金融顶刊JFE: log(1+Y)转换可能拒稿!(类)计数变量应这样操作

金融学TOP3刊JFE上的文章《Count (and count-like) data in finance》论证了log(1+Y)存在问题，并提出了替代性的解决方案。在这篇文章出来后，若继续采用常规操作，很可能会被看过这篇文章的审稿人拒稿。

Jonathan B. Cohn, Zack Liu, and Malcolm I. Wardlaw. 2022. Count (and Count-like) Data in Finance. Journal of Financial Economics 146(2): 529-551.

为方便读者，可公众号“社科学术汇”后台回复关键词“因变量取对数”下载论文阅读学习

文章评估了处理基于计数的结果变量和具有类似分布的其他结果变量的不同计量经济学方法，他们在公司金融应用研究中越来越常见。作者证明了实践中通常对结果变量加1后取对数log(1+Y)进行线性回归的常见做法会产生没有自然解释的估计量，并且在期望值上很容易出现错误的符号。相比之下，一个简单的固定效应泊松回归在更一般的条件下可以产生一致且合理有效的估计值。作者还通过复现现有论文表明，经济结论可能对所采用的回归模型高度敏感。

文章使用计量分析和模拟来评估常用的计数和类计数结果变量的回归模型。复现了六个顶级金融期刊上分析有两个这样的结果变量的数据集，并比较不同回归模型的估计值。主要结论是泊松回归提供具有自然解释的估计量，不需要特殊假设即可进行有效估计，通常可以很好地拟合此类结果变量，并且在公司财务应用中至关重要。相比之下，log(1+Y)对数线性回归的常见做法所产生的估计值缺乏有意义的解释，并且存在固有的偏差，可能导致他们估计出在期望值上相反的符号。虽然log(1+Y)回归估计量的解释对于理解特定论文的结论可能不是关键，但复现分析表明，泊松回归和log(1+Y)回归之间的选择，对估计结果的影响比遗漏最重要的控制变量还要大。