Concordantietabel vs. causaliteit in de financiën

Pearson correlatie standaardiseert covouriteit en meet lineaire associatie; rang correlaties meten monotone ordering onder verschillende aannames

De waarde ervan is afhankelijk van de populatie, venster, frequentie, transformatie, uitschieters, ontbrekende en conditioneringsvariabelen

Zero correlatie impliceert geen onafhankelijkheid, behalve in speciale families, terwijl een niet-lineaire relatie sterk kan zijn met bijna nul Pearson correlatie

Een causale vraag specificeert een behandeling of actie, resultaat, populatie, timing en vergelijking tussen mogelijke toestanden

Het effect van de verhoging van de tarieven verschilt van de associatie tussen waargenomen tarieven en rendementen omdat het beleid reageert op informatie over de economie

Causale identificatie vereist aannames of ontwerp die waargenomen verdelingen verbinden met de niet-opgemerkte vergelijking van de contrafeitelijke waarde

Een gemeenschappelijke oorzaak kan beide variabelen bewegen, omgekeerde causaliteit kan de uitkomst invloed op de voorgestelde oorzaak, en feedback kan werken in beide richtingen

Conditionering op een gemeenschappelijk effect kan botsende vooringenomenheid veroorzaken, terwijl overleving en publicatie filters associatie kunnen induceren in een geselecteerde steekproef

Het toevoegen van controles is niet automatisch veiliger: controle voor bemiddelaars, botsers, lawaaierige proxies, of na behandeling variabelen kunnen vooringenomenheid verhogen

X Granger-oorzaken Y wanneer verleden X verbetert de voorspelling van Y voorbij de gekozen informatieset en model voor verleden Y

Dit is een test van incrementele voorspellende inhoud, geen bewijs dat het ingrijpen op X verandert Y via een structureel mechanisme

Toegestaan variabelen, algemeen nieuws, aggregatie, vertragingskeuze, nonstationariteit en veranderende regimes kunnen Granger-causale bevindingen creëren of wissen

Onafhankelijke persistente series kunnen hoge R2 en significante regressies laten zien omdat hun stochastische trends samen in één monster dwalen

Het beperken of verschillen verandert de vraag en kan lange termijn informatie verwijderen, dus moet het een model van de reeks volgen in plaats van een visuele fix

Stationarity, unit roots, structurele breuken en co-integratie moeten worden gediagnosticeerd voordat de correlatie of regressie van de tijdreeks wordt geïnterpreteerd.

Gerandomiseerde experimenten zijn zeldzaam voor marktbrede blootstellingen, maar natuurlijke experimenten, discontinuiteiten, instrumenten, panelen, en event ontwerpen kunnen helpen

Elk ontwerp heeft zijn eigen veronderstellingen nodig over anticipatie, uitsluiting, parallelle trends, interferentie, timing en stabiele meting

Een gebeurtenisstudie meet een abnormale beweging rond een datum; zonder een geldige teller-onvertaald en schone timing, het niet automatisch het effect van de gebeurtenis identificeren

Rapporteer rauwe en voorwaardelijke associaties, transformaties, vensters, ontbrekende gegevensregels, stabiliteit en alternatieve causale diagrammen of mechanismen

Vermeld de aannames inzake estimand en identificatie, dan worden vervalsingen, placebo's, pretrends, gevoeligheid en buitensteekproeven uitgevoerd die op het ontwerp zijn afgestemd

Gebruik de causale taal alleen in de mate die door het ontwerp wordt ondersteund; voorspelling kan waardevol zijn zonder dat een interventie zou reproduceren van de relatie