第三節(jié)　綁定假說(shuō)檢驗(yàn)?zāi)Ｐ椭械募夹g(shù)問(wèn)題

本節(jié)考察綁定假說(shuō)模型中的實(shí)證技術(shù)問(wèn)題。單獨(dú)抽出這一部分，一方面源于其重要性，因?yàn)檫@為本書后面的第四到六章的實(shí)證分析部分提供了指導(dǎo)，另一方面則在于這部分內(nèi)容有點(diǎn)技術(shù)化，與第二節(jié)的定性內(nèi)容在風(fēng)格上略有不同。

一、LLSV（2002）與Doidge et al.（2004）的模型

Karolyi（2012）認(rèn)為“Doidge et al.（2004）為交叉上市的綁定假說(shuō)提供了第一個(gè)正式的理論發(fā)展”。因此本書將重點(diǎn)討論Doidge et al.（2004）這篇論文。但正如本書在介紹綁定假說(shuō)時(shí)所指出的，Coffee（1999，2002）在提出綁定假說(shuō)時(shí)其實(shí)是受到了LLSV的法與金融學(xué)的影響，甚至可以說(shuō)綁定假說(shuō)是法與金融學(xué)的應(yīng)用舉例，因此Doidge et al.（2004）也承認(rèn)他們的實(shí)證技術(shù)借鑒了LLSV（2002）的實(shí)證技術(shù)。為了更清楚地解釋模型，本書首先介紹LLSV（2002）。

（一）LLSV（2002）

LLSV（2002）通過(guò)建模考察了對(duì)中小股東的法律保護(hù)以及控股股東的現(xiàn)金流權(quán)這兩者對(duì)公司估值的影響，也就是公司估值與投資者保護(hù)、所有權(quán)之間的關(guān)系。利用來(lái)自27個(gè)富裕經(jīng)濟(jì)體的539家大企業(yè)的數(shù)據(jù)來(lái)檢驗(yàn)這個(gè)模型，該文發(fā)現(xiàn)，來(lái)自具有更好的中小股東保護(hù)的國(guó)家具有更高的估值，控股股東現(xiàn)金流權(quán)越高的公司，其估值也越高。該文提出了四個(gè)假設(shè)：假設(shè)1：來(lái)自具有更好的法律保護(hù)地區(qū)的企業(yè)具有更高的托賓q；假設(shè)2：控股企業(yè)家的現(xiàn)金流權(quán)越高的企業(yè)，具有更高的托賓q；假設(shè)3：具有更好投資機(jī)會(huì)（以銷售增長(zhǎng)率來(lái)度量）的企業(yè)，具有更高的托賓q；假設(shè)4：對(duì)于二次方的偷盜成本（cost-of-theft）函數(shù)，在具有良好投資者保護(hù)的國(guó)家，企業(yè)家的現(xiàn)金流權(quán)對(duì)估值的影響更低。

該文的基本回歸模型如表2-3-1所示。表2-3-1的數(shù)據(jù)為原始數(shù)據(jù)，樣本量為539家企業(yè)。因變量為托賓q，自變量包括：①銷售增長(zhǎng)率（Growth in sales），等于銷售年增長(zhǎng)率的三年幾何平均；②普通法系（Common law），虛擬變量，如果企業(yè)所在國(guó)的公司法或商業(yè)法典的法律淵源是普通法系，則為1，否則為0；③抗董事權(quán)（Anti-director），企業(yè)注冊(cè)所在國(guó)的抗董事權(quán)的指數(shù)；④現(xiàn)金流權(quán)（CF rights），企業(yè)控股股東所持有的現(xiàn)金流權(quán)比例。交互項(xiàng)分別為：CF rights*common law；CF rights*anti-director rights。

回歸時(shí)采用了隨機(jī)效應(yīng)模型。對(duì)此，該文解釋到，模型的一個(gè)自然選擇是固定效應(yīng)，但給定的法律變量（即Common law）在一國(guó)的內(nèi)部不會(huì)變化（即時(shí)不變，time-invariant），固定效應(yīng)不可行。如果明白固定效應(yīng)是如何估計(jì)的話，這個(gè)道理很容易理解。固定效應(yīng)的估計(jì)需要先用變量減去其均值，然后再進(jìn)行普通最小二乘估計(jì)；如果一個(gè)變量是不隨時(shí)間變化的，那么其均值等于自身，離差后所有的變量值都為零，這使得變量的影響將被剔除。在Stata軟件的輸出結(jié)果中，這樣的時(shí)不變變量將被剔除。

在固定效應(yīng)不可取的情況下，還有隨機(jī)效應(yīng)和混合OLS可以選擇。該文根據(jù)Breusch and Pagan的拉格朗日乘數(shù)檢驗(yàn)，結(jié)果拒絕原假設(shè)，即誤差在一國(guó)內(nèi)部是獨(dú)立的，從而支持隨機(jī)效應(yīng)。隨機(jī)效應(yīng)同時(shí)利用現(xiàn)金流所有權(quán)在國(guó)家內(nèi)部和國(guó)家之間的變化來(lái)估計(jì)它的估值效應(yīng)，但沒有將一個(gè)給定國(guó)家中的各個(gè)企業(yè)視為獨(dú)立的個(gè)體。該文中的標(biāo)準(zhǔn)誤差被調(diào)整以便反映由于相同的國(guó)家因素所導(dǎo)致的觀測(cè)值之間的交叉關(guān)聯(lián)，這應(yīng)該是通過(guò)cluster功能來(lái)實(shí)現(xiàn)的。

表2-3-1　原始數(shù)據(jù)的隨機(jī)效應(yīng)模型

注：***、**、*分別代表在1%、5%、10%水平上顯著。

讓我們來(lái)看一下LLSV（2002）對(duì)結(jié)果的解讀。在前兩個(gè)模型中，該文僅采用普通法系的虛擬變量來(lái)作為股東保護(hù)的度量。后兩個(gè)模型則采用抗董事權(quán)指數(shù)來(lái)度量股東保護(hù)。對(duì)于每一種度量方法，都提供兩種回歸模型。第一，僅以股東保護(hù)為唯一的自變量，再加上銷售增長(zhǎng)率。第二，增加控股股東的現(xiàn)金流權(quán)以及現(xiàn)金流權(quán)與投資者保護(hù)變量的交互項(xiàng)。在表2-3-1中，銷售增長(zhǎng)率在所有的模型中均顯著為正。當(dāng)單獨(dú)加入普通法系虛擬變量時(shí)，增長(zhǎng)率在10%的顯著性水平上顯著。當(dāng)加入現(xiàn)金流權(quán)及其交互項(xiàng)時(shí)，Common law變量在5%的水平上顯著，這意味著從大陸法系轉(zhuǎn)到普通法系，托賓q將上升0.28。現(xiàn)金流權(quán)的系數(shù)為0.26，并在10%的水平上顯著，但交互項(xiàng)不顯著。這些估計(jì)表明，當(dāng)現(xiàn)金流權(quán)從20%上升到30%時(shí)，大陸法系國(guó)家的托賓q上升0.026，而普通法系國(guó)家的托賓q上升0.016。

當(dāng)單獨(dú)加入抗董事權(quán)得分時(shí)，該得分的系數(shù)不顯著。但當(dāng)加入現(xiàn)金流權(quán)及其交互項(xiàng)時(shí)，抗董事權(quán)的系數(shù)變得在5%的水平上顯著，表明從大陸法系到普通法系，該得分上升2個(gè)百分點(diǎn)將帶來(lái)托賓q大約0.2的上升。Cash-flow rights變量的系數(shù)為0.52且在5%的水平上顯著。但交互項(xiàng)不顯著，盡管其符號(hào)符合預(yù)期。這些結(jié)果表明，當(dāng)控股股東的現(xiàn)金流權(quán)比例從20%上升到30%時(shí)，且抗董事權(quán)得分為2時(shí)，托賓q上升大約0.05；當(dāng)抗董事權(quán)為4時(shí)，托賓q上升大約0.03。

雖然該文發(fā)表在Journal of Finance上，但從今天來(lái)看，該文的實(shí)證模型其實(shí)是很簡(jiǎn)單的，甚至是有問(wèn)題的。例如，對(duì)于交互項(xiàng)，一般來(lái)說(shuō)，應(yīng)該區(qū)分主效應(yīng)回歸（即不包含交互項(xiàng)的回歸）與交互效應(yīng)回歸；交互項(xiàng)的成分變量不能都是連續(xù)變量。但表2-3-1所示的模型沒有滿足這些基本要求。而且交互項(xiàng)都不顯著，因此交互意義不大。

（二）Doidge et al.（2004）

Doidge et al.（2004）的這篇論文幾乎是對(duì)LLSV（2002）的風(fēng)格的模仿：先構(gòu)造一個(gè)理論模型，推導(dǎo)出研究假設(shè)，然后進(jìn)行實(shí)證檢驗(yàn)。該文注意到，1997年年底，與僅在母國(guó)上市的公司相比，既在母國(guó)上市又在美國(guó)交叉上市的公司，其托賓q要高16.5%。在美國(guó)主要交易所（紐約交易所）交叉上市的外國(guó)公司的估值差異更為顯著，已達(dá)到37%。該文給出了一個(gè)交叉上市決策模型，其對(duì)交叉上市溢價(jià)的解釋是：只有那些擁有更高的增長(zhǎng)機(jī)會(huì)，并且在母國(guó)市場(chǎng)難以通過(guò)籌集充分的資本來(lái)實(shí)現(xiàn)增長(zhǎng)機(jī)會(huì)的公司，才會(huì)選擇在美國(guó)交叉上市；由于在美國(guó)交叉上市意味著控股股東承諾降低對(duì)中小股東的利益侵占和改善代理問(wèn)題，因此外部投資者將降低他們對(duì)公司的要求回報(bào)率，公司得以以更低的權(quán)益資本成本來(lái)籌集外部資本，并更好地利用其增長(zhǎng)機(jī)會(huì)。這些原因?qū)е陆徊嫔鲜泄揪哂懈叩氖袌?chǎng)價(jià)值。

該文提出如下假設(shè)：假設(shè)1：給定上市后的投資者保護(hù)水平，來(lái)自投資者保護(hù)弱的上市企業(yè)，比起來(lái)自投資者保護(hù)更強(qiáng)的國(guó)家的企業(yè)，其增長(zhǎng)機(jī)會(huì)更高。假設(shè)2：在美國(guó)上市的公司比不在美國(guó)上市的公司，托賓q更高。假設(shè)3：交叉上市溢價(jià)與公司在母國(guó)的投資者保護(hù)質(zhì)量成反比。假設(shè)4：與不在美國(guó)上市的公司相比，在美國(guó)上市的公司其公司價(jià)值隨著增長(zhǎng)機(jī)會(huì)而增加的幅度會(huì)更大；對(duì)于來(lái)自投資者保護(hù)更差的國(guó)家的公司來(lái)講，這種公司價(jià)值的差異更大。假設(shè)5：通過(guò)在美國(guó)上市所帶來(lái)的投資者保護(hù)的增加幅度越大，交叉上市溢價(jià)越大；相比利用144a規(guī)則私募或者場(chǎng)外上市的公司，在美國(guó)交易所上市或發(fā)行權(quán)益的公司具有更高的交叉上市溢價(jià)。然后，該文利用來(lái)自Worldscope數(shù)據(jù)庫(kù)截至1997年的數(shù)據(jù)加以檢驗(yàn)。該數(shù)據(jù)庫(kù)覆蓋了來(lái)自50多個(gè)發(fā)達(dá)或新興市場(chǎng)的超過(guò)24000家公共公司，代表了全球公開交易公司的市值的96%以上。但在表2-3-2的回歸中，樣本來(lái)自40個(gè)不同的國(guó)家，710家公司在美國(guó)交叉上市，4078家公司沒有在美國(guó)交叉上市。

該文基本回歸采用了隨機(jī)效應(yīng)模型，該文指出這是遵循LLSV（2002）的做法。因變量為托賓q=（總資產(chǎn)-權(quán)益賬面值+權(quán)益市值）/總資產(chǎn)。解釋變量為cross-list，如果一個(gè)企業(yè)在美國(guó)交叉上市，則取值1，否則取值0。銷售增長(zhǎng)率Sales growth為企業(yè)兩年銷售增長(zhǎng)率的均值。全球行業(yè)q,Global industry q，是全球行業(yè)q的中位數(shù)。sales growth和Global industry q是增長(zhǎng)機(jī)會(huì)的兩個(gè)代理變量，加入增長(zhǎng)機(jī)會(huì)的原因在于：公司可能因?yàn)橛辛己玫脑鲩L(zhǎng)機(jī)會(huì)而上市，如果這樣，那么加入增長(zhǎng)機(jī)會(huì)作為自變量之后，交叉上市溢價(jià)將不再存在。除了這些代表企業(yè)特征的自變量外，還包括下面國(guó)家層面的特征變量：法國(guó)法（French law）、德國(guó)法（German law）、斯堪的納維亞法（Scandinavian law）、抗董事權(quán)（Anti-director）、會(huì)計(jì)準(zhǔn)則（Accounting standards）、司法效率（Judical efficiency）、流動(dòng)比率（Liq-uidity ratio）、獲取資本的途徑（Capital access）。這些變量與數(shù)據(jù)來(lái)自LLSV（1998），后者將法律體系劃分為四類：普通法（Common law）、法國(guó)法（French law）、德國(guó)法（German law）、斯堪的納維亞法（Scandinavian law）。據(jù)此，以普通法為基準(zhǔn)，可以生成表2-3-2中的三個(gè)法系虛擬變量。抗董事權(quán)和司法效率這兩個(gè)指數(shù)也來(lái)自LLSV（1998）。其他的國(guó)家變量則來(lái)自其他來(lái)源。

基本回歸結(jié)果如表2-3-2所示。關(guān)鍵看交叉上市變量（Cross-list）。雖然結(jié)果沒有標(biāo)出顯著性水平，但Cross-list的回歸系數(shù)均為正，括號(hào)中報(bào)告的t值表明所有的模型的Cross-list變量均顯著。這就驗(yàn)證了交叉上市溢價(jià)：交叉上市公司相對(duì)于沒有交叉上市的公司而言，其公司價(jià)值（托賓q）更高。

為了緩解樣本選擇問(wèn)題，該文采用了如下兩種方法：一是兩階段最小二乘法即2SLS，二是Heckman模型。結(jié)果如表2-3-3所示。前兩列為probit模型，代表2SLS和Heckman模型的選擇模型，用來(lái)考察外國(guó)公司在美國(guó)上市的概率。中間三列為基本情境，與表2-3-2中的模型（2）相對(duì)應(yīng)，基本表明模型僅控制最基本的變量如Sales growth和Global industry q。這三列分別代表三種估計(jì)模型：隨機(jī)效應(yīng)、2SLS和Heckman模型。最后三列與表2-3-2中的模型（11）相對(duì)應(yīng)，也分別采用三種模型進(jìn)行估計(jì)。從Cross-list的回歸系數(shù)看，全部模型均為正。從括號(hào)中的t值看，Cross-list的回歸系數(shù)全部顯著。這再次驗(yàn)證了表2-3-2中的結(jié)果：交叉上市公司獲得更高的估值。

表2-3-2　交叉上市與非交叉上市公司的估值的回歸分析

表2-3-3　對(duì)交叉上市溢價(jià)的樣本選擇偏差的檢驗(yàn)

上面兩張表表明交叉上市公司確實(shí)具有更高的估值，即存在交叉上市溢價(jià)。但這種溢價(jià)來(lái)自何方？真的來(lái)自綁定嗎？要想檢驗(yàn)這點(diǎn)，需要加入Cross-list與其他能夠代表公司治理水平的國(guó)家變量。下面以Judi-cial efficiency*Cross-list為例進(jìn)行說(shuō)明。結(jié)果如表2-3-4所示，前兩列尚未考察該交互項(xiàng)。后面四列都考察了該交互項(xiàng)，其系數(shù)均為正，如果t值表明該系數(shù)顯著的話，那么就表明來(lái)自司法效率高的國(guó)家，交叉上市后所獲得的估值溢價(jià)也高，這就表明：公司通過(guò)綁定了美國(guó)的司法制度，使得原有的司法效率的作用更強(qiáng)。不過(guò)從表2-3-4可以代表公司治理水平的國(guó)家變量的交互項(xiàng)結(jié)果來(lái)看，其符號(hào)和顯著性都不是那么好。反而是代表公司特征的變量如Sales growth、Global industry q的交互項(xiàng)很顯著。

表2-3-4　對(duì)交叉上市與非交叉上市公司的估值溢價(jià)的分解

二、模型設(shè)置

根據(jù)上面的具體例子，綜合各種有關(guān)文獻(xiàn)，本書將綁定假說(shuō)的模型一般化。首先，構(gòu)建如下回歸模型：

其中，Performance為公司業(yè)績(jī)指標(biāo)。指標(biāo)可分兩類：一類是股票業(yè)績(jī)，度量指標(biāo)包括托賓q（Bauer et al.，2003；Drobetz et al.，2004；Klapper and Love，2004；Durnev and Kim，2005；Bhagat and Bolton，2008；Ammann et al.，2011）、股票收益率（包括累計(jì)異常收益率）（Core et al.，1999；Chen et al.，2009）、股價(jià)（Claessens，1997）來(lái)度量；另一類是經(jīng)營(yíng)業(yè)績(jī)，度量指標(biāo)主要有ROA、ROE和銷售增長(zhǎng)率（Giroud and Mueller，2011）。但也有同時(shí)以股票業(yè)績(jī)與經(jīng)營(yíng)業(yè)績(jī)?yōu)橐蜃兞康模鏑ore et al.（1999）、Ammann et al.（2011）。

這些指標(biāo)在基本回歸中可以采取原始水平，在穩(wěn)健性檢驗(yàn)中，可以分別以行業(yè)調(diào)整托賓q（LLSV，2002；GIM，2003；Bebchuk,Cohen and Fer-rell，2009；Giroud and Mueller，2011）、市場(chǎng)調(diào)整股票收益率、行業(yè)調(diào)整ROA和行業(yè)調(diào)整ROE（Core et al.，2006；Brown and Caylor，2009）作為因變量。但Gormley and Matsa（2014）指出，在金融學(xué)的經(jīng)驗(yàn)研究中，對(duì)未觀測(cè)異質(zhì)性的控制是一個(gè)根本性挑戰(zhàn)，因?yàn)橘Y產(chǎn)定價(jià)與許多公司的政策取決于那些不可觀測(cè)的因素。他們批評(píng)了當(dāng)前公司金融文獻(xiàn)中控制未觀測(cè)到的異質(zhì)性（或“共同誤差”（common errors））的兩種常用方法：一是將被解釋變量減去組內(nèi)均值（例如，industry-adjusting，即yi-im（yi），其中im表示行業(yè)均值。典型的做法是LLSV（2000，2002），里面用到經(jīng)過(guò)行業(yè)均值調(diào)整的各個(gè)y）。另一種方法用被解釋變量的組內(nèi)均值作為控制變量。他們認(rèn)為這兩種方法都會(huì)產(chǎn)生非一致性估計(jì)，并且會(huì)扭曲結(jié)論。但不論怎樣，這種行業(yè)均值或中位數(shù)調(diào)整的方法仍然是一種流行做法。

CL為解釋變量，如果公司交叉上市，則取值1，否則取值0。

X為控制變量，借鑒以往研究的做法（LLSV，2002；Gompers et al.，2003；Drobetz,Schillhofer and Zimmermann，2004；Bhagat and Bolton，2008；Chen et al.，2009），可以選擇如下指標(biāo)：

（1）規(guī)模logAsset和成立年限logAge，前者等于公司資產(chǎn)賬面值的對(duì)數(shù)，后者等于公司成立年限的對(duì)數(shù)。Shin and Stulz（2000）在檢驗(yàn)托賓q與權(quán)益風(fēng)險(xiǎn)的關(guān)系時(shí)，以q為因變量，以權(quán)益系統(tǒng)風(fēng)險(xiǎn)、非系統(tǒng)風(fēng)險(xiǎn)、總風(fēng)險(xiǎn)為解釋變量，以資產(chǎn)賬面值對(duì)數(shù)、企業(yè)年齡對(duì)數(shù)、行業(yè)為控制變量，發(fā)現(xiàn)托賓q隨著企業(yè)權(quán)益系統(tǒng)風(fēng)險(xiǎn)的增加而增加，隨著企業(yè)權(quán)益非系統(tǒng)風(fēng)險(xiǎn)的增加而降低，隨著企業(yè)總權(quán)益風(fēng)險(xiǎn)的增加而降低。此外，該文還發(fā)現(xiàn)財(cái)務(wù)杠桿會(huì)影響q與風(fēng)險(xiǎn)的關(guān)系，但認(rèn)為由于財(cái)務(wù)杠桿依賴于風(fēng)險(xiǎn)水平，因此OLS方法不適合處理存在財(cái)務(wù)杠桿條件下的q與風(fēng)險(xiǎn)的關(guān)系，因此他們的實(shí)證模型中沒有財(cái)務(wù)杠桿。該文的樣本期間雖然為1965-1992年，但他們的回歸方法為OLS。在那之后，關(guān)于以q為因變量的多數(shù)實(shí)證模型都借鑒了Shin and Stulz（2000）的做法。例如，Gompers et al.（2003）、Bauer et al.（2003）、Drobetz et al.（2004）、Bebchuk et al.（2009）均控制了logAsset和logAge變量。但至今的回歸結(jié)果表明二者的作用尚未明確，回歸符號(hào)有正有負(fù)，但以負(fù)號(hào)居多。Durnev and Kim（2005）以logSale來(lái)控制規(guī)模，發(fā)現(xiàn)顯著為負(fù)。Ammann et al.（2011）顯著為負(fù).

（2）財(cái)務(wù)杠桿Leverage，等于負(fù)債比上資產(chǎn)；Drobetz et al.（2004）顯著為負(fù)；Bebchuk,Cohen and Ferrell（2009）顯著為負(fù)；Ammann et al.（2011）顯著為負(fù)。

（3）前五大股東持股比例Top5以及對(duì)應(yīng)的赫芬達(dá)指數(shù)HHI5。

（4）行業(yè)Indus與年度Year。

對(duì)于上述變量選擇，本書說(shuō)明如下。

第一，Core et al.（1999，2006）、Brown and Caylor（2009）的控制變量包括用公司在外流通股票的市場(chǎng)價(jià)值的對(duì)數(shù)logMVE和市賬率。但這兩個(gè)變量比較適合于對(duì)股票收益率進(jìn)行回歸。因?yàn)闄?quán)益市值其實(shí)反映的也是規(guī)模，如果已經(jīng)用Asset來(lái)控制，再控制權(quán)益市值就是重復(fù)控制；市賬率與托賓q其實(shí)是相似的，如果q作為因變量，控制變量則不應(yīng)加入市賬率。

第二，LLSV（2002）、Doidge et al.（2004）、O’Connor（2009）的控制變量包括銷售增長(zhǎng)率。類似地，Drobetz et al.（2004）、Klapper and Love（2004）、Durnev and Kim（2005）、Bhagat and Bolton（2008）、Ammann et al.（2011）等文獻(xiàn)控制了的R&D/資產(chǎn)、R&D/銷售收入、固定資產(chǎn)/銷售收入等變量。但根據(jù)Smith and Watts（1992）、Gaver and Gaver（1993）、Gul（1999）、Goyal et al.（2002）等的研究，在增長(zhǎng)機(jī)會(huì)意義上，銷售增長(zhǎng)率、R&D/資產(chǎn)等變量與托賓q可能是同義反復(fù)，都是對(duì)公司增長(zhǎng)機(jī)會(huì)的度量。因此當(dāng)采用托賓q來(lái)度量作為因變量的增長(zhǎng)機(jī)會(huì)時(shí)，控制變量中不應(yīng)再加入銷售增長(zhǎng)率及R&D/資產(chǎn)等變量。

第三，LLSV（2002）和Doidge et al.（2004）的模型中，自變量中之所以加入銷售增長(zhǎng)率，是因?yàn)樗麄儏^(qū)分了公司價(jià)值與增長(zhǎng)機(jī)會(huì)。其中，公司價(jià)值用托賓q度量，而增長(zhǎng)機(jī)會(huì)則用銷售增長(zhǎng)率來(lái)度量。這種處理避開了托賓q的雙重身份難題：既作為公司價(jià)值的度量，也作為增長(zhǎng)機(jī)會(huì)的度量。

第四，對(duì)于中國(guó)的情況，還可以加入另一些有中國(guó)特色的變量。例如，流通股比例Liquit，等于流通股數(shù)量比上總股數(shù)；公司注冊(cè)所在地市場(chǎng)化指數(shù)Market，數(shù)據(jù)來(lái)自樊綱和王小魯編制的歷年中國(guó)市場(chǎng)化指數(shù)；[8]最終控制人類別，若為國(guó)有控股，則為1，否則為0。

三、回歸方法

如果是面板數(shù)據(jù)，則有三種模型可用于回歸：混合OLS、隨機(jī)效應(yīng)、固定效應(yīng)、廣義OLS。一般而言，混合模型或隨機(jī)效應(yīng)模型（Doidge et al.，2004；King and Segal，2009）是常用的。原因正如LLSV（2002）所指出的，在這類模型中很多變量是時(shí)不變變量（time-invariant variable），例如行業(yè)、國(guó)家虛擬變量，交叉上市虛擬變量也有可能保持不變。此時(shí)固定效應(yīng)回歸會(huì)將這些時(shí)不變虛擬變量剔除掉。避免虛擬變量被剔除的另一種方法是采用廣義最小二乘法（GLS）。Vaaler and Schrage（2006）就采用了這種方法。

四、內(nèi)生性問(wèn)題

（一）Heckman兩步法與干預(yù)效應(yīng)模型

為了解決樣本自選擇（self-selection）問(wèn)題，可以采用Heckman兩步估計(jì)法，例如，Doidge et al.（2004）。但根據(jù)郭申陽(yáng)等（2012），Heckman兩步法適于解決樣本的自我選擇問(wèn)題，尤其是在因變量存在缺失的情況下。與Heckman模型相似的是干預(yù)效應(yīng)模型（treatment effect model），兩個(gè)模型的區(qū)別在于：對(duì)于干預(yù)效應(yīng)模型，干預(yù)變量直接進(jìn)入回歸模型，而且因變量對(duì)于干預(yù)組和控制組都是可觀察得到的。

（二）GMM估計(jì)法

為了控制內(nèi)生性，Brown and Caylor（2009）和Ammann et al.（2011）

在回歸方程的右邊加入被解釋變量的滯后項(xiàng)構(gòu)建動(dòng)態(tài)面板模型，如下式所示，并采用廣義距方法（GMM）進(jìn)行估計(jì)：

例如，Ammann（2011）指出，內(nèi)生性對(duì)于考察公司治理對(duì)企業(yè)價(jià)值的關(guān)系來(lái)講至關(guān)重要。一些研究認(rèn)為這種內(nèi)生性可能是動(dòng)態(tài)的（例如，Wintoki et al.，2008）。Hermalin and Weisbach（2004）和Wintoki et al.（2008）認(rèn)為，企業(yè)當(dāng)前的行動(dòng)會(huì)影響未來(lái)的公司治理以及業(yè)績(jī)，這反過(guò)來(lái)會(huì)影響企業(yè)未來(lái)的行動(dòng)。為了控制這種動(dòng)態(tài)內(nèi)生性、不可觀測(cè)的異質(zhì)性（heterogeneity）和同步性（simultaneity），該文遵循Wintoki et al.（2008）的做法，采用Arellano and Bover（1995）和Blundell and Bond（1998）提出的GMM估計(jì)。這包括如下三個(gè)步驟。第一，加入業(yè)績(jī)的滯后項(xiàng)作為解釋變量，重寫回歸方程。第二，對(duì)所有變量進(jìn)行差分。這控制了不可觀測(cè)的異質(zhì)性，消除了潛在的遺漏變量誤差。第三，通過(guò)GMM方法進(jìn)行模型估計(jì)，利用治理指標(biāo)和業(yè)績(jī)的滯后值作為工具變量。利用滯后變量作為工具變量可以控制潛在的同步性和反向因果關(guān)系。而且這個(gè)估計(jì)程序允許所有的解釋變量（即治理指標(biāo)和所有的控制變量）被當(dāng)做內(nèi)生變量來(lái)看待。