مقاله مسیرهای جعل در اقتصاد مالی

چکیده

We argue that spanning large numbers of degrees of freedom in empirical analysis allows better characterizations of effects and thus improves the trustworthiness of conclusions. Our ideas are illustrated in three studies: equity premium prediction, asset pricing anomalies and risk premia estimation. In the first, we find that each additional degree of freedom in the protocol expands the average range of $t$-statistics by at least 30%. In the second, we show that resorting to forking paths instead of bootstrapping in multiple testing raises the bar of significance for anomalies: at the 5% confidence level, the threshold for bootstrapped statistics is 4.5, whereas with paths, it is at least 8.2, a bar much higher than those currently used in the literature. In our third application, we reveal the importance of particular steps in the estimation of premia. In addition, we use paths to corroborate prior findings in the three topics. We document heterogeneity in our ability to replicate prior studies: some conclusions seem robust, others do not align with the paths we were able to generate.

چکیده به فارسی (ترجمه ماشینی)

ما استدلال می کنیم که تعداد زیادی از درجه های آزادی در تجزیه و تحلیل تجربی امکان توصیف بهتر اثرات را فراهم می کند و بنابراین اعتماد به نفس نتیجه گیری را بهبود می بخشد.ایده های ما در سه مطالعه نشان داده شده است: پیش بینی حق بیمه سهام ، ناهنجاری های قیمت گذاری دارایی و برآورد حق بیمه ریسک.در وهله اول ، می فهمیم که هر درجه آزادی اضافی در پروتکل ، میانگین دامنه $ t-$ حداقل 30 ٪ را گسترش می دهد.در حالت دوم ، ما نشان می دهیم که متوسل شدن به مسیرهای چنگال به جای بوت شدن در آزمایش های متعدد ، نوار اهمیت را برای ناهنجاری ها افزایش می دهد: در سطح اطمینان 5 ٪ ، آستانه آمار بوت شده 4.5 است ، در حالی که با مسیرها حداقل 8.2 است.نوار بسیار بالاتر از آنهایی که در حال حاضر در ادبیات استفاده می شود.در برنامه سوم ما ، اهمیت مراحل خاص را در تخمین حق بیمه نشان می دهیم.علاوه بر این ، ما از مسیرهایی برای تأیید یافته های قبلی در سه موضوع استفاده می کنیم.ما ناهمگونی را در توانایی خود در تکرار مطالعات قبلی مستند می کنیم: برخی از نتیجه گیری ها قوی به نظر می رسند ، برخی دیگر با مسیری که ما قادر به تولید آن بودیم هماهنگ نیستند.