基于Grangercausality的VAR法填补财务面板数据研究侯世君冯长焕文雯摘要：上市公司财务分析指标数据中有很多缺失数据，其会影响投资者、债权人、管理者及政府部门对上市公司的评价。考虑到传统的缺失值插补方法对财务数据填补效果不理想，提出了基于格兰杰因果关系的VAR法对上市公司财务数据填补，对比分析均值插补、EM插补、回归插补、多重插补，发现VAR法优于前述几种方法。关键词：格兰杰因果关系VAR插补法EM插补回归插补多重插补：F275：A：2096-0298（2020）08（b）--04对于缺失值填补方法的研究，已有学者提出加权法、均值插补、热平台插补、冷平台插补、回归插补和模型插补等[1]。Kalton和Kish（1984）提出K近邻插补法，克服了热平台插补法的不足。20世纪70年代EM（ExpectationMaximization）算法被Rubin等人提出。20世纪80年代，Rubin总结并克服了EM算法的缺点，提出了多重插补法[2]。1998年MarenK.Olsen[3]在《MultipleImputationforMultivariateMissing-dataproblem》中提出了处理多个变量含有缺失值的多重插补法，并在实际运用中取得了良好的效果。金勇进[4]在《缺失值的插补调整》一文中介绍了演绎估计、均值插补、随机插补、回归插补和多重插补等一系列对缺失值的插补方法。袁中萸[5]选取某科学基金会研究学者年薪及评价各指标的数据，结合SAS软件，通过估计多元线性回归模型参数的相对误差大小，比较了均值插补、EM算法、回归插补、多重插补4种缺失数据处理方法，在7种不同缺失率下的填补效果。程万伟[6]用稀疏表示的相关理论研究了时间序列缺失值的插补。潘传快、祁春节、李思璇[7]借助Bootstrap法，让模型的参数和残差来自完全观测的Bootstrap样本的最小平法估计提出Bootstrap多重插补法。张晓琴、王敏[8]提出了主成分回归方法进行插补。国内外对缺失值填补方法的研究很多，但鲜有对上市公司缺失财务数据填补进行研究。上市公司的财务数据反映了企业的盈利能力、偿债能力、成长能力和营运能力等财务状况。从历年上市公司各项财务比率指标来看，发现有很多缺失值。这些缺失的财务指标会影响对上市公司财务状况的分析。以往对公司财务指标评价的研究大都是通过直接删除缺失数据对应的公司或删除相应指标的方法，把删失后的数据进行综合财务指标分析。但这种方法往往会导致很多上市公司或指标未纳入分析。并且上市公司财务数据各项指标之间都有一定的关联，属于面板数据，用以往传统的插补方法效果不理想。本文针对这种情况，提出一种基于格兰杰因果关系的向量自回归法，填补上市公司财务指标缺失数据，以避免分析过程中出现上市公司或指标遗漏的情况。1相关理论1.1多重插补利用多重插值的思想来对缺失值进行处理的方法起源于贝叶斯推断[9]，多重插补作为一种基于重复模拟缺失值的方法，面对复杂的缺失值问题时，是最常用的方法。它的插补思想是，给每个缺失值都构造m个插补值（m>1），从而产生了m个完全数据集，对每个完全数据集采用相同的数据分析方法进行处理，得到m个处理结果，然后综合这些处理结果，得到最终的目标变量的估计。多重插补可分为三个阶段：（1）对目标变量的估计。（2）创建完全数据集。（3）目标变量的确定。其中最关键的阶段为目标变量的估计，该阶段需要确定估计缺失值的方法，即缺失值是以何种方法或者模型被估计出来，该阶段直接影响统计推断的有效性[10]。研究多重插补的方法有很多种，如插补值是由回归模型的预测值加上一个随机误差项结合而成的随机回归插补法[11]等。1.2格兰杰因果关系格兰杰因果关系原理：当两个变量在时间上有先导—滞后关系时，可以从统计上考察这种关系是单向还是双向。如果主要是一个变量过去的行为在影响另一个变量的当前行为，存在单向关系;如果双方的过去行为在相互影响着对方的当前行为，存在双向关系。格兰杰因果关系检验假设了有两个变量Y和X的预测的信息全部包含在这些变量的时间序列中，检验要求估计以下回归：2财务数据的VAR分析由于上市公司财务比率数据中各项指标性质不相同，通常具有不同的量纲和数量级，如每股收益（单位：元/股）、每股净资产（单位：元/股）、存货周转天数（单位：天）等存在不同单...