会计实证步骤

1.数据处理

• 连续变量：缩尾处理(1%，99%) 

  from scipy.stats.mstats import winsorize
  win_ESG = winsorize(ESG, limits=[0.01, 0.01])

• 虚拟变量：如处理年份2012-2020

  nominal_year = pd.get_dummies(year)
  nominal_year.drop(columns=[2020], axis=1, inplace=True)
  nominal_year.columns = ['2012', '2013', '2014', '2015', '2016', '2017', '2018', '2019']

• 描述性统计

  # 打乱顺序
  shuffle_data = data.sample(frac=1)
  print(shuffle_data.describe())

• 相关性分析

  # 皮尔逊相关性分析
  data_corr = data.corr(method='pearson')
  print(data_corr)
  
  # 显著性检验
  for i in range(0, len(data)):
      for j in range(0, i + 1):
          print('{}和{}的pearson系数和p值为：{}'.format(data.columns[i], data.columns[j], scipy.stats.pearsonr(data.iloc[:, i], data.iloc[:, j])))
          j += 1
      i += 1

2.多元回归分析

• 定义OLS模型

  import statsmodels.formula.api as sm
  
  # 因变量 ～ 自变量 + 控制变量
  formulation = 'ESG_R ~ INS+Size+Age+Lev+Growth+ROA+PE+Radio+Balance+DR+MKTB+SGROW'
  
  # 控制年份   
  for i in range(len(list(nominal_year.columns))):
      formulation += '+Q("{}")'.format(nominal_year.columns[i])
  # 控制行业
  nominal_industry = pd.get_dummies(industry)
  nominal_industry.drop(columns=[nominal_industry.columns[-1]], axis=1, inplace=True)
  for i in range(len(list(nominal_industry.columns))):
      formulation += '+Q("{}")'.format(nominal_industry.columns[i])
  
  # OLS
  lm = sm.ols(formulation, data=data)
  model = lm.fit()
  print(model.summary())

3.稳健性检验

• 替换因变量
• 固定效应模型
• 内生性检验：滞后因变量/PSM/Heckman两阶段法/工具变量法

  # PSM
  待补充
  
  # Heckman两阶段法
  model = ‘自变量 ～ 工具变量 + 控制变量’
  # 第一步
  probit_model = sm.probit(model, data)
  print(result.summary())
  result = probit_model.fit()
  coef = result.params
  # coef 为按照model中工具变量-控制变量的顺序对应的系数
  # 计算imr=coef[0]+coef[1]*工具变量+coef[2]*控制变量+...
  略
  imr = pd.Dataframe(imr)
  imr.columns = ['IMR']
  data = pd.concat(objs=[data, imr], axis='columns')
  # 第二步
  model = ‘因变量 ～ 自变量+ IMR + 控制变量’
  

需要注意的是，在Heckman中，如果自变量是连续变量而非0-1变量，在进行第一步probit模型时，需要额外进行转换，例如可以根据中位数以上/以下转换为1/0。

4.中介机制研究

第一步：中介机制 ～ 自变量 + 控制变量

第二步：因变量 ～ 中介机制 + 自变量 + 控制变量