三竿检验22.docVIP

从 Sargan 统计量上看，都在 1%水平上显著，检验差分方程中的残差是否存在一阶自相关的 m1统计量也在 1%水平上显著， 检验差分方程中的残差是否存在二阶自相关的 m2统计量除（1）栏外都不显著（取 10%显著性水平）。 Sargan 统计量都在 1%水平上显著， 检验差分方程中的残差是否存在一阶自相关的 m1统计量也在 1%水平上显著，检验差分方程中的残差是否存在二阶自相关的 m2统计量除（1）栏外都不显著（取 10%显著性水平）。 估计结果 Sargan 统计量都至少在 5%水平上显著，检验差分方程中的残差是否存在一阶自相关的 m1统计量都在 1%水平上显著，检验差分方程中的残差是否存在二阶自相关的 m2统计量除三资企业的 TECH 方程（第（4）栏）外都不显著。 2.4 稳健性检验 为了检验本文有关结论的稳健性，本方进一步从下列方面进行验证： ①在现金持有的衡量上，运用“货币资金+短期投资／总资产”衡量现金持有水平，得出的结果与本文前述结论相差不大。②考虑控制变量。现金持有研究中公司治理结构也可能对公司的现金持有行为产生影响，我们在模型(3)中加入了反映治理结构的变量，包括股权集中度(前10大股东持股比例平方和)、股东制衡度(第一大股东与其他四大股东持股比例之和的差值)，但分析结论是影响的显著性偏低。因此，公司治理结构对公司现金持有行为的动态调整行为影响并不十分显著。原因可能是数据均为2005年后，即股权分置改革启动后的数据，而且样本时间长度较短，另外数据频率为季度数据，对于治理结构而言，变化非常缓慢。但在将来的研究中，可将公司治理结构与，现金调整之间的关系作更加深入研究。 首先，在模型的筛选上，需要对两个变量滞后阶数的选取进行判断，以防止工具变量选取( 滞后阶数) 不当造成过度识别问题，可以依照 Sargan 检验。Sargan 检验的原假设是说模型对过度识别的限制是有效的，备择假设表示模型出现过度识别问题，因此合理的模型检验应该不能拒绝原假设。通过 Sargan检验结果可知，表 4 中的估计( 4) 不能拒绝原假设， 说明模型的设定比较合理。 首先，通过估计( 4) 对模型进行两阶段 GMM 估计，从 Sargan 检验可知，模型设定较为合理。其次，通过序列相关检验结果 arm2 同样发现不存在序列相关，模型工具变量的选取较为合理。 在动态面板模型中，由于以因变量的滞后项作为解释变量，这可能造成解释变量与随机误差项的相关性和解释变量的内生性问题。如果仍然使用传统的估计方法，将会导致参数估计的非一致性。Arellano 和 Bond( 1991) 建议采用一阶差分矩估计方法( first － differencedGMM) 来克服上述两个问题。DGMM 估计方法的优点在于通过差分来控制未观察到的时间和个体效应，同时利用被解释变量的滞后项作为工具变量克服内生性问题。但由于在很多情况下变量的滞后值并不是一阶差分方程的理想工具变量，因此我们选择 Blundell 和 Bond( 1998) 提出的系统 GMM 估计( system GMM) 方法对模型进行估计。估计结果见表 3。 表 3 中 Sargan 检验为过度识别约束检验，测定了动态面板估计中工具变量选择的适宜性，由 Sargan 检验得到的 P 值( 0． 4215) 可知，工具变量的选择是合理的，不存在过度识别问题。同时我们给出了 Wald 检验，它常用来检验联合系数是否有效，表中 Wald 统计量设定检验显示该假设不被拒绝，即解释变量对被解释变量的联合影响具有统计意义。 动态面板数据模型需要通过三项检验,即Sargan检验、Arellano-Bond AR(1)检验和Arellano-BondAR(2)检验检验。首先,应用Sargan检验来判别并选取合适工具变量Sargan检验的原假设为:过度识别限制是有效的,即工具变量有效。在原假设成立的条件下, Sargan统计量服从自由度为r-k的卡方分布(r是工具变量的秩, k是估计参数个数)。在0. 05的显著性水平下,当P0. 05时,拒绝原假设,即工具变量无效;当P0. 05接受“过度约束正确的零假设”,即工具变量有效。Sargan检验的原假设是模型估计选用的工具变量是合适的,因此,如果Sargan统计量的p值大于0. 05,表示在5%的显著性水平上,工具变量的选择是合理的,否则就不合理。Arellano-BondAR(1)检验或Arellano-BondAR(2)检验检验的原假设分别是模型的残差序列不存在一阶序列相关或二阶序列相关 Sargan统计量的p值分别为: 0. 4454、0. 3691、0. 3542,在0. 05的显著水平下,不拒绝过度识别限制有效的原假设,所选工具变量有效。同时,Arella