使用倾向得分匹配法进行内生性测试的优化方法

本章进一步使用倾向得分匹配法来解决内生性问题。第一阶段参考社会人类学文献（Liu et al.，2012）和金融学文献（Knyazeva et al.，2009，2013；Tan et al.，2015），确定3个工具变量：（1）客户企业所在省的平均异名值（ISONYMY）；（2）客户公司所在省的少数民族人口（MINORITY）；（3）姓氏多样性的行业均值（DIVERSITY）^[11]。然后，利用上述工具变量和公司层面变量（ROE、SIZE、LEV、AC_AUR、LOSS、RAISE、MTB和STATE）进行倾向得分匹配。遵循一对一非重复配对与以±0.01作为阈值的匹配原则，将有审计师—CEO姓氏关联的企业（实验组）与无审计师—CEO姓氏关联的企业（对照组）进行匹配^[12]。表5-8的Panel A显示，ISONYMY与ACSS正相关，而MINORITY和DIVERSITY与ACSS呈负相关，符合理论预期。

倾向得分匹配过程构建了包含77家实验组公司样本、77家对照组的公司的样本^[13]。进一步，对实验组样本（ACSS＝1）和对照组样本（ACSS＝0）涉及的工具变量及其他变量进行t检验。表5-8的Panel B中，组间变量差异均不显著，说明倾向得分匹配过程有效。

表5-8的Panel C为使用匹配的样本重新检验假设5-1～5-3的结果。Panel C的（1）列ACSS系数显著为正（0.682，z＝2.62），支持了假设5-1。Panel C的（2）列ACSS_HTR系数显著为正（1.556，z＝2.25），ACSS_N HTR系数不显著，与假设5-2一致。Panel C的（3）列ACSS_RARE和ACSS_COM的系数均显著为正，但前者显著大于后者（LR Chi2为9.30），支持了假设5-3。Panel C的（4）列的结果为假设5-2和假设5-3提供了进一步支持。

表5-8　使用倾向得分匹配方法控制内生性

续表

续表

注：“***”“**”“*”分别代表在1%、5%、10%的水平上显著。z值经过公司与年度的双重聚类调整（Petersen，2009）。变量定义见“附录5-1”。