More power to you: properties of a more powerful event study methodology
Notice bibliographique
Résumé
Purpose The purpose of this paper is to demonstrate with real data the enhanced statistical power of a GLS‐based event study methodology that requires the same input data as the traditional tests. Design/methodology/approach The paper uses full sample, subsample and simulated modified sample analyses to compare the statistical power of the GLS methodology with traditional methods. Findings The paper finds that it is often the case that traditional tests will not reject the null when a GLS‐based test may (strongly) reject the null. The power of the former is poor. Practical implications There are many published event studies where the null is not rejected. This may be because of the phenomenon being tested but it may also be because of the lack of power of traditional estimators. Hence, rerunning them with the authors' more powerful test is likely to reject some currently well‐accepted null hypotheses of no event effect, stimulating new research ideas. Moreover, as individual stocks have become more volatile, the additional power of the authors' methodology to detect abnormal performance for recent and future events becomes even more important. Originality/value There are more than 500 event studies in the top finance journals, which can broadly be split into two subgroups: contemporaneous shocks like changes in regulation and non‐contemporaneous events like mergers. GLS contemporaneous modeling of covariances in the former showed little efficiency gains. The paper's GLS modeling of variances for the latter demonstrates potentially huge effects. Practitioners should be skeptical of prior results accepting the null of no event effect and incorporate GLS to be confident of their future findings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».