回归系数

不显著的话可以看一下是不是自己哪一步错了，然后重新选择方程，变量，样本以及方法。下面是对这几个的详细介绍：1、选方程。同样的问题，有时会有不同的模型。某篇经典文献用的是A模型，另外一个大牛可能用的是B模型。倒底哪个模型更好，取决于你对模型背后理论的信念。如果你更认可A模型背后的理论，就用A模型；同理对B模型也是如此。而选择不同的模型时，得到的实证结果往往会存在差别。有时候差别仅仅体现在系数的大小上，而有时候差别体现在系数的显著性上。 2、选变量。同一个财务变量，可能有多个指标能衡量。比如融资约束的度量，在文献经常出现的包括：公司规模、是否支付股利、产权性质、KZ指数、WW指数、信用评级、票据评级、利息偿付倍数、资产的可抵押能力、是否是集团公司等等。再比如掠夺风险的度量，包括：HHI、主营业务利润、价格-成本边际、超额价格-成本边际、勒纳指数、交叉弹性、熵指数、资本-劳动比偏离行业均值的绝对值、股票收益和行业组合收益的协方差、行业内最大四家企业的集中度等等。选择不同的指标衡量某个变量，得到的结果也存在差别。所以也可以采用这种思路来获得显著的结果。不过稳健性检验往往要求对某个无法精确度量的变量采取多种指标衡量，而且有时候还要检验这些指标的一致性（通过相关系数和交叉统计）。 3、选样本。数据处理的过程包含了选择样本的过程。删除ST、PT公司，删除交叉上市的公司，删除IPO当年的数据，删除资不抵债的公司，对离群值进行Winsor处理。样本处理也是五花八门，值得细细琢磨一番。 4、选方法。OLS、FE、GMM、3SLS、IV、Probit、DID，方法有很多，理论上可以改变不同的方法来做实证，但事实上每一种方法都有自己的限定条件和使用范围。所以选方法的可行性不太高。

1、协方差矩阵中的每一个元素是表示的随机向量X的不同分量之间的协方差，而不是不同样本之间的协方差，如元素Cij就是反映的随机变量Xi,Xj的协方差。2、协方差是反映的变量之间的二阶统计特性，如果随机向量的不同分量之间的相关性很小，则所得的协方差矩阵几乎是一个对角矩阵。对于一些特殊的应用场合，为了使随机向量的长度较小，可以采用主成分分析的方法，使变换之后的变量的协方差矩阵完全是一个对角矩阵，之后就可以舍弃一些能量较小的分量了（对角线上的元素反映的是方差，也就是交流能量）。特别是在模式识别领域，当模式向量的维数过高时会影响识别系统的泛化性能，经常需要做这样的处理。3、必须注意的是，这里所得到的式（5）和式（6）给出的只是随机向量协方差矩阵真实值的一个估计（即由所测的样本的值来表示的，随着样本取值的不同会发生变化），故而所得的协方差矩阵是依赖于采样样本的，并且样本的数目越多，样本在总体中的覆盖面越广，则所得的协方差矩阵越可靠。4、如同协方差和相关系数的关系一样，我们有时为了能够更直观地知道随机向量的不同分量之间的相关性究竟有多大，还会引入相关系数矩阵。