Mieczysław Kowerski https://orcid.org/0000-0002-2147-2037 , Jarosław Bielak https://orcid.org/0000-0001-8537-8624
ARTYKUŁ

(Polski) PDF

STRESZCZENIE

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.

SŁOWA KLUCZOWE

dane o strukturze panelowej, współczynnik korelacji liniowej Pearsona, model panelowy

JEL

C18, C23

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.

Do góry
Copyright © 2019 Główny Urząd Statystyczny