个,呃,字母尺带的话,那就把 id 和 er 分 别换成我们自己的啊,这个就是数据的一个定义。 然后接下来就是我们的正式的分析。首先描述性的话,我们需要改动的地方就是这块描述性这块的话要加入的就是我们的 音变量、自变量和我们的控制变量,包括我们的中介调节就是我们的关键变量。那么这块注意,呃,做稳健性的这个变量 就可以不用加在里边,稳健性、意志性啊这些就可以不用加在里边,只加咱们的关键变量。我们完整的就是你变两次变量,两个中间两个调节以及我们的控制变量。然后后面的这些,呃全部都是对描述性的这个格式的一个呃,说明啊,这块的话我们主要是在这块显示数据的数据量,还有均值标准差,最小最大值啊,显示这几个关键数据, 然后我们直接选中点击一个运行,然后输出结果就保存这在这个描述性分析表里边,我们直接点击就可以看到我们论文格式的一个三线表的这个描述性统计表,我们把这个直接粘到 word 里边就可以,这就是咱们的描述性分析。 第二个的话,我们的相关需要我们改动的也是这一块,就是,呃把我们需要做相关的变量给它填进去啊,还是一样的,就是我们的自变量,因变量、中介调节控制变量啊,然后稳健性、意志性那些变量是不用放在这个里边的。然后后面的这一块的话也是对相关格式的一个要求,呃,让我们直接运行, 运行了之后我们也是一样的,直接可以在这个 word 里面看到,哎,它的一个相关系数和显著性情况,这就是相关。 接下来就是我们的度数贡献性检验,还是一样的这个 r e g, 然后 s d o c v i f 就是 我们做度数贡献性检验的代码,需要我们替换的也是这块的放入度数贡献性的这个变量 也是我们的一变量,自变量冻结调节控制变量,然后选中进行运行啊这块从这也可以直接看出来这个 v i f 的 这个结果,然后我们点击的话,它就是这个也是三线表的格式,可以复制到论文里边,我们要求 v i f 要小于十, 再往下就是我们的模型检验,然后在模型检验这块我们面板数据常用的模型就是我们的固定小引,随机和混合,在这块的话,我们需要通过 f 检验和浩斯曼检验去确定到底在这三种模型里面选择哪一种 啊?我们先说这个 f 检验,然后 f 检验的话,我们需要替换的就是这块选中的这些内容,然后我们填入的这个顺序的话,就是音变量、自变量和控制变量和 c x 一 到 c x 一 到 c x 四,把它填进去,然后选中点击运行 在运行结果这块上面的表格我们都不看,我们直接看 f 检验的一个结果,就这块的这个值啊,在论文里边可以用文字去说明,说 f 检验的值是二点八三,那么它的显著性是零点零零零,那么这个显著性它小于零点零五,我们就说 f 检验通过 是 f 检验,奥特曼检验的话,以此类推的,我们需要改动的其实就是这一块和这块,这两块 填入的也是我们的音变量,自变量,控制变量,注意顺序,音变量在最前面下来是自变量,最后是控制变量,然后其他地方不变,直接选中点击运行。上面的这个 呃,表格也是不用看,直接看它的一个检验结果。我们在文章里面去说的时候也去说这个,通过浩斯曼检验发现这个自由度也就 c h i 二括号五等于六百七十四,那么它的显著性 p 值等于零点零零零,也是小于零点零五的,那么也是一样的,这个 p 值小于零点零五就说明了 这个 house 曼检验通过。当我们的 f 检验和 house 曼检验同时通过的时候,我们就说要选择固定效应模型去展开后面的分析, 那么同理,如果说它这个 f 检验和 house 曼检验有一个不通过的情况的话,我们在这块可以呃去看一下,两个都通过用的是固定模型, 如果 f 检验通过, house 曼不通过,我们用的是随机模型,如果说 f 检验不通过,那么我们直接就判定要选择混合模型去进行分析, 然后下来的话就是我们的回归分析。第一个直接效应就是咱们的自变量对音变量的一个回归结果,这块我构建了两个模型,也是基于我们大部分论文的一个方一个格式啊。第一个的话就是我们自变量单独对音变量的一个回归结果,可以看我这块选中的也就是咱们后续要改的地方只有自变量和音变量。然后第二个模型的话,我们就在 自变量的基础上又加入了控制变量,对音变量去做回归啊,这是分别构建的两个模型,我们惯用的一种格式。 然后我们再具体来说一下这块的这个固定效应的这个代码,这个代码的话它是做这个高维固定效应的一个代码,呃,区有区别于我们之前用到的 r e g 和这个 xt r e g 啊,它的这个结果的话会更可靠一点,那就是这个。 然后后面的这这一部分的话,其实是对我们做完固定效应模型之后格式的一个呃,说明,然后我们只需要根据我的这个去改就行了。首先第一个 在这块,在这个标题这个后面写上我们的音变量,然后在这块写上咱们的自变量。这块的话也是写上我们的自变量啊,其实就是你这块写的啥, 这里和这里就写啥,然后你的音变量是谁,你这就写谁,后面的都不用变,就是我们的第一个回归模型。第二个回归模型的话,就是我们加入了自变量,和控制变量一起对音变量做回归。第一个需要改动的地方是,这 也是一样的,按照阴变量、自变量、控制变量这样子的顺序,然后固定了时间和个体,进个体进行区位,然后后边的话也是一样的,然后我们直接选中点击运行就可以看到我们的回归结果 啊。然后数据的话是有两列结果,第一列是只加入 esg 对 lv 的 一个结果,显著正向。第二个是我们加入了控制变量之后,它的一个结果依旧是显著正向影响啊,其实我们主要是通过模型二作出结论,模型一我们只作为一个对比模型去进行说明的, 两个都是正向影响,也论正了我们的假设 h 一, 对吧? esg 促进这个企业绩效是我们的直接效应,那么接下来稳健性的话, 它的作用就是,呃,虽然我这个回归结果已经出来了,正向符合我的假设,但是我这个结果是不是一个偶然性的结论呢?我们就通过稳健性去验证,它就是通过改变一些条件,重复做回归,我们去看结果是否还是显著正向影响。那么第一种方法,我们用了剔除疫情的这段时间的数据, 他的代码的话就是下面的这些,如果说你跟我用的方法一样都是剔除疫情的话,那么这块的代码是不需要变的。这代码啥意思呢?第一个我们先构建一列新的数值,都给他复制为零,然后我在这块去进行一个 if 函数的这个运用,就是如果我的年份是二零二零和二零二一年,我就给这一列数据复制为一啊,那么这样子的话我们可以先运行一下, 运行了之后我们就会发现我们的数据里面多出来一列这一列,这一列的话就是如果我的年份是二零二零和二零二一,这块就是一啊,我们就把它以疫情年的数据和非疫情年的数据区别开了,那么我们做回归的时候,就对这一列数据是零的那一些数据集去做回归, 然后我们看具体的代码,看这个代码其实跟上面回归分析的代码唯一的区别就是他多了一个 f 的 指令,如果 f 这一列数据是零,那么我去做一个回归,如果这个数据是零,我把自变量、控制变量一起加进去做一个回归啊,其实就是这样子的一个思路,那么我们在这块需要改动的就是还是一样的。第一个改,这 我们的做回归的啊,是谁?是指放自变量对音变量的一个回归,然后下面也是一样的,然后下面的这个跟它的区别就是多了一个我们的 if 函数的指令啊,去说明一下,如果我们的这个这一列数据它是零啊,也就是刚才我们说的非疫情年份的数据去进行一个回归啊,就是这样子的一个 呃,代码啊,其他的跟上面都是一模一样的,我们就不重复去说了,直接运行,运行了之后我们点进去去看稳定性的结果我们就发现既除了疫情之后,哎,我们首先从这个观测值上就可以看到观测值是有明显的减少的 啊,然后他的结果依旧是显著正向影响,说明了我们用的这个文件性啊,用的这个方法做出来的文件性跟之前一致啊,结果比较稳健。二个的话就是我们的替换变量法,也是咱们非常常用的,那么这块的话就可以说明为什么我再去找数据的时候,对音变量多找了一个数据,就是用在这啊,做文件性, 然后在这块的话,这个代码其实跟那个直接效应的代码里,跟那个直接效应的代码区别唯一的就在这就是我们把原来的字,原来的音变量 roe 换成了 roe, 其他的都不变,你看原来的 roe 全部换成了 roe, 也就是说把数据换掉,然后再运行,我们去看他的结果,依旧是显著正向影响,也就是说我用了两种方法都去验证他的文件性,那么两种都是正向跟之前一致,说明了我们的文件性确实比较好,他并不是一个偶然性的。结论下来是这个一致性分析,一致性的话,我们主要是把研究对象分成不同的类,然后去看不同的类别中这个结果是否存在差异啊, 然后分类方式的话,只要合理即可。我这块的话以企业规模去举例,我们企业规模这块有数据,就这个 cx 三啊,把它作为我们的分类变量。然后我的分类标准是如果企业规模我用这个中位数去进行划分,企业规模大于中位数的,我就 判定它为大规模企业,小于中位数的,我就认为它是一个小规模企业。按照中位数去分类,那么我们的代码啊,就在这块。首先前面这一部分的话,就是我按照中位数去分类的一个代码 啊。首先第一个是我先生成一列新的数据,叫做 size group 啊,就是生成一列新的数据,然后把它都定义为零。然后第二步的话,就是我去计算这个企业规模的中位数,因为我的企业规模是 cx 三, 它的名字叫 c x 三,所以我这块就写的是 c x 三。然后第三步的话就是我去进行判定了,如果这个 c x 三它是大于这个 c x 三的中位数的,我就给这个组别定义成一啊,那其他的就还是这个零,我就把它分类了,我们还是一样的运行下这个代码,运行了之后我们就会发现多出来了一列 啊,这一列多出来了两列。第一列的话这个是 cx 三的中位数,我们会发现它都是一样的,然后中位数是唯一的嘛,二十二点零五这一列的话,就是根据中位数去进行的一个呃,判定 cx 三是中位数, 它是二十点零六的时候,它小于二十二,所以它是零。像这个它是二十二点一八,它是大于二十二点零五的,所以它就是一按照这个去分类了。分类了之后啊,还是一样的,我们按照用这个 f 的 一个呃指令去把它分类去做这个回归,跟那个我们就发现跟这个疫情年份它的思路是一样的,分类,然后分组回归,然后按住运行, 然后我们就直接去看这个结果,那么第一列和第二列分别就是我们的小规模和大规模的一个运行结果。那么这块谁是小规模,谁是大规模,我们要自己去看一下我们的代码。如果说我们这块第一个做的是这个分组是零的,也就说是小规模的,它是小于中位数的,那我到时候就把这块替换成小规模, 然后这块就是大规模,那这个就方便我们自己去,到时候分析结果,我们就会看到这个结果就是非常标准的一个一致性的分析结果,就是一个显著,一个不显著。我们在这块文字部分重点就讨论为什么他显著了,他不显著的一些可能性原因是我们的第一个一致性。那么还有一种情况 啊,我们的这个第二个一致性,我用这个成长性啊,我专门重新找了一个数据去做,一致性还是一样的,用成长性成长性的这个中位数去做,一致性还是一样的。哎,我又 弄了一个新的组,注意这个组名啊,前面我现在选中的这部分就是给这个组起一个名字啊,组名是这个让他先等于零,然后计算这个 glo, 也就是我们的这一列数据啊,成长性,他的名字叫 glo 啊,计算他的中位数,然后先分组,大于中位数的我给他定义为一啊,小于的还是零,先进行分组, 然后再进行回归啊。 f 这个组别等于零, f 这个组别等于一啊,其他的跟上面都是一样的。选中运行, 然后我们就会发现这个抑制性的结果,它不管是成长性高的这一组,还是成长性低的组,它们两个都具有显著的正向影响。那这种情况我们啊怎么样去判定它俩到底有没有差异呢?谁的正向影响更大呢?我们就要用到组建差异检验,然后,呃,需要改动的地方,哎,第一个就是我们这块 标注的这块,他的这个内容的话,这块也是一样的,音变量控制变量。第三个注意在这啊,这个 esg 就是 这块要填咱们的自变量,这两个地方, 其他的地方都不变啊。然后这个 f 这一块的这个组别的名称要跟咱们上边你设置的这个组别名称要一致,进行一个组建系数检验,然后直接运行, 运行之后它就会出来一个系数检验的结果,那么我们要关注系数检验里边的这个 p 值,我们在报告的时候,也就说,哎,通过组建啊系数,他一检验发现他的这个自由度是零点零九啊,我们的标准零点零五大于零点零五的意思就是说,哎,我这两个 呃阻别之下的这个回归系数,它是没有明显的差异的,就是它俩都有正向影响,然后这个正向影响的没有强弱之分啊,就是这样子的一个意思。那么如果说我这块的这个系数它是一个,比如说是一个零点零一,它小于零点零五,那它的结论就是,哎,我这两个虽然都有显著的正向影响,但是这个正向影响是有强弱之分的,那么 当它的这个有显著差异的时候,我们就可以去对比它的这个系数啊,就是,哎,我发现这个啊,这个系数是比这个系数大的,说明这个组别里边 esg 对 lv 的 正向影响要比这个更强烈啊,这就是它的一个结论,这就是我们的两种抑制性的结果。 然后下来的话就是我们的内生性检验。那么内生性这块的话,首先我们要去找一个工具变量,这个工具变量不需要我们自己去想,自己去构建,直接去看跟我们研究课题类似的这个刊,然后去看别人在研究内生性的时候用了哪些工具变量,我们就去找那个工具变量的数据,并把它作为我们自己的工具变量就可以。 然后我这块提供了一个就是我们实在实在找不到工具变量的时候的一个办法,就是我们把同行业同年度自变量的均值作为工具变量,然后这块的代码就是我们下边的这些, 呃,这个代码需要改动的地方,我们也一次说明一下。首先就是你要用同行业同年度去做,那么我们这块就是同行业和年度的这个数据啊, i n d 是 我们的行业, e r 是 我们的时间,对吧?在这块 行业 i n d e r 是 时间,然后这块就是这里是要改的。第二个要改的地方就是咱们要要计算它的均值嘛,要计算谁的均值,你得告诉他要计算自变量的,所以 esg 要填在这块,其他的不改。这个就是我们计算工具变量的一步,用它作为工具变量,然后点击运行之后,我们就发现数据多了一列 i v, 这个就是我们计算出来的同行业同年度它的这个自变量的均值,这是工具变量,然后计算出来之后展开下面的回归,这个就是做工具变量的一个,呃,做这个内升性的一个代码,呃,然后这块这个代码的话需要我们改动的啊,有这样几个地方,首先第一个 lv 这块啊,改我们自己的音变量,然后这块改我们自己的自变量, 然后这块就是咱们的工具变量,因为我给,我在这个里边可以看到我给工具变量起的名字就是 i v, 所以 我这块工具变量这块填的就是 i v, 然后后面是我们的控制变量 cx 一 到 cx 四,然后再往下这块要填我们的自变量 esg 啊,然后再往下 keep, 后面跟的是我们的工具变量、自变量和控制变量,这是,呃第一阶段,然后第二阶段的话,这块填我们的工具变量、自变量和控制变量, 这里依旧是控制变量、自变量、工具变量啊,其他的不需要改动,把我们这些变量分别填一下,填入之后直接运行,选中运行,它就会出来我们的这个呃内生性的一个检验结果。内生性我们是两阶段嘛?第一阶段是工具变量对自变量做了一个回归, 这块的这个只要显著。第二阶段的话,是我们通过一阶段的这个模型啊,构建的一个自变量的预测变量,对一变量做回归,这个结果要跟咱们之前基本回归一致,就是要是显著正向影响,当这两步同时成立,我们就说这个工具变量它是通过检验的,那这个就是呃内生性的一个结果。那么除此之外的话, 可能有一些要求比较高的,我们还要去看这个弱工具变量检验。首先是我们的这个不可识别检验的这个结果啊,就是这个数据我们需要报告的就是,哎,我的这个不可识别检验,他的结果是二六三点五七六,然后他的这个呃显著性是零点零零零, 小于零点零五的,所以通过了这个不可识别检验。第二个的话,我们的弱工具变量检验就是这个,这个检验要求就是我弱工具变量检验的这个值是要大于下面的这个纽, 只要它大于,那就是通过了检验,你就说它的值是二六六点九九八,它是大于这个呃十六点三八的,所以也通过了说工具变量检验啊,这两个都通过,那就说明了我们的内生性啊,是非常成功的。就说内生性也通过了检验,这就是内生性的一个结果。 再往下就是我们的中介营业,然后我这块是够有两个这个中介变量,那么呃,在做中介这块的话,我们就一步一步来先做这个中介,然后再做这个中介,他们两个的思路和方式基本上都是一样的,我们以研发投入为例。二 d 然后首先看这个中介的思路,我们一般用三步法,三步法的思路就是第一步自变量对音变量要有显著影响,第二步自变量对中介要有显著影响。第三步自变量中介一起放入模型,对音变量做回归的时候,中介变量显著,当这三步同时成立,我们就说中介成立,那么分别对应到我这块的模型意义, 模型二、模型三就是分别去论证这三步的,那么首先模型一我们可以看到,哎,需要我们改动的,第一个这块音变量自变量控制变量啊,就对应的是我们自变量对音量的一个回归结果,我要改这块的话,我们要也要记得啊,这块这块都要改,就根本就不重复说了。第二个模型的话就是自变量对中介可以看到 第一个是 rd 我 们的中介变量,第二个是自变量,第三个是控制变量,然后后面的啊,根据这个去改一下。最后一个自变量和中介一起对音变量,那首先音变量肯定是在最前面的, r v 在 最前面,然后 esg、 rd 控制变量啊,这样子的一个顺序, 然后直接选中,点击运行,它就会出来。我们中介检验的一个结果就是我们这个表模型一我们可以看到模型一的应变量是 r a, 模型二的应变量是 r d, 模型三的应变量是 r a, 对 应的我们的三部,然后 主要看这三个值,这三个值都是正向,那就说明了自变量通过促进中介进而去促进应变量,也对应到我们的这个中介的这个,呃, 也对应了我们中介的这个加速啊,都是促进作用。然后第二个中介的话以此类推,他的代码其实就是我们把这个代码复制,然后把里边的这个,呃, rd, 对 吧?我们第一个中介是 rd, 第二个中介是 sa, 把这个 rd 全部替换为 sa 啊,再去做这三步检验。然后第二种的话就是我们有些导师可能会要求你用两步法去论证中介,那么两步法的话其实就是啊, 三步法里边的前两步就是他只论证用数据去论证自变量对音变量以及自变量对中介,中介对音变量也就是我们的第三步,他要求用文献去进行论证,所以在两步法这块的话,其实就是三步法的前两步,再加上我们用一些文字文献 的形式去论证中介对音变量为什么会有影响啊?就是这样子的一个过程。最后的话我们的调节我们还是以这个,呃, 以调节变量里边的这个股权占比啊,以这个数据为例,调节的思路的话,我们就是要构建调节交互项,这个调节交互项是谁呢?就是自变量和调节变量的乘积 啊,用这个作为我们的交互项,然后去看交互项对应变量的一个回归结果啊,这个结果就代表了这个调节变量是否成立,以及它是正向调节还是负向调节, 那么首先的话,呃,因为我们的自变量和调节变量直接交成放入回归的话,自变量和调节变量之间可能会存在严重的共性性问题,所以这个自变量和调节变量进行去中心化,去中心化就可以规避这个共性性问题。那中去中心化的代码就是这个。后面跟我们要去中心化的变量,那就是咱们的自变量和调节变量放置两个变量就可以, 我们一步一步来运行。首先去中心化,然后我们就会发现数据又多了两列啊, c 杠 esg 和 c 杠这个 t o p, 这两个就是去中心化之后的一个结果,也就是说我们后边就要用这两个作为我的自变量和调节变量去进行调节交互项目构建, 所以你看第二步我们要构建这个交互项了啊,给这个交互项起了个名字叫 w e x, 我 们也可以自己起名,比如说起名成 abc 啊,随便我们这块它是一个名字,它等于啥呢?就等于我们的 c 杠 e s g 乘以 c 杠 q p 啊,就是刚才去中心化之后两个数据的一个乘积 运行,我们就会发现在数据这块有一列新的值 w e x 它我们再做回归这个回归的,呃,需要改动的地方就是我们的这块,首先这块我们的顺序,因变量 去中心化的自变量去中心化的调节变量调节交互向控制变量,那这样子的顺序,然后下面的话依次类推,跟上面要改动的是一致的,然后我们运行这串代码, 这就是我们最终调节的一个结果,可以看到在这个表格里面我们重点要关注的就是调节交互项的这个结果,其他的结果都可以不用去解释。我们就说 这个调节交互项对 r v 因变量的回归系数是零点零零二,它首先是大于零的,说明了它是正向调节,其次它有信号,对吧?在零点零一的水平下,显著说明了我们这个调节是成立的。其次它是正向调节,因为系数是正的,这就是这个。然后另外一个调节的话, 它的代码的话,其实就是把我们刚才啊这些代码复制一下,然后把里边的 top 啊,把这个 top 改成我们的 soe, 然后再做一次回归,那就是,呃,这就是第二个调节的这个结果,这就是咱们所有的内容。

要想进行中介效应的分析,首先我们要理解中介变量的含义。通俗的来说,呃,我们会研究自变量 x 对应变量 y 的影响,那如果自变量 x 通过影响变量 m 进一步影响变量 y, 那变量 m 就是一个中介变量。举一个简单的例子,假如说租客 x 通过中介公司 m 找到了一个合适的房子 y, 那中介公司在这个过程中就扮演了中介变量的角色,中介变量起到的作用就成为中介效应。在这个模型中的 a、 b、 c 和 c 撇在后面会介绍到, 那我们来举一个例子来加深对于中介变量的理解。如果说自变量是父亲的经济社会地位,那他通过影响儿子的受教育程度,进而影响到儿子的社会经济地位,那这个时候儿子的受教育程度就是一个中介变量。 那提到中介,他又分为两种情况,一种是部分中介,一种是完全中介。部分中介是指在 x 影响 y 的时候, 一部分作用是直接影响,另一部分作用是通过中介变量去影响。而完全中介是指 x 影响 y 的时候,全部的作用都通过中介变量去影响。那我们在数据分析的过程中,当 a 和 b 都显著的时候,当 c 撇的作用 呃,显著,那它就是一个部分中介。如果说 cp 不显著,则它是一个完全中介。接下来,我将使用我论文中的变量来进行中介效应检验的演示。 呃,在变量,在在。在这个例子中,自变量是累赘感,因变量是归属需要,中介变量是预期社会排斥。我所使用的方法是 boost drive 法,这也是近些年来比较简单的一种中介检验的方法。呃,需要在 spss 里面安装 process 的插件,在安装完之后,我们打开分析,然后点击回归,点击 process。 在这里我们需要填入我们的变量。首先自变量 x, 因变量 y 以及中介变量 m, 在这里 你可以填入你的控制电量。呃模型,这里我们选择 model 四,因为 process 里面它一共有八十一个模型。 model 四正好是符合我们简单中介呃模型的一个一个一个模型。 然后在这里要选择 boss drive 法,接下来我们点击 up 选选项,我们要选择标准化系数,呃,这个效用量以及总的效用值,点击继续呃,然后点击确定 好,现在结果已经出来了。呃,首先我们要检查 x, y 和 m 是否正确。那接下来我们来看第一个表格,第一个表格它所展示的是自变量对于中介变量的作用。 嗯,因为它 process, 它出现的数值可能会歪,所以你需要歪着去对齐看清这些数值。那在第一个表格中,它显示我们自变量对于面对于中介变量的作用是显著的, p 值小于零点零五。在第二个表格,它所展示的是当 把自变量和中介变量同时纳入到回归方程时,他们对于因变量的影响。那我们一样可以看到批值都是小于零点零五的,所以,呃,自变量和中介变量对于因变量的作用都显著。那最后是自变量对于因变量的总效应,我们一看到这个批值小于零点零五,所以他是显著的。 那根据我们以上的三个表格,我们可以得出结论就是我们的中介效应成立,并且它在其中起到一个部分中介的作用。 接下来我们来看这个模型的总效应,直接效应和间接效应,总效应 p 小于零点零五显著,直接效应 p 小于零点零五也显著。在间接效应中他并没有给出我们 p 值,所以我们需要来看执行区间的上下线,那当上线和下线同号,比如说同正或者同负的时候, 不包含零,就证明我们的效应是显著的。在这里我们可以看到呃负的零点三九和负的零点零二,零点零零二,它是不包含零的,所以间接效应也显著,也再一次证明了我们中介模 是成立的,并且是一个部分中介。那数据分析到这里我们应该怎么样报告这个分析的结果?在这里我给出了一份呃中介效应检验的一种报告的方法。首先我们要报告三个变量之间的相关情况 啊,在这里我们可以看到三个变量之间是显著相关的。接下来我们要进行呃回归分析的报告,那回归分析我们有三个模型,就对应我们上面提到过的三个表格。首先模型一他指的是自变量对于音变量的影响,看的是这个表格 啊,我们要我们要填写的数据,包括贝塔值,也就是这个,这个这个 call efficient 值,它的效应值还有 t 值,在这里 t 值还有尔方,这里尔方还有 f 值,还有它的显著性批值。 那模型二指的是呃自变量对于自变量对于中呃中介变量的影响。我们就看到这里的表格一一样填入我们的 bt 值、 t 值、 r 方和 f 值,呃模型三是 我们把自变量和音变量同时纳入到违规模型中,看他们二者对于音变量的影响。呃,也是一样,填入对应的贝塔值、 t 值,而方和 f 值。 在回归分析报告完之后,我们需要报告这个模型中的总效应、直接效应和间接效应,我们需要报告他的效应值。标准物是新区间的上线和下线以及间接效应占总效应的比率。这个比率你可以直接使用间接效用的效用值去除以总效用的效用值,也可以使用我们在前面讲到的 嗯, a 乘以 b 除以 c, 呃,去算,去算出去算出它的呃这个比率。 接下来接下来,呃,我们要做一个中介效应的路径图,这三个数值分别对应的是我们模型一、二、三中相对应的三个 bat 值。那填完对应的数值之后,这是一个完整的中介效应的报告的方法。

左边这个是你让 a 大 模型根据你的题目来帮你找到解释变量、被解释变量、控制变量等,看起来很完整,但实际上你根本不知道它是从哪些文献里找到的。而右边这些 是我让 agent 爬取十篇文献与你主题相关的来总结出来常用的是哪些,并且整理出 excel 表。所以我们本期只解决一个问题,题目确定之后,怎么把各个变量真正的确定下来,并且利用 agent 来帮我们去找到这些变量? 首先我们传统的做法是有一些题目来明确 x 和 y, 然后去查查找这些 x 和 y 它们的变量衡量方式,来判断这些数据能不能找到。有些变量可能就只有一个单指标,而有些可能利用商指法或主成分分析法或因子分析等等来构建综合指标。 而我这期视频预习大师的目标就是,你听完之后至少应该能够回答你在面对一个题目的时候,你的 x 和 y 怎么衡量的?它的主衡量方式是什么?替代衡量方式是什么?数据库是来自哪些数据的构造和获取?呃,难度如何控制变量?为什么选?这些 都是根据参考文献来确定的。首先我们第一个要确定我们的变量是什么, x、 y 分 别它们代表什么含义?第二个,我们核心变量怎么样来确定衡量方式呢?首先我们要根据检测优先级, 在经管领域我们优先去看 c 刊、北核这些核心刊,优先关注的中文刊主要包括这些,大家可以截图看一下。比如管理世界经济研究,主要通过这些来确定你的变量衡量方式,因为它们都是比较权威的。 其次,在你选择变量的时候,可能会发现它是单指标或者综合指标的单指标,那可能就是一个比较成熟的代理变量。那在硕士论文或者博士论文里经常会出现综合指标来构建变量。比如 呃,这里以商值法距离 y 是 一个综合指标, y 一 y 二, y 三分别是它们的一级维度, y 一 一 y 一 二, y 一 三分别。呃是一级维度下面的二级维度。这里是用商值法来构建综合指标,所以 本科建议优先成熟,选择成熟的单指标,选择单一的数据库,比如国泰安啊这些 c、 n, r, d, s 这种硕士呢,建议就可以用多元的数据了。然后呃,基本上硕士都要通过构建综合指数或者文本指标来去确定的, 并且必须说明构造步骤和替代口径。第三个,数据可得性。我们在找好呃变量构建的口径之后,我们要去看这个数据好不好获取,在这里我也呃已经整理下来了。 第四个,通过文献来筛选变量。我们传统的肯定不能是通过啊,让 ai 来帮我们推荐变量,我们一定要是通过去根据文献来确定来筛选变量的,优先选择和你主题相关的,并且和你研究方法也差不多的,并且是高质量的中文的经管的期盼。 其中推荐的结构就是六到八篇与 y 相关的核心文献,或者两到四篇与 x 和你研究对象相关的文献。那 我们在没有 a f 帮助我们情况下,我们应该从每篇文献里提取哪些呢?比如至少我们要知道文献题目,知道他作者是什么时候发布的这个刊,然后他选择了哪些研究对象,然后研究样本是哪些,他的 x 和 y 是 怎么衡量的,他的每个控制变量又是怎么衡量的, 以及数据来源是哪些,并且它的固定效应和具体方式都选择哪些。因此这里我总结出来一个控制变量矩阵的最终格式,这里 x、 y 控制变量等等都能找到。那最终我们应该找到这个变量的 合集应该什么样的呢?啊,在这里我已经列出来了。首先啊,在这里已经有使用说明去介绍。步骤一啊,利用 agent 来去帮我们录入实篇文献 啊,在这里有文献登记。然后步骤二,在名称映事中,统一同一词口径不同的变量必须拆行,在这里分别看一下,比如文献一,然后依次导入作者与年份、题目、刊等等等等,这些都是让 a t 的 人帮你做。其次,名称映事。名称映事有哪些呢?比如 我们以企业啊,这个为例啊,在企业研究中常用的,比如就是企业规模,资产负债率,那他常见的衡量方式有哪些呢?都列出来了,以及常见的想法有哪些?都已经列出来了,这些是怎么样得来的呢?就是他通过 agent 通过爬取十篇文献 来总结出来的常见写法,以及常见的衡量方式。并且这里有控制变量矩阵,比如企业规模,它出现了,可能在文献一里出现了,那它就在文献一里写一个 size, 然后文献二出现了,就在这里写一个 size, 每个文献就代表一列,所以看一下这个实地矩阵, 比如文献一里,它的呃控制变量有企业规模、资产负债率、 l a、 企业成长性等等这些。在文献二里它的呃控制变量也有这些,所以在同一行中就代表一个控制变量,在同一列就代表一个文献。 呃在最后就可以总结出来这个控制变量是哪一个,常是常,是否常用,他的频次出现了几次,所以就可以帮助我们去呃后选一下控制变量可以选择哪些,这帮助我们和目前的文献进行对齐。 另外呃在找到这些控制变量的时候,我们需要根据他的数据来源来判断是否可得。在这里我已经总结出来了,就是每一个东西就一到五分, 他这里就会初步判断是否为优先。比如呃商业结构化数据库,就代表国泰安问的这些东西,然后官方的公开结构化、国家总局开放平台等等,或者就是平台爬虫这些就比较难的,那这些就是构造灵敏度就可能就一分, 然后如果是国泰安的,那构造灵敏度就是五分,所以呃他会进行打分来帮你判断哪些可以适合去找。 所以我们到底到最后是选几个控制变量呢?呃这个东西呢是根据文献来决定的,比如你研究的主题,可能他们大多都是选八到十个,那你也要和他们进行对齐,但如果他们的研究都是五到七个,或者是呃六七个那种,你也要和他们去对齐。 不过我们在前期的时候可以啊,尽量多找一些控制变量,方便我们后期去调显著性啊。在这里啊演示一下,就是我只写了一些非常简单的提示词,就是说我的题目是企业自动化转型对绿色创新的影响研究,然后帮我找到解释变量、被解释变量、控制变量等等。 哦,这目前 ai 它其实已经做的非常好了,就是它已经能够帮你去判断目前市面上主流的构建呃变量口径都是哪些,比如这里就用的文本分析法, 然后绿色创新就用的专利法,就用啊, c r d s 等等,这些都可以。当时这个 ai 一 出来的时候我就震惊了,就是感觉它目前已经做的特别好了,但是有一个问题就是你 并不知道这些是否准确,比如我对这些是比较熟悉的,所以我能感觉到他是啊,做的很好,但是如果你对一个领域不熟悉的时候,那最直接的证据就是通过参考文献来判断,因此我们就可以让 ai 爬取, 爬取一些参考文献来帮我们去判断。比如啊,我也我也是通过构建一个 skill, 然后告诉 ai, 就是 我的题目是企业说的话转型对绿色创新印象和和我啊,对那种普通 ai 大 模型一样 啊,题词完全一模一样。然后他通过呃剪辑了大概三十分钟左右,然后最终确定了一下这个控制变量的文献矩阵,并且找到了十篇核心文献的权威, 在这里可以看到,然后控制变量的文献矩阵就在这,他已经列出来,就是在我们前面已经讲到有权威证据,一二三四五六七八九十,他已经找到了十篇文献,他的作者年份刊,然后样本期研究了什么,然后 变量定义,然后固定效应之类,对吧?这些都已经列出来,都方便我们后期去研究。同时他的控制变量,比如这名称硬是他都已经找到了,有企业规模常用的就是常见显卡,就是这些,然后常见的衡量方式就是这些, 然后控制变量矩阵,他也是通过文献一二三四五六七八九十来去判断啊。在这个主题内,他的这些常用的参考文献有哪些?比如通过这个自动化转型爬起了十篇文献,最后发现啊,这个资产负债率可能十篇里有九篇出现,那他可能就是高频获选的控制变量 啊。其次企业规模也比较长,也比较常见,因此他在这里采用率已经给你标出来了,哪些是高频的,哪些是中频的,都适合你在自己去筛选控制变量,并且有最终的建议,是否呃建议保留, 以及他通过这些常用通过爬取这十篇文献常用的解释变量,被解释变量,他们的衡量方式是哪些?然后数据来源是哪些?来帮我们去看一下数据是否好获得。最后啊,可以看一下最高的分数应该是二十七 对,就可以通过这个,比如绿色创新,说明这个好获得,他就是通过 cs 来获得的。 然后最后这个十九十九是哪一个?我看一下啊。呃,这个知识产权保护他是通过知识产权年鉴然后来获取的,可能对于普通的同学来说,他可能在呃构建这个变的时候会有些困难,所以他就后面就有说什么高高工作量, 所以就说明他就呃做的时候需要工作量会比其他的常见的会高一些,所以这些就是我做完了这个空呃论文变量确定 skill 来帮我们 有一个题目,然后帮我们去找解释变量,被解释变量、控制变量、调节变量和中介变量。所以通过这个 skill 来帮我们去筛选一些变量的话,就可以节省很多很多时间了,因为它的参考文献都是真实的,因为呃有很多 ai 大 模型,就是普通的网页大模型呢,它是不能去看全书的。 那通过这个 skill 然后给他配置好一些网络解锁能力了,然后他就可以去找到这些参考文献,并且阅读权威,然后来帮我们去筛选好,最后总结出来一个控制变量的矩阵,所以就就这样就 我们在后面做研究的时候就会非常顺利。另外这个呃论文变量确定的这个 skill 我 也会马上开源出来,大家可以直接就用了。

手把手教你搞定私下基础回归,从代码实操到调整显著到结果解读,一篇带你讲透。大家好,我是太空鼠,今天我们进入我们的第五期,手把手教你搞定私下基础回归,今天这期的话,我们会开始实证去做这个回归分析啊。那我们回顾下我们上节课做内容, 我们上节课去做了溯理处理啊,缺失处理,那么溯理处理我们是为了干嘛?我们是为了极端值得处理,对不对?然后缺失处理是干嘛?缺失处理是保证样本量的一致,对吧?那我们接下来开始做基础回归啊,那做基础回归我们上节课说过了,我们用到代码是 r e g h d f e, 对不对?那么 r e g h d f e, 那 后面它该怎么加呢?先加因变量对吧?债务融资成本,也就是我们的 cos 一, 然后再加谁?再加自变量,自变量是我们的什么?是我们的数值的指数,对不对?我们先回归一下,看下单独自变量,单独变量的回归结果是怎么样的? 那么出现一个结果,出现结果之后我们怎么看呢?首先看上面有样本量,对吧?然后我们这有 r 方, r 方是指我们的你和优度, 对不对?那么 r 方结束之后还有什么呢? r 方结束之后看我们下面这个部分,对不对?那么下面这个部分我会发现,第一列是不是我们所谓的变量名音变量、自变量、常数项之类的,对不对?然后接下来第二列是什么?回归的回归系数,那我们会发现回归系数是什么样的?回归系数是不是负的呀? 对不对?回归系数负的,那么回归系数是负的,说明什么?是不是说明数字化转型程度越高,债务融资成本越低啊?是不是说明数字化转型能够降低债务融资成本?然后再看,那么光正光负还不行,我们想要得到的是正向的显著, 或者说负项的显著,对不对?那显著不显著我们看什么呢?是不是看这一列的 p 值?那么 p 值它是和什么去对应的?是不是和星星去对应的?我们在论文表格当中,显著是一颗星显著,两颗星显著,三颗星显著, 对不对?那它对应的星星就是对应的 p 值是什么呢?一颗星显著是 p 值小于零点一啊,对吧?那么两颗星显著是什么? p 值是小于零点零五,对吧?那么三颗星显著 p 值是小于什么?小于零点零一,那么会发现我们当前这个结果非常显著,对不对?三颗星显著,但是三颗星显著也不要高兴太早, 为什么不要高兴太早呢?因为你三颗星显著完事之后,但是他现在是单独自变,单独音变,没有加入固定效应,对不对?我们接下来可以加入固定效应。 那么固定效应怎么去加呢?在后面加个逗号,注意逗号要是英文状态格式加的,加 a、 b、 a、 b 后面加括号,括号里你要去做什么固定效应,你就加什么固定效应。那么一般做的是个体和时间的固定效应,也就是 id 和 year, 对 吧? id 和 year, 那 把 id 和 year 加进去,加进去之后,我们会发现什么呢? 哎,是不是会发现系数仍然是负的,对不对?然后怎么样呢?然后 p 值仍然是非常显著,对不对?那么说明我们这个负线,这个结果初步是成功了啊。那么把固定项链加进去之后,我们接下来加什么呢? 我们接下来加控制变量,对不对?接下来加控制变量啊,那么控制变量的选举呢?大家认为是选多少个随便选?还是说参考文献选?还是说?呃,它选举有一定的规则。首先说选举多少个,那么对于企业层来说,大家觉得控制变量选举多少个可以打在弹幕上啊? 一般的话,要是我去选择控制变量,我一般企业层就会选八到十个,那么这八到十个控制变量我们是随便选吗? 是随便写吗?大家可以回答一下,那也不是随便选,对不对?我们一般是要参考文献去选择,那么参考文献去选择,我们一般是按两个维度去选,对不对?一个叫企业财务绩效维度,一个叫企业的什么治理层面的维度啊?财务绩效维度就是什么呢? size, l e, v, r o, v 这些对不对?那么这里层面是什么呢? board 呀, in deep 呀,对不对? do 啊,这些两值合一之类的,这种变量对不对?那我们可以往进加啊,我们加的时候我们可以逐步去加入群啊,先加 size, 一 步一步往进加, 加入之后看回归结果是否显著啊。那么加完 size 之后加,接下来再加 l e v, 同样是显著,对不对?那么加了 l e, v 之后,可以接下来继续往前加啊,比如加 l a, 同样没问题啊,同样没问题。我们控制变量,对,我们说到这里了啊。呃,控制变量它的显著性重要吗?控制变量显著性重要吗? 大家可以回答一下,不重要对不对?控制变量本身的显著性是不重要的,因为加入他的目的是什么呢?缓解遗漏变量的问题啊,缓解内生性问题,对不对?而且我们主要研究的也不是控制变量,我们主要研究的是自变量对因变量的回归 是不是?所以怎么样呢?所以控制变量显著性是不重要的,只要控制变量加入之后,主回归依然能够显著,那就说明这个控制变量它是一个好的控制变量啊。那我们接下来往进加啊?加谁呢?加 cash flow, 然后接下来加呃, growth 也可以加进去,那我们这个现在加了五个了,对不对?然后接下来加起智力层面呢?智力层面我们可以加成 board, 主要观察主回归的显著性啊,依然显著, in deep 依然显著对不对?然后 do, 然后 form h, 对 不对? 好了,那我们的主回归依然是非常显著,对不对?那么控制变量就已经加全了啊。那么控制变量加全之后,我们接下来要加什么呢?我们接下来要加标准物,对不对? 标准物它有两种,一种叫做什么?一种叫做稳健标准物,一种叫做具类标准物啊,那我们可以严格一些,我们可以加具类标准物加上去看一下。 那么剧烈标准物加进之后会发现怎么样呢?主回归依然是显著的,然后负向的,对不对啊?那我们就认为可以加剧烈标准物,那我们在我们的上一个 这里也加入标,也加入剧烈标准物啊。在我们最开始也去加入剧烈标准物,那我们会发现有一个什么样的问题,会发现这个回归系数非常非常小, 看到没有?负的零点零零零一,非常非常小的一个回归系数啊,那么面临这种小的回归系数该怎么办呢?首先你要知道是什么原因导致回归系数会非常小呢?什么原因导致回归系数非常小? 我们可以把它当做一个函数去理解, y 等于 k 加 b, 对 不对?那当你的 y 是 一个非常非常小的数, x 呢?又是一个比 y 这个量级相对要大一点的这个数,对不对?又是比 x 量级相对要大一点这个数啊,那你想一下,是不是 x 前面的回归系数就会非常非常小, 对吧?因为量缸的差异会导致回归系数非常小,那么回归系数非常小就没有那么容易可读啊,就没有那么容易可读,所以怎么办呢?你会发现啊,当我们去看类似的这种文献的时候,比如说研究债务融资成本呢?他一般都会对债务融资成本有一个放大的处理, 对不对?那怎样放大处理呢?我们可以生成一个新的债务融资,什么 cost? cost 等于什么呢?它等于原本这个小的 cost 给它乘一个一千啊,就是对这个系数去做一个放大的处理, 那我们会发现,当我们乘了一千之后啊,我们用这个新的这个 cost 去做回归 啊,我们用这个新的 cos 去做回归的时候,然后我们再看下这个结果系数还会怎么样呢? 那你会发现还是显著的,但系数明显变大很多,变成零点一二了,对不对?那么这样导出的回归结果系数就 可读了啊,那么这样我们的基准回归结果就显著了,我们就复现成功了。大家做的时候可以按这个去做法,把你的音变量控制变量固定效应标准物放在固定的位置,然后大家可以看一下这个 结果怎么样,那当然我们回归结果还会出现不显著的情况,那我后续也就会更新,当我们回归结果不显著的时候,我们应该怎么样对他去进行调整, 怎么样才能把回归结果调显著?因为不显著他也是一种大概率事件,对不对?那么调显著也有很多学问啊,欢迎大家继续关注。好,谢谢大家。

大家好,我是桃子,今天给大家分享 s p s s 插件里面的有中有调节的中介模型,也就是我们的 mod 七,那 这是一个我们今天要研究的这个 mod 七的模型图,然后呢这是我做的表格,这些表格都是期干论文要求发布的这种表格的形式。然后这是调节效应图,以及我们这个 jessina 的 调节效应图,还有我们的这个中介效应的结果。 下面呢开始我的讲解之前我们学过中介效应,中介效应就是我们从 x 到中介变量,再由中介变量到 y 这样的一个效应,但是在这个地方我们加入了一个调节变量, 这个调节变量呢,他影响的是 x 到 m, 也就是影响自变量到中介变量这一块。另外我们的这个调节有很多种,他有这个调节,在这个地方的也有这个调节啊,前半部分跟后半部分都有调节,也有调节这个直接效应的。那今天我们就单独的来讲这个这个调节变量调节是前半部分,我们 把这个地方呢称为后半段,我们是首先走完了前面,然后再走后面。 但是我们这个中介变量呢,但是我们这个调节变量呢,他对前半段只有调节作用,后半段是没有调节作用的,就是后半段不管不管是什么样的情况,他永远都是这个样子的。但是前半段就不同了,前半段呢,他随着这个调节效应的大小,低中高对应的他这一条斜率是不同的。 判断我们这个有调节的中介是否成立,我们呢要看这三个硬指标, 第一个指标呢就是我们的交互项,之前呢回顾一下我们做这个很简单的调节效应,我们就知道交互项,交互项是自变量乘以调节变量,然后对这个音变量做一个回归,称作交互项,如果交互项显著的话,就证明我们这个调节效应是存在的,这是第一个指标,但是由于我们这个是有调节的中介效应, 那我们呢还要看这个在不同的调节的中高,不同的情况下,我们的这个 自变量对因变量它的斜率是不同的,也就是我们的这个条件间接效应是存在的,证明在不同的调节水平下,中介效应大小不同。最后一个指标呢是我们的这个有调节的中介指数, 也就是我们的 i, n, d, e, x 这个指数,这个指数最后在我们的结果报告当中呢会说出来,如果呢它的这个自信区间百分之九十五,自信区间不包含零,就代表呢有调节的中介模型成立,这是我们判断的核心指标有三个, 下面呢就开始我们的操作,今天呢这个知识点一共分为好几个课程来讲解,今天我们来讲解它的理论知识以及操作。打开我们的数据,我们点击分析,点击回归,点击我们的这个插件,把我们需要变量都选进来, y, x, m 还有 w 分 别选进我们的自变量,音变量,中介变量,调节变量选进来,然后呢我们需要选这个不 drop, 我 们勾选五千次, 然后呢我们把这个 bootstrap 细数勾上,好,我们继续点击 option, 在 option 中呢我们只需要勾选这一个, 就是让它生成格式化的代码,让我们可以绘制,根据这个代码数据绘制成我们的这个条形图,我们将会输出两个条形图,一个是简单的这个低中高水平的调这个调节图,还有一个是我们的 jason 们的调节图,然后呢我们这个小数点取后三位, 我们这个地方呢要求我们这个地方中心化,我们要把这个中心化给去除掉,因为如果我们把中心化勾选的话,到时候我们会制这个将是你们图形的时候,我们会发现它下面的这个调节变量,它的曲值我们是从一到七的,这是我们调节变量的曲值,它就会会制一条原始的一到七的这个数值的曲值。但是如果我们选择了中心化呢? 他就会比方说我们是一二三四五原始的数字中心化,那就是负二负一零一二,那到时候图形绘出来之后,下面的这些数字你会就是说看的很不直观,所以我们把这个给不让他中心化。但事实上呢,是否中心化对我们的结果呢?基本上是没有影响的,这个我都是做过了的, 如果大家不放心的话,可以做一次中性化,也做一次不中性化。最后呢,但是我们输出将是你们这个图形的时候,必须要把这个去掉中性化,否则输出来的图形是就是有这个不直观,我们的 p 值是小于零点零五,代表显著的,我们这个地方呢,让他输出低中高的这个百分之十六五、十四、八十四作为他的低中高的百分位点, 也就是说在这个调节变量他取低位、中位、高位的时候,我们的这个回归是什么样子的?然后这个转身立马呢?我们要把它勾选,因为这是我们现在核心期刊里面都非常重要的一个图形,这是需要大家注意勾选的。 然后我们点击继续,我们点击确定他就会生成我们的这个输出的结果来正在运行,因为他是跑五千次,所以说好,现在运行出来了,这是我们的结果。 第二节课我将为大家讲解这个结果怎么样,阅读是什么样的意思,感谢大家的收听与关注,我们下期再见。