Cross‐Sectional Dependence and the Use of Generalized Least Squares*
通过模拟事件研究，发现广义最小二乘法（GLS）在参数估计数量相对于观测值较多时，其渐近标准误会严重低估真实标准误，建议结合自助法等技术获取标准误以避免错误推断。
Abstract. This paper provides additional evidence on the relation between the actual and asymptotic standard errors under generalized least squares (GLS). Simulations are conducted in the event‐study framework using both daily and weekly returns. The case of simultaneous calendar time and industry clustering is also considered. The major finding is that the asymptotic standard errors under GLS can significantly underestimate the true standard errors when the number of parameters estimated is not small compared to the number of observations available to estimate them. To minimize the possibility of incorrect inferences, use of GLS should in general be combined with standard errors obtained from other techniques such as bootstrap. Résumé. L'auteur apporte de nouvelles preuves de la relation entre les erreurs‐types réelles et asymptotiques dans le cadre de l'utilisation des moindres carrés généralisés. Il procède à des simulations dans le contexte d'une étude d'événements, en utilisant les rendements à la fois quotidiens et hebdomadaires. Le cas de simultanéité de la date et du groupage par secteur d'activité sont également pris en considération. Principale conclusion de l'auteur: les erreurs‐types asymptotiques dans le cadre de l'utilisation des moindres carrés généralisés peuvent entraîner une sous‐estimation importante des erreurs‐types véritables lorsque le nombre de paramètres estimés n'est pas restreint par rapport au nombre d'observations disponibles pour formuler ces estimations. Si l'on veut réduire au minimum le risque d'inférences inexactes, l'utilisation des moindres carrés généralisés devrait, de façon générale, être combinée aux erreurs‐types obtenues à partir d'autres techniques comme celle de l'amorce.