This formula above is useful to tes

This formula above is useful to test for the herding behavior in case of rising and falling market condition. In this situation, the coefficient is expected to significantly negative for expression of asymmetric effect as in hypotheses 2.
OLS is a regression method based on the mean of the conditional distribution of stock return dispersion; thus, it is difficult to discriminate between different quantile and even cause the ignorance of herding that exists only in certain quantiles. Whereas, quantile regression provides a more complete view of how this trend performs over different quantiles. In addition, Barnes and Hughes (2002) argue that quantile regression can alleviate some of the statistical problem of the standard OLS method, such as non – normal distribution, outlier sensitivity, errors in variables and omitted variable bias. Many financial datasets contain one or more of these challenges so quantile regression may be useful for employing such data (Gowlland et al, 2009). It is concluded that quantile regression builds on more efficiency for estimators than OLS.

Kết quả (Việt) 1:

Công thức ở trên là hữu ích để kiểm tra đối với hành vi chăn gia súc trong trường hợp điều kiện thị trường tăng cao và rơi xuống. Trong tình huống này, Hệ số là 2 dự kiến sẽ đến một cách đáng kể tiêu cực đối với các biểu hiện của các hiệu ứng bất đối xứng như giả thuyết.OLS là một phương pháp hồi quy dựa trên có ý nghĩa của sự phân bố có điều kiện phân tán trở về chứng khoán; Vì vậy, nó rất khó để phân biệt đối xử giữa các quantile khác nhau và thậm chí gây ra sự ngu dốt của herding mà chỉ tồn tại trong một số quantiles. Trong khi đó, hồi qui quantile cung cấp một cái nhìn đầy đủ hơn về cách xu hướng này thực hiện trong quantiles khác nhau. Ngoài ra, Barnes và Hughes (2002) tranh luận rằng quantile hồi qui có thể làm giảm bớt một số vấn đề thống kê các phương pháp OLS chuẩn, chẳng hạn như không-bình thường phân phối, outlier nhạy cảm, sai sót trong các biến và bỏ qua biến thiên. Rất nhiều tài chính datasets chứa một hoặc nhiều hơn những thách thức này do đó quantile hồi qui có thể hữu ích cho việc sử dụng các dữ liệu đó (Gowlland và ctv., 2009). Chúng tôi kết luận rằng quantile hồi qui xây dựng trên hiệu quả hơn cho estimators hơn OLS.

Kết quả (Việt) 2:

Công thức này ở trên là hữu ích để kiểm tra các hành vi chăn gia súc trong trường hợp tăng và giảm tình trạng thị trường. Trong tình huống này, hệ số dự kiến tiêu cực đáng kể đối với biểu hiện của hiệu ứng bất đối xứng như trong giả thuyết 2.
OLS là một phương pháp hồi quy dựa trên giá trị trung bình của phân phối có điều kiện của chứng khoán trở lại phân tán; do đó, rất khó để phân biệt giữa quantile khác nhau và thậm chí gây ra sự thiếu hiểu biết của chăn mà chỉ tồn tại trong quantiles nhất định. Trong khi đó, hồi quy quantile cung cấp một cái nhìn đầy đủ hơn về thế nào xu hướng này thực hiện trên quantiles khác nhau. Ngoài ra, Barnes và Hughes (2002) lập luận rằng hồi quy quantile có thể giảm bớt một số vấn đề thống kê của các phương pháp OLS tiêu chuẩn, chẳng hạn như không - phân phối bình thường, độ nhạy outlier, sai sót trong các biến và bỏ qua xu hướng biến. Nhiều bộ dữ liệu tài chính chứa một hoặc nhiều hơn những thách thức hồi quy để quantile có thể hữu ích cho sử dụng dữ liệu đó (Gowlland et al, 2009). Có thể kết luận rằng hồi quy quantile xây dựng dựa trên hiệu quả hơn cho các ước lượng OLS hơn.