Затем была построена модель с детерминированными индивидуальными эффектами (FE). Тем самым, по сравнению со сквозной регрессии, мы учитываем влияние пропущенных или ненаблюдаемых переменных, характеризирующих индивидуальные особенности исследуемых объектов, не меняющиеся во времени. Примерами могут являться качество управления менеджментом фирмы, которое влияет на эффективность затрат на НИОКР и на вероятность дефолта компании. Правда у модели с фиксированными эффектами присутствует также и недостаток, проявляющийся в необходимости оценивать большое количество параметров, что ведёт к потере степеней свободы. Стоит сказать, что при построении модели с фиксированными эффектами были введены дамми переменные периода, так как существует отличия в регрессионных параметрах, относящихся к разным годам, т.е. есть существенные временные эффекты. При введении же дамми-переменных на период временные эффекты будут трактоваться как детерминированные. Результаты теста на необходимость введения дамми переменных представлены в приложении 4. Также при построении регрессии были взяты робастные стандартные ошибки в форме Ареллано для учёта возможной проблемы гетероскедастичности и автокорреляции. Подробные результаты модели с фиксированными эффектами представлены в приложении 5.

Последним пунктом была построена модель со случайными индивидуальными эффектами. Главным отличием модели данной модели является предпосылка о том, что индивидуальные различия исследуемых фирм носят случайный характер, в среднем нивелируются, и их теоретические дисперсии предполагаются одинаковыми для всех объектов выборки. Результаты представлены в приложении 6.

Следующей задачей стояло выбрать модель, наиболее адекватно описывающую данные. Проблема в том, что для моделей, использующих панельные данные, по-разному высчитывается вариация зависимой переменной для моделей с фиксированными и индивидуальными эффектами, поэтому для того, чтобы выбрать наилучшую модель, необходимо сравнить попарно три модели (модель between, как правило, носит вспомогательный характер, поэтому опустим её), используя тесты Вальда, Бройша-Пагана и Хаусмана (Ратникова (2004)).

А) Тест Вальда проверяет нулевую гипотезу о равенстве нулю всех индивидуальных эффектов и позволяет сравнивать обычную pool модель и модель с фиксированными эффектами. В нашем случае получилось, что нулевая гипотеза отвергается на 1% уровне значимости и таким образом модель с фиксированными эффектами является предпочтительней, так как необходимо учитывать индивидуальные эффекты

Robust test for differing group intercepts -

Null hypothesis: The groups have a common intercept

Test statistic: Welch F (246, 410.0) = 24.2737

with p-value = P (F (246, 410.0) > 24.2737) = 3.72781e-156

Б) Для сравнения сквозной регрессии и модели со случайными индивидуальными эффектами используется тест Бройша-Пагана, нулевая гипотеза которого говорит, что вариация случайно ошибки коэффициента пересечения равняется нулю. Получилось, что p-value < 5%, а значит, что на 5% уровне значимости нулевая гипотеза отвергается и модель со случайными эффектами лучше описывает данные, чем сквозная регрессия.

Breusch-Pagan test -

Null hypothesis: Variance of the unit-specific error = 0

Asymptotic test statistic: Chi-square (1) = 5.44139

with p-value = 0.019665

B) Для сравнения моделей с фиксированными и индивидуальными эффектами воспользуемся тестом Хаусмана, нулевая гипотеза которого гласит, что корреляция между индивидуальными эффектами и регрессорами отсутствует. В нашем случае p-value < 1%, а значит нулевая гипотеза о состоятельности GLS отвергается на 1% уровне значимости, и модель с фиксированными индивидуальными эффектами является предпочтительнее, чем модель со случайными индивидуальными эффектами.

Hausman test -

Null hypothesis: GLS estimates are consistent

Asymptotic test statistic: Chi-square (23) = 49.8078

with p-value = 0.00097631

В принципе результат получился ожидаемый, учитывая тот факт, что модель со случайными эффектами имеет место только тогда, когда случайные эффекты некоррелированны с регрессорами. Несмотря на то, что я попытался учесть в модели множество специфических показателей компании, другие ненаблюдаемые параметры фирмы, такие как качество управления компанией, вполне вероятно коррелируют с регрессорами и таким образом, более оптимальной становится модель с фиксированными эффектами.

3.2 Описание и анализ полученных результатов

В таблице ниже представлены результаты регрессии вероятности дефолта на затраты на инновационную деятельность и контрольные переменные при использовании модели с фиксированными эффектами. Мною были выкинуты переменные market/book и coverage ввиду их незначимости и негативного эффекта на другие значимые переменные. К тому же по ним больше всего были пропущено наблюдений и их исключение позволило увеличить количество наблюдений почти в два раза, до 4183. Информация по дамми переменных времени может быть найдена в приложении 4.

Таблица 4. Результаты регрессии с фиксированными эффектами.

Переменные	Коэффициент
R&D/Net Sales	-0.05***
	(0.007)
Debt/Asset	0.0012***
	(0.0003)
Profit	-0.001***
	(0.001)
Asset	-0.025***
	(0.01)
ROA	-0.08***
	(0.024)
Loss	0.024**
	(0.008)
Constant	0.2278***
	(0.069)
Observations	4183
Within R-squared	0.192
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Таким образом, модель выглядит следующим образом:

В данной модели все переменные, кроме дамми переменной убытка оказались значимы на 1% уровне значимости, а дамми убытка получилось значимой на 5% уровне значимости.

Проинтерпретируем теперь коэффициенты переменных и знаки при них. Константа получилась равной 0,227, это значит, что технологическая фирма, не имеющая затрат на НИОКР, нулевую маржу, нулевой долг и нулевой логарифм размеров активов, имеет вероятность дефолта в следующем году, равную 22,7%. Сложно сказать, насколько данный показатель адекватен относительно экономической теории, потому что компания не может не иметь активов. В целом можно сделать предположение, что константа показывает вероятность того, что, если технологическая фирма начнёт работу сегодня с нуля, то вероятность её дефолта будет 22,7%

Знак коэффициента при затратах на НИОКР скорректированных на чистую выручку получился ожидаемо отрицательным, таким образом показывая негативную зависимость между уровнем инноваций технологической компании и уровнем её риска. Исходя из этого, можно сказать, что компании из технологического сектора, тратящие большую часть своей чистой выручки на НИОКР относительно своих конкурентов, получают большую ожидаемую экономическую ренту и более предсказуемые будущие денежные потоки. Вдобавок, такие фирмы лучше позиционируют себя в постоянной гонке за технологическое преимущество и с большей вероятностью превзойдут своих конкурентов в ней, тем самым снижая вероятность дефолта в ближайшие 12 месяцев при прочих равных условиях.

Непосредственно коэффициента при переменной равняется - 0,05 и значим на 1% уровне значимости. Что касается экономической значимости коэффициента, то при увеличении затрат на одно стандартное отклонение, равное 0,215, приведёт к уменьшению вероятности дефолта на 1,075% процентов и на 6,18% относительно среднего показателя в выборке.

Знаки коэффициентов, оставшихся контрольных переменных в целом соответствуют ожиданиям и результатам, полученными другими авторами. Знак перед коэффициентом рычага положительный, что отражает тот факт, что чем больше закредитованность компании, тем она более рискованная. Перед дамми переменной убытка также положительный знак и сам коэффициент достаточно значителен, что говорит о том, что убыток в отчётном году сильно негативно влияет вероятность выживания технологической компании, увеличивая вероятность дефолта на 2,4 процентных пункта. Знаки перед остальными переменными, в частности маржой прибыли, доходностью активов и размеров активов отрицателен, а значит данные показатели положительно связаны с вероятностью выживания компании, что также соответствует высказанной выше гипотезе.

Также пару слов стоит сказать о показателях коэффициентов перед дамми переменных времени, которые представлены в приложении. Всего получилось 16 переменных, была отброшена первая. Что интересно, то у всех дамми переменных получились отрицательные знаки, кроме дамми переменной 3 и 9, ответственных соответственно за 2003 и 2009 год, которые получились положительные, но при этом не значимые. Это говорит о том, что присутствует временной эффект: если компания смогла выжить в одном году, то вероятность банкротства в следующем году уменьшается. Что касается положительных знаков перед 2003 и 2009 годов, то это связано в первую очередь с нестабильной ситуацией в экономике в те годы, так, например, Nasdaq в 2002 году потерял 31,3%, что негативно сказалось на вероятности выживания в 2003 году.

3.3 Анализ применимости результатов для компаний из Российского технологического сектора

В исследовании мной была также поставлена задача провести анализ возможности применения полученных результатов для технологических компаний, оперирующих на Российском рынке. Первоначально стоит сказать немного про возможную ситуацию с исследованием российского рынка технологических компаний. Главная проблема, стоящая на этом пути - неразвитость российской экономики, её технологическая отсталость и отсутствие стимулов для создания технологических компаний. Так в ежегодном рейтинге РБК, посвящённом исследованию 50 наиболее технологичных компаний в России, в 2016 году лишь 4 из 50 компаний смогли бы попасть в мою выборку для исследования. Остальные компании, хоть и входят в рейтинг технологических компаний, не представляют технологическую отрасль. По большей части это компании, представляющие военно-промышленный комплекс, машиностроительные, авиационные предприятия - компании, не производящие товары и услуги непосредственно для населения. Отлично характеризует ситуацию тот факт, что 72% общей выручки крупнейших технологических компаний пришлось на государственные предприятия, а больше половины всего объёма венчурных сделок в России составила лишь одна сделка - продажа за $1,2 млрд. сайта объявлений Avito, созданного выходцами из Швеции, медиа холдингу Naspers.

Таким образом, в России существует порядка пары десятка технологических (занимающихся непосредственно IT) компаний. При этом большинство из них частные компаний, владельцы которых не спешат выходить из бизнеса или хотя бы сделать компания публичной. Примерами являются такие компании, как Лаборатория Касперского, ABBYY, Acronis и другие http: //www.rbc.ru/magazine/2016/05/5716c2249a79472b85254179. Убрав из выборки частные компании, так как по ним не получится собрать данные, остаётся на данный момент лишь 5 публичных технологичным компаний: Yandex, Mail.ru Group, IBS group, Luxoft и Armada https: //www.pwc.ru/en/capital-markets/publications/assets/a4_brochure_ipos_rus_print. pdf. Так как 3 из них стали публичными лишь после 2010 года, то попытка построения регрессионной модели и анализа полученных данных по этим компаниям изначально обречена на неудачу.

Поэтому мною была предпринята попытка анализа применимости полученных результатов к Российским технологическим компаниям, в частности сравнение полученной вероятности дефолта, если использовать коэффициенты регрессии, и вероятности дефолта, рассчитанной с помощью модели Мертона. Несмотря на то, что регрессия в целом предсказывает вероятность дефолта далеко не полностью (R^2 = 20%), но коэффициент при затратах на НИОКР получился значимо отрицательным. Таким образом, подставив в регрессию используемые показатели компании, мы можем получить предсказанную вероятность дефолта и сравнить её с базовой вероятностью, полученной из модели Мертона. При этом нас будет интересовать больше не точность предсказаний, а именно связь, выраженная корреляцией. Если связь между инновациями и риском для российских технологических компаний также отрицательная, то даже при плохо-предсказанной вероятности, корреляция должна быть высокая, так как вероятности дефолта должны двигаться в одну и ту же сторону при изменении различных показателей компании.

Однако тут возникла другая неожиданная проблема, в частности нежелание руководителей российских технологических компаний публиковать данные по их расходам на НИОРК. Проанализировав финансовые отчётности всех 5 компаний с момента их выхода на IPO, мне удалось обнаружить раскрытие затрат на НИОКР только у Яндекса, тогда как остальные 4 компании ни разу не публиковали эти данные, скрывая их в операционных издержках и затратах на SG&A. Поэтому единственной компанией, для которой можно провести сравнение - Яндекс. При этом, к сожалению, для Яндекса это проводить не имеет смысла, в частности из-за его очень хорошего финансового положения. Компания почти не имеет долга и не имела долга с показателем Debt/Equity меньше 10% в течение всей своей жизни, при этом показывая хорошие финансовые показатели. Проведя расчёт вероятности дефолта, я получил значение вероятностей в течение последних 5 лет неотличное от 0. Таким образом, сравнение вероятностей не имеет никакого смысла, так как они сильно близки к 0.

Базируясь на вышесказанном, мною был сделан вывод о неприменимости полученных результатов для российских технологических компаний в связи с неразвитостью российского технологического сектора и нежеланием компаний раскрывать подробно свои затраты на НИОКР. Поэтому, если ситуация не изменится в ближайшие несколько лет, то результаты работы не представляют ценности для российских реалий.

Заключение

Без сомнения, инновации играют важнейшую роль в экономическом развитии страны. Они не только обеспечивают большую производительность при производстве, но и помогают диверсифицировать экономику страны, делая её менее зависимой от прежних источников роста, тем самым экономический рост cстановится более гладким и устойчивым относительно кризисных явлений в других отраслях экономики.

В тоже время, инновации важны и для компаний, так как они позволяют им становится более конкурентоспособными, чем их конкуренты и получать большую выгоду. Однако, с научной точки зрения, несмотря на достаточно большое количество работ, посвящённых анализу влияния инновационной деятельности компании на её финансовое положение, нет устойчивого мнения относительно того, делают ли инновации компанию более рискованной, в частности, увеличивают ли они вероятность дефолта в ближайшие 12 месяцев.

Таким образом, данное исследование должно дополнить существующий набор работ, посвящённых данной тематике. При этом данную работу отличают от других работ две вещи: ориентированность лишь на технологическую индустрию, что позволяет избавить от потенциальных проблем с влиянием индустриальных компонент на результат, а также использование современных данных, в частности в период с 2000 по 2015 год, тогда как большинство исследований используют данные лишь по начало 2000.

Мною была построена модель, в которой зависимая переменная, вероятность банкротства, репрессировалась на главную объясняющую переменную, расходы на НИОКР, скорректированные на чистую выручку компании, и набор контрольных переменных. При это вероятность банкротства была оценена с помощью скорректированной модели Мертона. Сама модель была оценена с помощью регрессии с фиксированными эффектами, применимость которой была доказана с помощью теста Хаусмана.

В результате было найдено, что инновационная деятельность компании, выраженная расходами на НИОКР, уменьшает вероятность ближайшего банкротства. Таким образом, с одной стороны, поставленная мною гипотеза вроде бы подтверждена и выполнена главная цель работы. Полученные результаты подтверждают важность инновационной деятельности для как самой компании, так и для инвесторов - то, что косвенно можно было наблюдать в последние годы в связи с ростом расходов на НИОКР среди компаний и публикаций различных рейтингов самых инновационных компаний, таких как рейтинг Forbes "The World's Most Innovative Companies".

К сожалению, последнюю из задач - применимость модели для российских технологических компаний - не получилось осуществить, в связи с неразвитостью российского технологического сектора и нежеланием его представителей публиковать данные о расходах на НИОКР.

С другой стороны, необходимо также сказать пару слов о недостатках модели и исследования, а также о возможных путях его усовершенствования. Главной проблемой является несовершенство используемых данных. Все данные были получены из терминала Bloomberg, который предоставляет всю финансовую информацию по публичным компаниям. Таким образом, у меня в выборке получились компании, которые существуют, так как в Bloomberg нет данных по обанкротившимся компаниям. Это в теории должно приводить sample selection bias problem, что может привести к смещённым и несостоятельным оценкам. Таким образом, получившиеся отрицательная зависимость между инновационной деятельностью и вероятностью дефолта на самом деле может быть вызвана тем, что в выборке представлены лишь финансово-устойчивые компании, для которых затраты на инновации не оказывают негативного влияние на их финансовое положение. В то время как при включение обанкротившихся компаний в выборку, результат может получиться другой, так как причиной банкротства могут быть слишком большие затраты на инновации.

Другим недостатком является возможные проблемы с эндогенностью, которые также ведут к несостоятельности оценок. Несмотря на включение в регрессию дамми переменных времени и использование лишь одной отрасли, возможно, что существуют переменные на уровне экономики/индустрии, которые не учтены мною. То же самое касается и пропущенных переменных на уровне фирмы. Последней проблемой является несовершенство используемого прокси инновационной деятельности - затрат на НИОКР. Несмотря на то, что в своей работе Hagedoorn and Cloodt (2002) показали, что R&D является достаточно хорошей мерой инновационной активности, в последние время в научной литературе появляется мнение, что патенты в качестве прокси инноваций более предпочтительны, так как они лучше предсказывают будущие доходы и потоки денежных платежей фирмы, чем затраты на НИОКР (Pandit et al., 2011). Наилучшим же индикатором будут непосредственно затраты на инновационную активность фирмы.

Таким образом, данное исследование, можно улучшить, если более подробно сконцентрироваться на этих проблемах. Для этого необходимо найти расширить выборку, найти более адекватный индикатор инновационной активности, чем затраты на НИОКР и рассмотреть более подробно проблему возможной эндогенности.

Список литературы

1. Astebro T., Michela J.L., 2005. Predictors of the survival of innovations. Journal of Product Innovation Management, 22, 322-335.

2. Audretsch D.B., Mahmood T., 1995. `New Firm Survival: New Results Using a Hazard Function', Review of Economics and Statistics, 77, 97-103.

3. Baldwin J.R., Johnson J., 1996. Business strategies in more - and less-innovative firms in Canada. Research Policy, 25 (5): 785-804.

4. Banbury C., Mitchell W., 1995. The effects of introducing important incremental innovation on market share and business survival. Strategic Management Journal, 16, 161-182.

5. Bharath S.T., Shumway T., 2008. Forecasting default with the Merton distance to default model. Review of Financial Studies, 21, 1339-1369.

6. Blume M.E., Lim F., Mackinlay A. C., 1998. The declining credit quality of U. S. corporate debt: Myth or reality? The Journal of Finance, 53, 1389-1413.

7. Buddelmeyer H., Jehsen P., Webster. E., 2009. Innovation and the determinants of company survival, Oxford Economic Paper, 62, 261-285.

8. Cefis E., Marsili O., 2011. Born to flip. Exit decisions of entrepreneurial firms in high-tech and low-tech industries. Journal of Evolutionary Economics 21, 473-498.

9. Crosbie P.J., Bohn J.R., Modelling default risk. http://www.ma. hw. ac. uk/~mcneil/F79CR/Crosbie_Bohn. pdf.

10. Dockner J.E., Siyahhan B., 2015. Value and risk dynamics over the innovation cycle. Journal of Economic Dynamics & Control, 61, 1-16.

11. Ericson, R., Pakes A., 1995. Markov-Perfect Industry Dynamics: A Framework for Empirical Work, Review of Economic Studies, 62, 53-82.

12. Esteve-Perez S., Manez-Castillejo J.A., 2008. The resource-based theory of the firm and firm survival of Spanish manufacturing firms, Review of Industrial Organization, 25, 251-73.

13. Fama F.E., French R.K., 1992. The cross-section of expected stock returns. The Journal of Finance, 47, 427-465.

14. Fernandes A.M., Paunov C., 2014. The risks of innovation: are innovating firms less likely to die? The Review of Economics and Statistics, 1-58.

15. Gatignon H., Robertson S.T., 1985. A Propositional Inventory for New Diffusion Research, Journal of Consumer Research, 11 (4), 849-67.

16. Geroski P.A., Mata P., Portugal, P., 2010. Founding conditions and the survival of new firms. Strategic Management Journal.31, 510-529.

17. Gourville J.T., 2005. The Curse of Innovation: Why Innovative New Products Fail, Marketing Science Institute Report No.05-117.

18. Grinblatt M., Titman S., 1998. Financial Markets & Corporate Strategy. Homewood, IL: Richard D. Irwin.

19. Griliches Z., 1990. Patent statistics as economic indicators: a survey, Journal of Economic Literature, 28, 1661-707.

20. Hagedoorn J., Cloodt M., 2003. Measuring innovative performance: is there an advantage in using multiple indicators? Research Policy, Vol.32. № 8. P.1365-1379.

21. Hall B.H. 1987. The Relationship Between Firm Size and Firm Growth in the US Manufacturing Sector, The Journal of Industrial Economics 35 (4): 583-606.

22. Howell A., 2015, "Indigenous” innovation with heterogeneous risk and new firm survival in a transitioning Chinese economy, Research Policy 44, 1866-1876.

23. Kaplan R.S., Urwitz G., 1979. Statistical models of bond rating: a methodological inquiry, Journal of Business 52, 231-261.

24. Kleinknecht A., Van Montfort K., Brouwer E. 2002. The non-trivial choice between innovation indicators. Economics of Innovation and New Technology 11 (2): 109-121.

25. Mairesse J., Mohnen P., 2002. Accounting for innovation and measuring innovativeness: an illustrative framework and an application, American Economic Review, 92, 226-31.

26. Mata J., Portugal P., 1994. Life duration of new firms. Journal of Industrial Economics, 42, 227-245

27. Merton, R.C. 1974. On the pricing of corporate debt: the risk structure of interest rates, The Journal of Financ, 29, 449-470.

28. Min S., Kalwani M.U., and Robinson W.T., 2006. Market Pioneer and Early Follower Survival Risks: A Contingency Analysis of Really New Versus Incrementally New Product-Markets, Journal of Marketing, 70, 15-33.

29. Nelson, R., Winter, S., 1982. An evolutionary theory of economic change. Harvard University Press, Cambridge, MA.

30. Ortega-Argiles R., Moreno R., 2007. Firm competitive strategies and the likelihood of survival: the Spanish case, Discussion Papers on Entrepreneurship, Growth and Public Policy 2007-05, Max Planck Institute of Economics, Jena.

31. Pandit S., Wasley C.E., Zach T., 2011. The Effect of R&D inputs and outputs on the relation between the uncertainty of future operating performance and R&D expenditures, Journal of Accounting, Auditing and Financing.26, 121-144.

32. Perez S.E., Llopis A.S., Sanchis-Llopis J.A., 2004. The determinants of survival of Spanish manufacturing firms. Review of Industrial Organization, 25, 251-273.

33. Segarra A., Callejon M. 2002. New firm's survival and market turbulence: new evidence from Spain, Review of Industrial Organization, 20, 1-14.

34. Skinner D.J., 2008. Accounting for intangibles - a critical review of policy recommendations. Accounting and Business Research, 38 (3), 191-204.

35. Tirole J., 1988. The Theory of Industrial Organization. Cambridge, MA: The MIT Press.

36. Vassalou, M., Xing Y., 2004. Default risk in equity returns. The Journal of Finance, 59, 831-868.

37. Zhang, M., Mohnen, P., 2013. Innovation and survival of new firms in Chinese manufacturing, 2000-2006. In: United Nations University, Maastricht Economic and Social Research and Training Centre on Innovation and Technology Working Paper. No.57.

Приложения

Приложение 1

Результаты теста Ramsey:

RESET test for specification -

Null hypothesis: specification is adequate

Test statistic: F (2, 4129) = 1.07803

with p-value = P (F (2, 4129) > 1.07803) = 0.299199

Приложение 2

Pool регрессия, оценённая с помощью OLS.

Переменные	Коэффициент
R&D/Net Sales	-0.02***
	(0.004)
Debt/Asset	0.0015***
	(0.0003)
Profit	-0.009
	(0.009)
Asset	-0.014***
	(0.01)
ROA	-0.093***
	(0.036)
Loss	0.031**
	(0.007)
Constant	0.109***
	(0.027)
Observations	4138
R-squared	0.190
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Приложение 3

Регрессия between.

Переменные	Коэффициент
R&D/Net Sales	-0.024***
	(0.003)
Debt/Asset	0.0012***
	(0.0003)
Profit	-0.011
	(0.013)
Asset	-0.01***
	(0.0019)
ROA	-0.16***
	(0.052)
Loss	-0.007
	(0.016)
Constant	0.10***
	(0.015)
Observations	4183
R-squared	0.26
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Приложение 4

Дамми переменные времени в модели с фиксированными эффектами

Переменные	Коэффициенты
dt_2	?0.0272613** (0.0117057)
dt_3	0.00754118 (0.0158689)
dt_4	?0.0575110*** (0.0115151)
dt_5	?0.0496453*** (0.0102960)
dt_6	?0.0589915*** (0.00930682)
dt_7	?0.0584087*** (0.00991829)
dt_8	?0.0528486*** (0.0110086)
dt_9	0.0574789 (0.0407751)
dt_10	?0.0324152** (0.0134572)
dt_11	?0.0450677*** (0.0114582)
dt_12	?0.0330344*** (0.0124353)
dt_13	?0.0424433*** (0.0130010)
dt_14	?0.0511845*** (0.0137689)
dt_15	?0.0486798*** (0.0144681)
dt_16	?0.0477641*** (0.0147566)

Standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

Тест на значимость включения дамми-переменных:

Wald test for joint significance of time dummies

Asymptotic test statistic: Chi-square (15) = 169.583

with p-value = 2.96338e-028

Приложение 5

Регрессия с фиксированными эффектами

Переменные	Коэффициент
R&D/Net Sales	-0.05***
	(0.007)
Debt/Asset	0.0012***
	(0.0003)
Profit	-0.001***
	(0.001)
Asset	-0.025***
	(0.01)
ROA	-0.08***
	(0.024)
Loss	0.024**
	(0.008)
Constant	0.2278***
	(0.069)
Observations	4183
Within R-squared	0.192
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Приложение 6

Регрессия со случайными эффектами

Переменные	Коэффициент
R&D/Net Sales	-0.04***
	(0.013)
Debt/Asset	0.0015***
	(0.0002)
Profit	-0.006
	(0.004)
Asset	-0.014***
	(0.0015)
ROA	-0.08***
	(0.016)
Loss	0.027**
	(0.007)
Constant	0.1544***
	(0.069)
Observations	4183
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Размещено на Allbest.ru