Erreurs sur les variables et modèles d'évaluation des actifs financiers canadiens
Bibliographic record
Abstract
Résumé Cet article revisite l’estimation des modèles multifactoriels développés par Fama et French (1993) en prenant en considération la présence d’éventuelles erreurs sur les variables. Les données mensuelles utilisées sont celles du marché boursier canadien et couvrent une longue période courant de juillet 1960 à décembre 2004. Fama et French (1997) concluent que leurs estimations ponctuelles des paramètres du modèle à trois facteurs sont imprécises. Nos résultats révèlent que cette imprécision est d’autant plus importante que les paramètres estimés sont biaisés par la présence d’erreurs de mesure considérables. Nous proposons l’estimateur de Dagenais et Dagenais (1997) pour corriger les biais induits par les erreurs sur les variables. Cet estimateur présente le double avantage d’être facile à calculer et de ne nécessiter aucune autre source d’information que celle fournie par les facteurs de risque. Nos résultats montrent que les estimations corrigées pour les erreurs sur les variables diffèrent de façon très significative des estimations par les MCO biaisées. Cette approche a des conséquences directes en économie financière et sur l’attribution de la performance et sur la notion de rentabilité anormale.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".