The maximum likelihood approach to

The maximum likelihood approach to model estimation (MLE) gives several advantages over ordinary least squares (OLS) regression when applied to our research question. MLE gives us the flexibility to estimate pooled models with fine control over which coefficients are identified by the entire data set versus which coefficients are event specific. For example, we estimate models that allow autocorrelation to be different in different markets, and we also estimate models where autocorrelation is treated as a pooled estimate. Another important advantage of the MLE approach is the flexible error structure. Although OLS applied to an event study would assume that the variance of the error term is fixed (the same before and the same after the event), MLE is free from this restriction and allows us to estimate models with different error variances before and after the event. Empirically, we find this feature is important.

ผลลัพธ์ (ไทย) 1:

วิธีการแบบจำลองการประเมิน (MLE) โอกาสสูงสุดให้ข้อได้เปรียบหลายถดถอยธรรมดากำลังสองน้อยสุด (OLS) เมื่อใช้กับคำถามวิจัยของเรา พื้นฐานทำให้เรามีความยืดหยุ่นในการประเมินแบบ pooled ด้วยการปรับควบคุมซึ่งค่าสัมประสิทธิ์จะระบุชุดข้อมูลทั้งหมดเทียบกับที่สัมประสิทธิ์เป็นเหตุการณ์เฉพาะ ตัวอย่างเช่น เราประเมินรุ่นที่อนุญาตให้มี autocorrelation จะแตกต่างในตลาดที่แตกต่าง และเรายังประเมินรุ่นที่ autocorrelation จะถือว่าเป็นการประเมิน pooled อีกประโยชน์ที่สำคัญวิธีพื้นฐานคือ โครงสร้างยืดหยุ่นข้อผิดพลาด แม้ OLS ใช้กับ การศึกษาเหตุการณ์จะสมมติว่า ความแปรปรวนของระยะเวลาผิดพลาดได้รับการแก้ไข (เหมือนก่อนและหลังจากเหตุการณ์เดียวกัน) MLE เป็นอิสระจากข้อจำกัดนี้ และช่วยให้เราประเมินรุ่นที่ มีข้อผิดพลาดที่แตกต่างก่อน และ หลังเหตุการณ์ เชิงประสบการณ์ด้วย เราพบคุณลักษณะนี้เป็นสิ่งสำคัญ

ผลลัพธ์ (ไทย) 2:

วิธีโอกาสสูงสุดในการจำลองการประมาณค่า (MLE) ให้ข้อดีกว่าสามัญสองน้อยที่สุด (OLS) ถดถอยเมื่อนำไปใช้กับคำถามการวิจัยของเรา MLE ทำให้เรามีความยืดหยุ่นในการประเมินรูปแบบการสำรองที่มีการควบคุมที่ดีกว่าที่จะมีการระบุค่าสัมประสิทธิ์โดยข้อมูลทั้งหมดตั้งค่าเมื่อเทียบกับค่าสัมประสิทธิ์ซึ่งเป็นเหตุการณ์เฉพาะ ตัวอย่างเช่นเราประเมินรูปแบบที่ช่วยให้อัตจะแตกต่างกันในตลาดที่แตกต่างกันและเรายังประเมินรุ่นที่อัตถือว่าเป็นประมาณการ pooled อีกประโยชน์ที่สำคัญของวิธี MLE เป็นโครงสร้างข้อผิดพลาดที่มีความยืดหยุ่น แม้ว่า OLS นำไปใช้กับการศึกษาเหตุการณ์จะถือว่าแปรปรวนของระยะข้อผิดพลาดได้รับการแก้ไข (เช่นเดียวก่อนและเหมือนเดิมหลังจากเหตุการณ์), เอมิลี่เป็นอิสระจากข้อ จำกัด นี้และช่วยให้เราสามารถประเมินรุ่นที่มีข้อผิดพลาดที่แตกต่างกันผลต่างก่อนและหลัง เหตุการณ์. สังเกตุเราพบคุณลักษณะนี้เป็นสิ่งสำคัญ

ผลลัพธ์ (ไทย) 3:

วิธีการประมาณค่าแบบจำลองความน่าจะเป็นสูงสุด ( mle ) ให้ข้อดีหลายกว่าวิธีกำลังสองน้อยที่สุด ( OLS ) การถดถอยเมื่อใช้กับคำถามการวิจัยของเรา ช่วยให้เราเพื่อประเมินความยืดหยุ่น mle รวมรุ่นที่มีการควบคุมที่ดีกว่า ) ซึ่งระบุข้อมูลทั้งชุดกับที่ ) เหตุการณ์ ตัวอย่างเช่น , เราคาดว่ารุ่นที่ให้ข้อมูลจะแตกต่างกัน ในตลาดต่าง ๆ และเราก็ประเมินแบบที่ข้อมูลจะถือว่าเป็นรวมประมาณ อีกประโยชน์ที่สำคัญของ mle แนวทางโครงสร้างข้อผิดพลาดที่ยืดหยุ่น แม้ว่าโดยประยุกต์กับเหตุการณ์การศึกษาสันนิษฐานว่าความแปรปรวนของเงื่อนไขข้อผิดพลาดคงที่ ( กันก่อนและกันหลังจากเหตุการณ์ ) , mle ฟรีจากข้อ จำกัด นี้และช่วยให้เราสามารถประเมินแบบจำลองที่มีความผิดพลาดต่างๆ ก่อนและหลังเหตุการณ์ สังเกตุ เราจะพบว่า คุณลักษณะนี้เป็นสิ่งสำคัญ