《表5 数字金融使用与小微企业融资约束、杠杆率的工具变量回归结果》
注:表中第(1)列报告的是平均边际效应,其下方括号内是根据德尔塔方法(Delta-Method)标准差计算的z值;第(2)列和第(3)列报告的是对被解释变量的潜变量的平均边际效应,其下方括号内为z值,其中*p<0.1,**p<0.05,***p<0.01,采用稳健标准误。内生性检验Wald统计量下方的
表2的第(1)列和第(2)列的回归结果可能因为反向因果和遗漏变量而存在内生性问题。为此,参考Fisman&Svensson(2007)、张璇等(2017)的方法,使用同省份和同行业内除了本企业之外的其他企业使用数字金融的比率(digrate)作为工具变量进行IV-Tobit估计。一方面,同省份和同行业内的其他企业的数字金融使用状况与每个企业的数字金融使用状况正相关;另一方面,其他企业使用数字金融的状况不会对单个企业的融资决策产生直接的影响,这构成了一个较为理想的工具变量。在使用IV-Tobit模型回归时,两步法与抽样权重调整不相容,采用与抽样权重调整相容的最有效率的极大似然估计法(MLE)进行回归估计。由于MLE法不能直接提供第一阶段回归结果,本文采用经过抽样权重调整后的Probit模型进行一阶段回归估计。表5的第(1)列报告了数字金融使用对工具变量与其他控制变量的一阶段Probit回归结果,工具变量的回归系数在1%的水平上显著为正,Wald检验统计量为91.371,对应的p值为0.0000,表明所有变量回归系数的联合显著性很高。第(2)列和第(3)列的内生性检验Wald统计量均在1%的水平上拒绝了数字金融使用不存在内生性的假设,数字金融使用的回归系数均在1%的水平上显著为负,未改变基准回归结论,即数字金融使用有利于缓解企业融资约束,降低企业杠杆率。
图表编号 | XD00202509600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.15 |
作者 | 梁琦、林爱杰 |
绘制单位 | 中山大学管理学院 |
更多格式 | 高清、无水印(增值服务) |