B.2 AutocorrelationA potential bias

B.2 Autocorrelation

A potential bias could emerge in our estimations if the error terms were correlated over time. Indeed: even if our dataset cannot be seen as a true time series (some days have more than one decision), the structure is nevertheless very close. This very special structure allowed us to create variables close to lag values of the dependent variable: previous is the average censorship rate of the last decision day.

Biases could emerge in our estimation if the error terms were correlated over time. To deal with this potential issue, we now consider the data as a time series, in which the decisions’ publication order corresponds to the time component. We replace the variable previous by the lag value of the dependent variable (L.censorship ). When estimating this new model, we estimate a coefficient associated to L.censorship equal to 0:4465. This coefficient is statistically different from zero at the 5% level, and statistically not different from what we found for previous. The coefficients associated to both variables have indeed same sign, the same significance level, and the same magnitude.

Second, to detect potential serial correlation between our error terms, we compute the residuals of this last model (without clustering). The correlation coefficient between the error term and the lag value of the error term is equal to 0:008, which suggests no serial correlation. Moreover, graph 6 plots the error terms with the lag values of the error terms. The graph detects no autocorrelation.

Third, in order to run the Breusch-Godfrey test, we run the previous model in a linear form (OLS regression) without clusters. The probability to rightfully reject the null hypothesis of the Breusch-Godfrey test is equal to 0.7129. The test fails therefore at rejecting the no-serial correlation hypothesis, which comforts results presented in the article.

Kết quả (Việt) 1:

B.2 AutocorrelationMột thiên vị tiềm năng có thể nổi lên trong estimations chúng tôi nếu các điều khoản lỗi đã được tương quan theo thời gian. Thực sự: ngay cả khi số liệu của chúng tôi không thể được xem như là một chuỗi thời gian đúng (một số ngày có nhiều hơn một quyết định), cấu trúc là Tuy nhiên rất gần. Cấu trúc rất đặc biệt này cho phép chúng tôi tạo ra biến gần tụt hậu giá trị của biến phụ thuộc: trước đây là tốc độ trung bình là kiểm duyệt ngày quyết định cuối cùng.Thành kiến có thể nổi lên trong dự toán của chúng tôi nếu các điều khoản lỗi đã được tương quan theo thời gian. Để đối phó với vấn đề tiềm năng này, chúng tôi bây giờ xem xét các dữ liệu như là một chuỗi thời gian, trong đó các quyết định xuất bản để tương ứng với các thành phần thời gian. Chúng tôi thay thế biến trước bởi giá trị tụt hậu phụ thuộc vào biến (L.censorship). Khi ước tính mô hình mới này, chúng tôi ước tính một yếu tố liên quan đến L.censorship bằng 0:4465. Hệ số này là thống kê khác nhau từ số không ở mức 5%, và thống kê không khác nhau từ những gì chúng tôi tìm thấy cho trước. Hệ số liên quan đến cả hai biến có thực sự cùng một dấu hiệu, mức độ ý nghĩa tương tự, và tầm quan trọng tương tự.Thứ hai, để phát hiện tiềm năng nối tiếp tương quan giữa điều khoản lỗi chúng tôi, chúng tôi tính toán dư của mô hình cuối này (không có cụm). Hệ số tương quan giữa các thuật ngữ lỗi và giá trị tụt hậu của thuật ngữ lỗi là bằng 0:008, mà cho thấy không có sự tương quan nối tiếp. Hơn nữa, đồ thị 6 lô điều khoản lỗi với các giá trị tụt hậu của các điều khoản lỗi. Đồ thị phát hiện không có autocorrelation.Thứ ba, để chạy thử nghiệm Breusch-Godfrey, chúng tôi chạy mô hình trước đó trong một hình thức tuyến tính (OLS hồi quy) mà không cần cụm. Xác suất để rightfully từ chối giả thuyết null của thử nghiệm Breusch-Godfrey là tương đương với 0.7129. Thử nghiệm không thành công do đó lúc bác bỏ giả thuyết no-sê-ri tương quan, kết quả Tiện nghi như trình bày trong bài viết.

Kết quả (Việt) 2:

B.2 tự tương Một sai lệch tiềm ẩn có thể xuất hiện trong các ước tính của chúng tôi nếu sai số tương quan theo thời gian. Thật vậy: ngay cả khi dữ liệu của chúng tôi không có thể được xem như là một chuỗi thời gian thực (một số ngày có nhiều hơn một quyết định), cơ cấu là vẫn rất gần. Cấu trúc rất đặc biệt này cho phép chúng ta tạo ra các biến gần tụt giá trị của biến phụ thuộc: trước đây là tỷ lệ kiểm duyệt trung bình trong ngày ra quyết định cuối cùng. thành kiến có thể xuất hiện trong dự toán của chúng tôi nếu sai số tương quan theo thời gian. Để đối phó với các vấn đề tiềm năng này, bây giờ chúng ta xem xét các dữ liệu như là một chuỗi thời gian, trong đó để công bố các Quyết định của tương ứng với các thành phần thời gian. Chúng ta thay thế biến trước đó bởi các giá trị trễ của biến phụ thuộc (L.censorship). Khi ước tính mô hình mới này, chúng tôi ước tính hệ số liên quan đến L.censorship bằng 0: 4465. Hệ số này là người khác không ở mức 5%, thống kê và không khác với những gì chúng tôi tìm thấy cho trước. Các hệ số liên quan đến cả hai biến có thực sự cùng một dấu hiệu, mức độ quan trọng như nhau, và cùng độ lớn. Thứ hai, để phát hiện tương quan chuỗi tiềm năng giữa các sai số của chúng tôi, chúng tôi tính toán các số dư của mô hình cuối cùng này (mà không clustering). Hệ số tương quan giữa thời hạn lỗi và giá trị trễ của các lỗi hạn bằng 0: 008, trong đó cho thấy có sự tương quan nối tiếp. Hơn nữa, đồ thị 6 lô các sai số với các giá trị trễ của các sai số. Biểu đồ phát hiện không có tự tương quan. Thứ ba, để chạy thử nghiệm Breusch-Godfrey, chúng tôi chạy các mô hình trước đó trong một dạng tuyến tính (hồi quy OLS) mà không có cụm. Xác suất để đúng là bác bỏ giả thuyết của các thử nghiệm Breusch-Godfrey bằng 0,7129. Do đó thử nghiệm không thành công ở việc loại bỏ giả thuyết tương quan không có serial, mà an ủi kết quả trình bày trong bài viết.