反傾銷與中國(guó)資本市場(chǎng)信息效率

《經(jīng)濟(jì)學(xué)》（季刊）2023年第5期反傾銷與中國(guó)資本市場(chǎng)信息效率——基于股價(jià)同步性的研究黃新飛葉梓南王升泉目錄附錄Ⅰ式（5）與式（7）證明 1附錄Ⅱ附表及附圖 3附錄Ⅲ穩(wěn)健性檢驗(yàn) 5附錄Ⅰ式（5）與式（7）證明（一）式（5）證明如正文中所述，外部投資者通過更新對(duì)企業(yè)總體價(jià)值的預(yù)期，而即為未來現(xiàn)金流的現(xiàn)值總和：，（A.1）其中，為外部投資者在t期得到的信息集，r為貼現(xiàn)率。結(jié)合對(duì)現(xiàn)金流的定義式（1）和Xt的AR（1）性質(zhì)，可得外部投資者根據(jù)中的信息對(duì)進(jìn)行調(diào)整：（A.2）.由于外部投資者無法觀察到，因此將其簡(jiǎn)化為。最終，外部投資者根據(jù)可觀測(cè)的和對(duì)進(jìn)行調(diào)整得：（A.3）.（二）式（7）證明根據(jù)式（7）和對(duì)的定義式（5）：.（A.4）根據(jù)式子（A.3）：.（A.5）根據(jù)式子（2）、（3）、（4）并化簡(jiǎn)可得式（7）：.（A.6）附錄Ⅱ附表及附圖表A12003—2015年的赫希曼-赫芬達(dá)爾指數(shù)的描述性統(tǒng)計(jì)自變量觀測(cè)量均值標(biāo)準(zhǔn)差最小值最大值20039560.1350.1580.0204120041,0330.1310.1550.0202120051,0360.1630.1890.0239120061,1050.1270.1500.0299120071,1980.1330.1370.0287120081,2470.1360.1350.0242120091,3280.1240.1290.0223120101,6510.1140.1160.0207120111,8490.1080.1060.0194120121,9500.1050.1040.0194120131,9810.1040.1040.0201120142,0700.09950.1010.0187120152,2250.09610.09910.01741表A2穩(wěn)健性檢驗(yàn)2與3更換時(shí)間窗口排除前十貿(mào)易伙伴shockyear0.124***0.214***(0.038)(0.060)控制變量YY個(gè)體固定效應(yīng)YY年份固定效應(yīng)YY行業(yè)固定效應(yīng)YY地區(qū)固定效應(yīng)YY觀測(cè)量8,41516,543R-squared0.3100.287注：***代表p<0.01。固定效應(yīng)中的Y表示已控制?？刂谱兞恐械腨表示已加入。括號(hào)內(nèi)展示公司聚類標(biāo)準(zhǔn)誤。表A3穩(wěn)健性檢驗(yàn)4前推/滯后前推一期前推二期前推三期滯后一期滯后兩期滯后三期shock_1-0.064*-0.011(0.033)(0.031)shock_20.057-0.027(0.037)(0.033)shock_30.007-0.062(0.043)(0.039)控制變量YYYYYY個(gè)體固定效應(yīng)YYYYYY年份固定效應(yīng)YYYYYY行業(yè)固定效應(yīng)YYYYYY地區(qū)固定效應(yīng)YYYYYY觀測(cè)量14,75913,07911,55014,64512,90011,263R-squared0.4320.4400.4250.4450.4650.484注：***代表p<0.01。固定效應(yīng)中的Y表示已控制?？刂谱兞恐械腨表示已加入。括號(hào)內(nèi)展示公司聚類標(biāo)準(zhǔn)誤。附錄Ⅲ穩(wěn)健性檢驗(yàn)預(yù)測(cè)反傾銷的回歸結(jié)果如下表所示?；窘Y(jié)論數(shù)，我們無法使用可得信息預(yù)測(cè)企業(yè)是否會(huì)遭受反傾銷，即反傾銷是隨機(jī)發(fā)生的。表Ⅲ1隨機(jī)性檢驗(yàn)自變量當(dāng)期滯后一期nation0.002-0.002(0.004)(0.004)notashare0.0040.006(0.009)(0.009)lincome0.001-0.002(0.003)(0.003)leverage-0.000-0.010(0.010)(0.011)pb-0.0000.000(0.000)(0.001)roa-0.056-0.118(0.079)(0.086)big4-0.009-0.006(0.008)(0.008)assetdev0.0220.009(0.016)(0.016)lpergdp-0.0020.013(0.010)(0.010)gdpr-0.000-0.001(0.001)(0.001)wasset0.0040.011(0.008)(0.008)控制變量YY個(gè)體固定效應(yīng)YY年份固定效應(yīng)YY行業(yè)固定效應(yīng)YY地區(qū)固定效應(yīng)YY觀測(cè)量16,14016,517R-squared0.4180.491注：***代表p<0.01。固定效應(yīng)中的Y表示已控制?？刂谱兞恐械腨表示已加入。括號(hào)內(nèi)展示公司聚類標(biāo)準(zhǔn)誤。圖Ⅲ1殘差概率密度圖臨近匹配：結(jié)合審稿人的意見，我們分別進(jìn)行了1:1-1:5的PSM臨近匹配，檢驗(yàn)與匹配后的回歸結(jié)果如下：表Ⅲ2PSM回歸結(jié)果(1)(2)(3)(4)(5)臨近數(shù)量1:11:21:31:41:5shockyear-0.0910.0140.132**0.123**0.093*(0.106)(0.070)(0.062)(0.056)(0.052)nation-0.0190.167*0.0340.008-0.041(0.156)(0.098)(0.073)(0.063)(0.060)notashare0.149-0.150-0.295-0.238-0.167(0.432)(0.254)(0.195)(0.152)(0.130)lincome-0.105-0.117-0.121-0.079-0.077(0.181)(0.111)(0.084)(0.075)(0.066)leverage-0.614-0.440-0.898***-0.857***-0.531**(0.531)(0.399)(0.330)(0.247)(0.235)pb-0.124-0.187*-0.109-0.106-0.118*(0.133)(0.098)(0.083)(0.066)(0.063)roa-1.072-1.083-3.034-4.764**-4.166**(4.956)(3.159)(2.734)(2.170)(1.954)big4-0.266-0.199-0.076-0.134-0.115(0.354)(0.282)(0.305)(0.235)(0.216)assetdev0.7841.111*0.2820.1050.012(1.087)(0.643)(0.429)(0.392)(0.418)lpergdp-0.313-0.402-0.232-0.200-0.154(0.433)(0.263)(0.188)(0.141)(0.131)gdpr0.0230.0070.0140.0100.012(0.020)(0.014)(0.011)(0.009)(0.008)wasset1.062**0.511*0.652***0.450**0.315*(0.455)(0.309)(0.247)(0.205)(0.186)Constant-4.0102.661-0.3440.3720.959(6.289)(4.247)(3.121)(2.335)(2.080)Observations3577061,0631,4461,839R-squared0.6590.6300.6070.5970.572注：***代表p<0.01。固定效應(yīng)中的Y表示已控制。控制變量中的Y表示已加入。括號(hào)內(nèi)展示公司聚類標(biāo)準(zhǔn)誤。結(jié)果顯示，1:1,1:2的臨近匹配的核心系數(shù)都沒有顯著，而1:3及以上的結(jié)果都顯著。這其中的主要原因是，臨近匹配數(shù)量越多，樣本選擇帶來的差異（variance）就會(huì)越?。–aliendoandKopeinig,2008）。上述的回歸結(jié)果也應(yīng)證了這一觀點(diǎn)，因?yàn)殡S著臨近數(shù)量的變大，系數(shù)的標(biāo)準(zhǔn)誤也越來越小。與此同時(shí)，由于基準(zhǔn)回歸中受到反傾銷的企業(yè)觀測(cè)量本身就很少，而且出于數(shù)據(jù)的特殊性，本文并不是一個(gè)DID型的回歸，1:1的匹配很容易使得面板數(shù)據(jù)的固定效應(yīng)丟掉大量的觀測(cè)量（例如只有一年或者一個(gè)觀測(cè)量企業(yè)的觀測(cè)量無法計(jì)算固定效應(yīng)當(dāng)中必要的均值組群（fixedeffectgroups），使得1:1或者1:2匹配出現(xiàn)嚴(yán)重的觀測(cè)量丟失問題，無法確定這些回歸是否足夠無偏與有效。因此，在權(quán)衡臨近數(shù)量的多少之后，認(rèn)為1:3這一臨近數(shù)量相對(duì)比較合理。在過往使用PSM的文獻(xiàn)當(dāng)中，大多數(shù)的文獻(xiàn)使用的是kernel方法。出于此處檢驗(yàn)的要求，上述回歸只能使用臨近匹配，而使用這種嚴(yán)格的精確匹配的文獻(xiàn)當(dāng)中，也使用了1對(duì)多的匹配（田利輝和王可第，2017），CaliendoandKopeinig（2008）也推薦使用1對(duì)多的匹配在緩解1:1匹配中較大的差異，使得估計(jì)結(jié)果更加精確。參考文獻(xiàn)田利輝、王可第,“社會(huì)責(zé)任信息披露的‘掩飾效應(yīng)’和上市公司崩盤風(fēng)險(xiǎn)——來自中國(guó)股票市場(chǎng)的DID-PSM分析”,《管理世界》,2017年第11期,第146-157頁。Caliendo,M.,andS.Kopeini