模型估计方法包括有哪些内容

采用面板数据进行分析，考虑到个体异质性的影响，模型估计方法首先采用固定效应模型对上述回归方程进行均值回归分析。在随机扰动项服从零均值且同方差分布的假定下，该模型估计方法方法得到的参数估计量是最佳线性无偏估计。但是，对于现实中的样本数据而言，模型估计方法上述假设并不能完全满足。为了弥补均值回归的缺陷，本章又采用Koenker和Bassett（1978）提出的分位数回归（Quantile regression）方法进行回归分析。与均值回归相比，分位数回归是根据被解释变量的条件分位数对所有的解释变量进行回归。因此，当解释变量对于不同分位的被解释变量存在不同的影响时，分位数回归能够较为精确地刻画分布特征，其结果比均值回归更加稳健。

除了现金分红对上市公司投资效率的平均影响，本书还关心现金分红对上市公司投资效率的影响是否会随着上市公司投资效率水平的不同而有所不同，模型估计方法以及现金分红对不同投资效率水平的上市公司产生不同影响的这种变化趋势又是怎样的。虽然可以按照上市公司的投资效率将其从低到高的顺序排列分组，然后模型估计方法用前述方法进行回归，以检验现金分红对不同投资效率的上市公司的影响差异，但是这样的处理会显得相对烦琐，故本书主要采用分位数回归方法来解决这一问题。分位数回归法采用的是加权残差绝对值之和的方法对模型中的估计参数进行估计，它具有一些良好的性质和优点。第一，分位数回归不需要对模型中扰动项的分布做任何假定，其回归结果因而具有很强的稳健性。第二，模型估计方法分位数回归是在被解释变量的不同分位点上进行回归，因此对于样本数据中的极端值或异常点具有一定的耐抗性。第三，在大样本下，分位数回归得到的参数估计量具有渐近优良性。模型估计方法正是由于分位数回归这一系列的优良性质，分位数回归在各个领域得到了广泛的运用和迅速的发展。因此，在本章中，也将采用分位数回归考察不同投资效率的上市公司，其现金分红对于其投资效率的影响是否存在差异。