Estudio de eventos frente a diferencia en diferencias

Question

Estoy tratando de realizar la metodología de Estudio de Eventos para analizar el impacto de un grupo de eventos en un grupo de acciones de un determinado sector. Me he dado cuenta de que estoy obteniendo sorprendentemente muchos resultados positivos (valor p muy bajo como ~0,00). Cuando tomé una muestra de fechas aleatorias de mi período de tiempo y ejecuté el mismo análisis de estudio de eventos, volví a obtener múltiples valores p bajos. Aproximadamente 50%-60% por 100 fechas aleatorias para cada empresa. Asumo que la alta volatilidad de mis empresas (y del índice) podría ser una de las razones, pero necesito confirmación. Pero he empezado a preguntarme sobre otra cosa. Utilizo los mismos eventos para todas las empresas de un sector. No eventos específicos para cada empresa (como m&s por ejemplo). Así que empecé a preguntarme si debería usar la diferencia en diferencias aquí. He oído que:

"La diferencia en diferencias (DID) es más apropiada para eventos sistemáticos que afectan a todo el mercado, mientras que el estudio de eventos está diseñado para examinar el impacto de eventos específicos para una sola empresa"

¿Qué tan cierta es esta afirmación? Como he dicho antes, en mi análisis examino el impacto del mismo conjunto de acontecimientos para cada empresa, como el cambio de la normativa para todo el sector. ¿Existen otras alternativas además del estudio de eventos y el DID?

Answer 1

La declaración es razonablemente precisa. Cuando hablamos del "estudio de eventos estándar" en la literatura económica y financiera (por ejemplo MacKinlay, 1997 ), que según su texto lo son, no son apropiados para analizar efectos únicos que afectan a todo el mercado. Hay varias razones para ello:

1. Un supuesto clave del estudio de eventos es la independencia transversal. La independencia transversal se violará cuando en su muestra se produzcan múltiples eventos al mismo tiempo. Un ejemplo de libro de texto sería las salidas a bolsa que se producen el mismo día (véase Brooks Introductory Econometrics for Finance). Esta agrupación de eventos hace que las estimaciones de los estadísticos de prueba y, por tanto, los $p$ -valores sesgados y, como resultado, cualquier inferencia de dicho estudio de eventos será probablemente incorrecta. Si se está analizando el impacto de un solo evento, se tendrá el caso más extremo de agrupación de eventos, ya que se está modelando la regulación como un evento separado para cada empresa que ocurre exactamente en el mismo período de tiempo.

   Existen algunas soluciones para la agrupación de eventos. Por ejemplo, se podría resolver no agregando entre las empresas y limitarse a examinar el impacto del acontecimiento a nivel de empresa haciendo un análisis resumido de todos los estudios individuales a nivel de empresa. Una alternativa sería crear una cartera de empresas que experimenten el suceso al mismo tiempo y analizar la cartera como una única empresa (véase de nuevo Brooks). Sin embargo, en el primer caso la solución no es muy elegante y tiene sus propios problemas que quedan fuera del alcance de esta respuesta, pero en principio se podría hacer. La segunda solución no es apropiada porque en su caso acabaría con una gran cartera de todas las empresas, por lo que acabaría con una sola observación agregada.

2. Normalmente, cuando se quiere evaluar el efecto de una política, no se quiere saber sólo si la política tuvo un efecto en un día, sino si también hay efectos que persisten. Por ejemplo, si se evalúa una política como la de las píldoras antiparasitarias en los países desarrollados sobre el rendimiento de los estudiantes, no se quiere saber sólo si hubo un efecto puntual de esta política sobre el rendimiento de los estudiantes que duró unos días o meses, sino que interesa saber cuál fue el efecto a largo plazo. En estos casos, utilizar el estudio de eventos es problemático, ya que requeriría utilizar una ventana de eventos muy larga. Sin embargo, esto introduce otro problema, ya que el estudio de eventos es muy sensible incluso a pequeños errores de especificación si la ventana de eventos es larga (véase Brooks de nuevo). Por ello, los estudios de eventos más largos utilizan rendimientos anormales de compra y retención (BHAR) en lugar de sólo rendimientos anormales acumulativos (CAR), pero si su ventana de eventos es demasiado larga, seguirá teniendo problemas.

También hay más problemas, pero los dos que he mencionado anteriormente son, en mi opinión, los principales en comparación con DiD. También hay otras alternativas, pero creo que mencionarlas todas sería demasiado amplio. Por ejemplo, se podría modelar un evento único como una ruptura estructural o incluso como un cambio de régimen y analizarlo de esa manera. Siempre dependerá de las características específicas del problema, para lo cual siempre es mejor hacer una revisión muy cuidadosa de la literatura sobre el tema y ver cómo otras personas abordan el problema y qué cuestiones consideran más importantes.