6.2. Regression resultsPanel A of T

6.2. Regression results

Panel A of Table 5 reports results from the regression in which the dependent variable is the bid-ask spread. Three sets of results are reported. The ‘‘OLS’’ column reports simple OLS regression results, the ‘‘Fixed effects’’ column reports results from the firm fixed effects model, and the ‘‘2SLS’’ column reports results from our second-stage regression. In all three sets of results we find that the coefficient on each of our control variables (size, turnover, and volatility) is significant at the 1% level, implying that they help explain a firm’s bid-ask spread. More importantly, in each of our regressions the coefficient on Frequency is significantly negative, indicating that as reporting frequency increases, a firm’s bid-ask spread decreases. Its value ranges from 0.085 to 0.146, suggesting that bid-ask spread decreases by between 0.085% and 0.146% when reporting frequency increases by one.23
Panel B shows results when the dependent variable is the price impact. Again all three sets of results reveal a significant association between price impact and each of the control variables. Furthermore, Frequency is significantly negative in each of the specifications. Our results suggest that price impact decreases by between 0.216% and 0.382% when reporting frequency increases by one.
We next compare the OLS results with the 2SLS results, following the advice of Larcker and Rusticus (2010). This comparison shows that the 2SLS results generally are smaller in magnitude (but still statistically significant), suggesting the existence of endogeneity. We also perform Hausman tests to evaluate the significance between the OLS and 2SLS results and find that in all specifications, the 2SLS results are significantly different from the OLS results.
In addition, we assess how severe the endogeneity problem must be to overturn our OLS results. It is well known that the bias induced by the omitted variable is determined by the omitted variable’s correlation with the independent variable of interest and its correlation with the dependent variable. The stronger the two correlations, the more biased the coefficient estimate. A product of the two correlations therefore reflects the extent of the bias. This insight leads to the computation of the Impact Threshold for a Confounding Variable (hereafter ITCV). Specifically, the ITCV is the lowest product of the two correlations (the partial correlation between the dependent variable and the confounding variable, and the partial correlation between the independent variable of interest and the confounding variable) that could render the coefficient statistically insignificant (Frank 2000). The larger (smaller) the ITCV, the more (less) robust the OLS results are to omitted variables concerns.
The ITCV for reporting frequency is reported in Table 5, Panels A (the bid-ask spread model) and B (the price impact model). The ITCV of 0.034 in the bid-ask spread regression implies that the correlations between reporting frequency and bid-ask spreads with the unobserved confounding variable each need to be around 0.184 ( ¼ 0.0340.5) in order to overturn the OLS results. For the price impact regression, the ITCV of 0.182 implies that similar correlations need to be around 0.427.
In both cases the ITCV appears large enough to suggest that the OLS results are robust to omitted variable concerns. However, in order to be sure we use our control variables to calculate a benchmark for the magnitude of likely correlations involving the unobserved confounding variable. To do this we calculate Impact for each of our control variables. Impact is defined as the product of the partial correlation between the x-variable and the control variable and the correlation between the y-variable and the control variable (partialling out the effect of the other control variables). We also calculate Impactraw for each of the control variables, which is based on the raw correlations instead of the partial correlations.
In both Panels A and B, none of the control variables have an Impact or Impactraw with a larger magnitude than the relevant ITCV. This suggests that any unobserved confounding variable must be more highly correlated with the dependent variable and reporting frequency than any of our existing control variables in order to overturn our OLS results. Under the assumption that we have a good set of control variables, it is unlikely that such an unobserved variable exists, suggesting that our OLS results are robust to unobserved confounding variables.

Results (Indonesian) 1:

6.2. regresi hasilPanel Tabel 5 laporan hasil dari regresi di mana variabel dependen adalah penyebaran Bid-Ask. Tiga set hasil dilaporkan. Kolom '' OLS'' laporan hasil regresi OLS sederhana, '' tetap efek '' kolom laporan hasil dari berlandaskan fixed efek model, dan kolom '' 2SLS'' laporan hasil dari regresi tahap kedua kami. Di semua tiga set hasil kami studi yang coefficient pada masing-masing variabel kontrol kami (ukuran, omset dan volatilitas) significant pada tingkat 1%, menyiratkan bahwa mereka membantu menjelaskan berlandaskan bid-ask spread. Lebih penting lagi, dalam setiap regresi kami coefficient pada frekuensi adalah significantly negatif, menunjukkan bahwa sebagai melaporkan peningkatan frekuensi, berlandaskan tawaran-ask spread berkurang. Nilainya berkisar dari 0.085 ke 0.146, menyarankan yang tawaran-ask spread berkurang oleh antara 0.085% dan 0.146% saat melaporkan meningkatkan frekuensi oleh one.23Panel B menunjukkan hasil ketika variabel dependen dampak harga. Lagi semua tiga set hasil mengungkapkan significant Asosiasi antara dampak harga dan masing-masing variabel kontrol. Selanjutnya, frekuensi adalah significantly negatif di setiap specifications. Hasil kami menunjukkan bahwa dampak harga berkurang sebesar antara 0.216% dan 0.382% saat melaporkan peningkatan frekuensi oleh salah satu.Kita selanjutnya membandingkan hasil OLS dengan hasil 2SLS, mengikuti saran dari Larcker dan Rusticus (2010). Perbandingan ini menunjukkan bahwa hasil 2SLS umumnya lebih kecil di besarnya (tapi masih Statistik significant), menunjukkan adanya endogeneity. Kami juga melakukan Hausman tes untuk mengevaluasi significance antara OLS dan 2SLS hasil dan studi dalam semua specifications, hasil 2SLS yang significantly berbeda dari hasil OLS.Selain itu, kami menilai seberapa parah masalah endogeneity harus untuk membalikkan hasil OLS kami. Hal ini juga diketahui bahwa bias disebabkan oleh variabel dihilangkan ditentukan oleh variabel dihilangkan korelasi dengan variabel independen menarik dan dengan korelasi dengan variabel dependen. Korelasi kuat dua, lebih bias coefficient memperkirakan. Produk dari dua korelasi karena itu reflects tingkat bias. Wawasan ini mengarah pada perhitungan ambang dampak untuk membingungkan variabel (selanjutnya disebut ITCV). Specifically, ITCV adalah produk terendah dari korelasi dua (parsial korelasi antara variabel dependen dan memusingkan variabel dan parsial korelasi antara variabel independen menarik dan memusingkan variabel) yang bisa membuat coefficient Statistik insignificant (Frank 2000). Yang lebih besar (kecil) ITCV, semakin (kurang) kuat hasil OLS akan dihilangkan variabel keprihatinan.ITCV untuk frekuensi pelaporan dilaporkan dalam tabel 5, panel A (Bid-Ask menyebar model) dan B (model dampak harga). ITCV 0.034 di regresi Bid-Ask spread menyiratkan bahwa korelasi antara frekuensi pelaporan dan bid-ask spread dengan variabel memusingkan unobserved masing-masing perlu menjadi sekitar 0.184 (¼ 0.0340.5) untuk menggulingkan OLS hasil. Untuk harga dampak regresi, ITCV 0.182 menyiratkan bahwa korelasi serupa perlu sekitar 0.427.Dalam kedua kasus ITCV muncul cukup besar untuk menunjukkan bahwa hasil OLS kuat kekhawatiran variabel dihilangkan. Namun, dalam rangka untuk memastikan kita menggunakan variabel kontrol kami untuk menghitung patokan untuk besarnya kemungkinan korelasi memusingkan variabel unobserved melibatkan. Untuk melakukan hal ini kita menghitung dampak untuk masing-masing variabel kontrol kami. Dampak adalah defined sebagai produk parsial korelasi antara x-variabel dan variabel kontrol dan korelasi antara y-variabel dan variabel kontrol (partialling keluar efek variabel kontrol lainnya). Kami juga menghitung Impactraw untuk setiap variabel kontrol, yang didasarkan pada korelasi mentah bukan korelasi parsial.Kedua panel A dan B, tidak ada variabel kontrol memiliki dampak atau Impactraw dengan besarnya lebih besar daripada ITCV relevan. Hal ini menunjukkan bahwa setiap unobserved memusingkan variabel harus lebih sangat berkorelasi dengan variabel dependen dan frekuensi pelaporan daripada salah satu variabel kontrol kami yang ada untuk membatalkan hasil OLS kami. Di bawah asumsi bahwa kita memiliki seperangkat baik variabel kontrol, itu tidak mungkin bahwa sebuah variabel unobserved ada, menyarankan bahwa hasil OLS kami kuat untuk unobserved memusingkan variabel.

Results (Indonesian) 2:

6.2. Hasil regresi

Panel A dari Tabel 5 laporan hasil dari regresi dimana variabel dependen adalah bid-ask menyebar. Tiga set hasil yang dilaporkan. The '' OLS 'kolom' melaporkan hasil OLS regresi sederhana, '' efek Tetap '' laporan kolom hasil dari model efek fi rm fi xed, dan '' 2SLS '' laporan kolom hasil dari regresi tahap kedua kami. Dalam semua tiga set hasil kita temukan bahwa koefisien pada masing-masing variabel kontrol kami (ukuran, omset, dan volatilitas) adalah signifikan pada tingkat 1%, menyiratkan bahwa mereka membantu menjelaskan suatu perusahaan bid-ask spread. Lebih penting lagi, di setiap regresi kami koefisien pada Frekuensi adalah secara signifikan negatif, menunjukkan bahwa sebagai melaporkan frekuensi meningkat, suatu perusahaan bid-ask spread menurun. Its nilai berkisar 0,085-0,146, menunjukkan bahwa bid-ask spread menurun oleh antara 0,085% dan 0,146% ketika melaporkan frekuensi meningkat one.23
B Panel menunjukkan hasil ketika variabel dependen adalah dampak harga. Sekali lagi semua tiga set hasil mengungkapkan hubungan yang signifikan antara dampak harga dan masing-masing variabel kontrol. Selanjutnya, Frekuensi adalah secara signifikan negatif dalam setiap spesifikasi-spesifikasi. Hasil kami menunjukkan bahwa dampak harga berkurang antara 0,216% dan 0,382% ketika melaporkan frekuensi meningkat sebesar satu.
Kami selanjutnya membandingkan hasil OLS dengan hasil 2SLS, mengikuti saran dari Larcker dan Rusticus (2010). Perbandingan ini menunjukkan bahwa 2SLS hasil umumnya lebih kecil besarnya (tapi masih statistik signifikan), menunjukkan adanya endogeneity. Kami juga melakukan Hausman tes untuk mengevaluasi fi signifikansi antara OLS dan 2SLS hasil dan mendapati bahwa dalam semua spesifikasi-spesifikasi, hasil 2SLS yang secara signifikan berbeda dari hasil OLS.
Selain itu, kami menilai seberapa parah masalah endogeneity harus untuk membatalkan hasil OLS kami. Hal ini juga diketahui bahwa bias disebabkan oleh variabel dihilangkan ditentukan oleh korelasi variabel dihilangkan dengan variabel independen bunga dan korelasinya dengan variabel dependen. Semakin kuat dua korelasi, semakin bias estimasi koefisien. Sebuah produk dari dua korelasi karena itu ulang proyek-fl sejauh mana bias. Pandangan ini menyebabkan perhitungan Threshold Dampak untuk Variable (selanjutnya ITCV) Confounding. Secara khusus, ITCV adalah produk terendah dari dua korelasi (korelasi parsial antara variabel dependen dan variabel pengganggu, dan korelasi parsial antara variabel bebas bunga dan variabel pengganggu) yang bisa menjadikan koefisien statistik tidak signifikan (Frank 2000 ). Yang lebih besar (lebih kecil) ITCV, semakin (kurang) kuat hasil OLS adalah kekhawatiran variabel dihilangkan.
The ITCV untuk melaporkan frekuensi dilaporkan dalam Tabel 5, Panel A (bid-ask spread model) dan B (model dampak harga). The ITCV dari 0.034 di bid-ask spread regresi menunjukkan bahwa korelasi antara frekuensi pelaporan dan bid-ask spread dengan variabel pengganggu teramati masing-masing perlu berada di sekitar 0.184 (¼ 0.0340.5) untuk membatalkan hasil OLS. Untuk harga dampak regresi, ITCV dari 0,182 menunjukkan bahwa korelasi serupa perlu berada di sekitar 0,427.
Dalam kedua kasus ITCV muncul cukup besar untuk menunjukkan bahwa hasil OLS yang kuat untuk keprihatinan variabel dihilangkan. Namun, dalam rangka untuk memastikan kita menggunakan variabel kontrol kami untuk menghitung patokan untuk besarnya korelasi kemungkinan melibatkan variabel pengganggu tidak teramati. Untuk melakukan hal ini kita menghitung Dampak untuk masing-masing variabel kontrol kami. Dampak didefinisikan sebagai produk dari korelasi parsial antara x-variabel dan variabel kontrol dan korelasi antara y-variabel dan variabel kontrol (partialling keluar efek dari variabel kontrol lainnya). Kami juga menghitung Impactraw untuk masing-masing variabel kontrol, yang didasarkan pada korelasi baku bukan korelasi parsial.
Dalam kedua Panel A dan B, tidak ada variabel kontrol memiliki Impact atau Impactraw dengan magnitude lebih besar dari ITCV relevan. Hal ini menunjukkan bahwa setiap variabel pengganggu teramati harus lebih tinggi berkorelasi dengan variabel dependen dan pelaporan frekuensi daripada variabel kontrol yang ada dalam rangka untuk membatalkan hasil OLS kami. Di bawah asumsi bahwa kita memiliki satu set yang baik dari variabel kontrol, tidak mungkin bahwa variabel tidak teramati tersebut ada, menunjukkan bahwa OLS hasil kami kuat untuk variabel pengganggu yang tidak teramati.