Kilka uwag na temat pomiaru zależności pomiędzy zmiennymi o panelowej strukturze danych

• Autorzy: Mieczysław Kowerski , Jarosław Bielak

Warianty tytułu

A Selection of Remarks on the Measurement of Correlations Between Variables of a Panel Data Structure

• Języki publikacji: PL

Abstrakty

W licznych artykułach modelowanie na podstawie danych panelowych rozpoczyna się od przedstawienia macierzy współczynników korelacji liniowej Pearsona pomiędzy zmiennymi przyjętymi do badania. Celem niniejszego artykułu jest pokazanie nieprzydatności takiego podejścia w analizie zależności w przypadku danych panelowych oraz próba zaproponowania bardziej adekwatnej miary - współczynnika korelacji pomiędzy wartościami empirycznymi i teoretycznymi zmiennej objaśnianej oszacowanego modelu panelowego (z efektami stałymi lub losowymi) względem zmiennej, której zależność w stosunku do zmiennej objaśnianej jest obliczana. Współczynnik korelacji liniowej Pearsona nie uwidacznia podstawowej zalety danych panelowych, jaką jest dostarczanie informacji o zależnościach badanych zjawisk jednocześnie w czasie i przestrzeni. Dla obliczenia tego współczynnika nie jest bowiem istotne, że pewna obserwacja dotyczy obiektu i w okresie t, a inna - obiektu j w okresie t + 1. Można go natomiast wykorzystać w analizach danych panelowych do obliczeń cząstkowych. Prowadzone rozważania zilustrowano obliczeniami zależności pomiędzy strukturą kapitału oraz rentowością i wielkością 17 spółek budowlanych notowanych na Giełdzie Papierów Wartościowych w Warszawie w latach 2009-2018 (170 obserwacji), tworzących panel zbilansowany. Obliczenia te pozwoliły na sformułowanie zalet i wad zaproponowanego rozwiązania. (abstrakt oryginalny)

EN

Many articles featuring panel data modelling tend to begin their considerations with an introduction of the Pearson linear correlation coefficients matrix between the analysed variables. The aim of the article is to prove such an approach unsuitable in the analysis of panel data dependencies. Instead, an attempt has been made to propose a more appropriate meas-ure - a correlation coefficient between the empirical and fitted values of the dependent variableof the estimated panel model (with fixed or random effects) in relation to the variable whose dependency towards the dependent variable is being studied. Pearson's linear correlation coefficient does not reflect the basic advantage of panel data, which is the ability to provide information about the dependencies of the studied phenomena simultaneously in time and space. The fact that one observation relates to object i during period t and another to object j during period t + 1 is irrelevant for the calculation of the coeffi-cient. Pearson's coefficient, however, can be used when conducting sub-calculations in panel data analysis. The presented considerations have been illustrated by the calculations of the relationships between the structure of capital and the profitability and size of 17 construction companies listed on the Warsaw Stock Exchange in the years 2009-2018 (170 observations) which created a balanced panel. A specification of the advantages and disadvantages of the proposed solu-tion was formulated on the basis of the calculations. (original abstract)

Słowa kluczowe

PL

Modele panelowe; Dane panelowe

EN

Panel model; Panel data

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2021
• Numer: nr 5
• Strony: 7--25

Twórcy

autor

Mieczysław Kowerski

• Uczelnia Państwowa im. Szymona Szymonowica w Zamościu

autor

Jarosław Bielak

• Uczelnia Państwowa im. Szymona Szymonowica w Zamościu

Bibliografia

• Anderson, T. W., Hsiao, Ch. (1981). Estimation of Dynamic Models with Error Components. Journal of the American Statistical Association, 76(375), 598-606. https://doi.org/10.2307/2287517 .
• Arellano, M. (1987). Computing Robust Standard Errors for Within-groups Estimators. Oxford Bulletin of Economics and Statistics, 49(4), 431-434. https://doi.org/10.1111/j.1468-0084.1987.mp49004006.x .
• Arellano, M., Bond, S. (1991). Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations. Review of Economic Studies, 58(2), 277-297. https://doi.org/10.2307/2297968 .
• Bankier.pl. (b.r.). Notowania GPW - akcje. Pobrane 20 lutego 2020 r. z https://www.bankier.pl/gielda/notowania/akcje .
• Booth, L., Zhou, J. (2008). Market Power and Dividend Policy: A Risk-Based Perspective. https://dx.doi.org/10.2139/ssrn.1296940 .
• Borsuk, M., Kostrzewa, K. (2020). Miary ryzyka systemowego dla Polski. Jak ryzyko systemowe wpływa na akcję kredytową banków?. Bank i Kredyt, 51(3), 211-238. https://bankikredyt.nbp.pl/content/2020/03/BIK_03_2020_01.pdf .
• Chay, J. B., Suh, J. (2009). Payout Policy and Cash-Flow Uncertainty. Journal of Financial Economics, 93(1), 88-107. https://doi.org/10.1016/j.jfineco.2008.12.001 .
• Denis, D., Osobov, I. (2008). Why do firms pay dividends? International evidence on the determinants of dividend policy. Journal of Financial Economics, 89(1), 62-82. https://doi.org/10.1016/j.jfineco.2007.06.006 .
• Driver, C., Grosman, A., Scaramozzino, P. (2020). Dividend policy and investor pressure. Economic Modelling, 89, 559-576. https://doi.org/10.1016/j.econmod.2019.11.016 .
• Fama, E. F., French, K. R. (2001). Disappearing dividends: changing firm characteristics or lower propensity to pay?. Journal of Financial Economics, 60(1), 3-43. https://doi.org/10.1111/j.1745-6622.2001.tb00321.x .
• Fama, E. F., French, K. R. (2002). Testing Trade-Off and Pecking Order Predictions About Dividends and Debt. The Review of Financial Studies, 15(1), 1-33. https://doi.org/10.1093/rfs/15.1.1 .
• Fama, E. F., MacBeth, J. D. (1973). Risk, Return, and Equilibrium: Empirical Tests. Journal of Political Economy, 81(3), 607-636. https://doi.org/10.1086/260061 .
• Hellwig, Z. (1976). Przechodniość relacji skorelowania zmiennych losowych i płynące stąd wnioski ekonometryczne. Przegląd Statystyczny, 23(1), 3-20.
• Herman, S. (2019). Impact of joint-stock companies' financial condition on real activities manipulation to manage earnings. Wiadomości Statystyczne. The Polish Statistician, 64(10), 36-52. https://doi.org/10.5604/01.3001.0013.7588 .
• Karkowska, R. (2019). Systematic risk affected by country level development. The case of the European banking sector. Argumenta Oeconomica, (2), 255-282. https://doi.org/10.15611/aoe.2019.2.11 .
• Maddala, G. S. (2006). Ekonometria. Warszawa: Wydawnictwo Naukowe PWN.
• Malina, A. (2002). Wielokryterialna taksonomia w analizie porównawczej struktur gospodarczych Polski. W: A. Zeliaś (red.), Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych (s. 305-312). Kraków: Wydawnictwo Akademii Ekonomicznej.
• Malina, A., Zeliaś, A. (1998). On Building Taxonometric Measures on Living Conditions. Statistics in Transition, 3(3), 523-544.
• Młodak, A. (2006). Analiza taksonomiczna w statystyce regionalnej. Warszawa: Difin.
• Młodak, A., Józefowski, T., Wawrowski, Ł. (2016). Zastosowanie metod taksonomicznych w estymacji wskaźników ubóstwa. Wiadomości Statystyczne, 61(2), 1-24. https://doi.org/10.5604/01.3001.0014.0900 .
• Nehrebecka, N., Białek-Jaworska, A., Dzik-Walczak, A. (2016). Źródła finansowania przedsiębiorstw. Stan badań i ich metaanaliza. Warszawa: Difin.
• Pearson, K. (1895). Notes on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58(347-352), 240-242. https://doi.org/10.1098/rspl.1895.0041 .
• Pluskota, A. (2020). The Impact of Corruption on Economic Growth and Innovation in an Economy in Developed European Countries. Annales Universitatis Mariae Curie-Skłodowska. Sectio H. Oeconomia, 54(2), 77-87. https://doi.org/10.17951/h.2020.54.2.77-87 .
• Položij, G. N. (1966). Metody przybliżonych obliczeń. Warszawa: Wydawnictwa Naukowo-Techniczne.
• Urbanek, G. (2017). Analysing brand strength - corporate financial performance link for companies listed on the Warsaw Stock Exchange. Ekonometria, (2), 92-102. https://doi.org/10.15611/ekt.2017.2.06 .
• Witkowski, B. (2012). Modele danych panelowych. W: M. Gruszczyński (red.), Mikroekonometria. Modele i metody analizy danych indywidualnych (s. 267-308). Warszawa: Oficyna Wolters Kluwer Business.

Identyfikatory

DOI

10.5604/01.3001.0014.8781