paper1

当年资本投资水平，用投资支出与期初总资产比值表示，企业投资支出包括固定资产、无形资产和其他长期资产投资支出
投资机会，用第t-1年主营业务收入增长率表示
现金持有量，用第t-1年的货币资金、短期投资净额与上一年资产总计比值表示
企业规模，用第t-1年总资产的对数表示
资产负债率，用负债合计与资产总计的比值表示
公司成立年份
盈利能力，用第t-1年的年个股回报率与综合年市场回报率之差表示
企业第t-1年投资水平
行业变量
残差项
4.4.1描述性分析
描述分析就是研究定量数据的整体情况、整体水平如何等；通常使用平均值、中位数来对数据进行描述。具体结果整体如下：
variable N min max mean sd p50
Invest 10326 2.46e-05 0.0297 0.0029 0.0046 0.0014
Over_INV 4589 2.13e-05 0.0379 0.0033 0.0059 0.0014
Under_INV 5737 2.99e-05 0.0217 0.0026 0.0036 0.0015
AQDA 10326 0.641 0.999 0.944 0.0612 0.962
AQ2_1 10326 0.0017 5.577 0.326 0.734 0.128
lnSIZE 10326 20.16 26.37 22.46 1.278 22.29
cash 10326 0.0032 4.784 0.343 0.689 0.152
AGE 10326 8 32 18.85 5.213 19
LEV 10326 0.0634 0.872 0.428 0.197 0.420
DUA 10326 0 1 0.263 0.440 0
BSIZE 10326 5 15 8.546 1.698 9
PID 10326 0.333 0.571 0.376 0.0537 0.364
SOE 10326 0 1 0.378 0.485 0
TOP10 10326 24.89 90.29 57.91 14.43 58.33
gl3wage 10326 13.06 16.50 14.55 0.665 14.50
从上表可知：总样本量为10326个样本，而Over_INV、Under_INV这两项为Invest分散出来的故样本不存在缺失值。具体分析可知：AQDA、lnSIZE、AGE、LEV、BSIZE、PID、TOP10、gl3wage这几项的平均值均要大于标准差，说明这几项数据之间的波动性较小，可以使用平均值来对这几项数据进行描述；Invest、Over_INV、Under_INV、AQ2_1、cash、DUA、SOE这几项的平均值要小于标准差，说明这几项数据的波动性较大，相对于平均值，用中位数描述数据整体水平更为合适。以及2015年至2019年中过度投资与投资不足的频数分布表如下：
Over_INV 占比 Under_INV 占比 合计
2015 657 48.99% 684 51.01% 1341
2016 789 46.01% 926 53.99% 1715
2017 819 42.41% 1112 57.59% 1931
2018 1029 43.45% 1339 56.55% 2368
2019 1295 43.59% 1676 56.41% 2971
合计 4589 44.44% 5737 55.56% 10326
从上表可知：样本数量一共有10326个，其中过度投资样本数量为4589个，占比为44.44%，投资不足为5737个，占比为55.56%。说明投资不足的样本明显大于过度投资的样本。
相关性分析就是研究各个变量之间的相关关系强弱程度。利用相关分析去研究被解释变量Invest、Over_INV、Under_INV与核心解释变量L.AQ1DA以及控制变量L.lnSIZE、L.AGE、L.ROA、L.LEV、L.SHD之间的相关关系，使用皮尔逊相关系数表示数据之间相关关系强弱程度，具体结果如下表：

Invest  Over_INV    Under _INV  L.AQDA  L.AQ2_1 L.lnSIZE    L.cash  L.AGE   L.LEV   L.DUA   L.BSIZE L.PID   L.SOE   L.TOP10 L.gl3wage

Invest 1

Over_INV 0.9925*** 1
0
Under_INV 0.9891*** . 1
0 .
L.AQDA -0.0293** -0.0102 -0.0554*** 1
0.0166 0.57 0.0009
L.AQ2_1 0.1343*** 0.1340*** 0.1114*** 0.0036 1
0 0 0 0.77
L.lnSIZE 0.1979*** 0.1950*** 0.1880*** 0.0478*** 0.2765*** 1
0 0 0 0.0001 0
L.cash 0.2707*** 0.2135*** 0.2936*** -0.0568*** -0.0051 -0.0543*** 1
0 0 0 0 0.674 0
L.AGE 0.0255** 0.0025 0.0391** 0.0037 0.0273** 0.1289*** -0.0129 1
0.0368 0.887 0.0189 0.76 0.0252 0 0.289
L.LEV 0.1104*** 0.0344* 0.1990*** -0.0547*** 0.1577*** 0.5696*** -0.0839*** 0.1855*** 1
0 0.0548 0 0 0 0 0 0
L.DUA -0.0106 -0.0048 -0.0107 -0.0335*** -0.0449*** -0.1545*** 0.0267** -0.1124*** -0.1176*** 1
0.386 0.789 0.52 0.0061 0.0002 0 0.0286 0 0
L.BSIZE 0.0491*** 0.0456** 0.0322* 0.0833*** 0.0723*** 0.2784*** -0.0153 0.0874*** 0.1524*** -0.1794*** 1
0.0001 0.0109 0.0537 0 0 0 0.211 0 0 0
L.PID 0.0345*** 0.0501*** 0.0195 -0.0394*** 0.0434*** 0.012 -0.0172 -0.0378*** 0.0004 0.1355*** -0.5029*** 1
0.0047 0.0052 0.243 0.0013 0.0004 0.327 0.159 0.002 0.975 0 0
L.SOE 0.0572*** 0.0470*** 0.0563*** 0.0557*** 0.1665*** 0.3301*** -0.0254** 0.2697*** 0.2857*** -0.2944*** 0.2586*** -0.0522*** 1
0 0.0088 0.0007 0 0 0 0.0372 0 0 0 0 0
L.TOP10 0.1364*** 0.1744*** 0.0696*** 0.0238** 0.1428*** 0.2349*** 0.0247** -0.1211*** 0.0224* 0.0047 0.0512*** 0.0286** 0.0389*** 1
0 0 0 0.0512 0 0 0.043 0 0.0665 0.7 0 0.0191 0.0015
L.gl3wage 0.1080*** 0.1040*** 0.0780*** -0.0021 0.0356*** 0.4159*** -0.0067 0.1144*** 0.1637*** 0.0036 0.1011*** 0.0069 -0.0173 0.0856*** 1
0 0 0 0.862 0.0035 0 0.582 0 0 0.767 0 0.57 0.156 0

• p < 0.1,** p < 0.05, *** p < 0.01

从上表可知：被解释变量Invest与L.AQ1DA之间呈现显著的负相关关系（会计信息质量越高，投资效率越低？？？和假设不一样啊！），相关系数为-0.0293；与L.AQ2_1、L.lnSIZE、L.cash、L.AGE、L.LEV、L.BSIZE、L.PID、L.SOE、L.TOP10、L.gl3wage这10项之间呈现显著的正相关关系，相关系数分别为0.1343、0.1979、0.2707、0.0255、0.1104、0.0491、0.0345、0.0572、0.1364、0.108；与L.DUA之间没有明显相关关系；
被解释变量Over_INV与L.AQ2_1、L.lnSIZE、L.cash、L.LEV、L.BSIZE、L.PID、L.SOE、L.TOP10、L.gl3wage这9项之间呈现显著的正相关关系（会计稳健性越高，过度投资越高？那投资效率不就越低了？？但咱们假设不是会计稳健性越高，投资效率越高。。。。），相关系数分别为0.134、0.195、0.2135、0.0344、0.0456、0.0501、0.047、0.1744、0.104；与L.AQDA、L.AGE、L.DUA这3项之间没有明显相关关系；
被解释变量Under_INV与L.AQ1DA之间呈现显著的负相关关系，相关系数为-0.0554；与L.AQ2_1、L.lnSIZE、L.cash、L.AGE、L.LEV、L.BSIZE、L.SOE、L.TOP10、L.gl3wage这9项之间呈现显著的正相关关系，相关系数分别为0.1114、0.188、0.2936、0.0391、0.199、0.0322、0.0563、0.0696、0.078；与L.DUA、L.PID这2项之间没有明显相关关系。
为了验证上述各变量之间是否存在共线性关系，使用VIF值来进行共线性检验。整理结果如下：
Variable VIF 1/VIF
L1.lnSIZE 2.22 0.4505
L1.LEV 1.58 0.6310
L1.BSIZE 1.56 0.6408
L1.PID 1.4 0.7127
L.SOE 1.37 0.7296
L1.gl3wage 1.29 0.7764
L.AGE 1.13 0.8816
L1.DUA 1.12 0.8902
L1.TOP10 1.11 0.9001
L1.AQ2_1 1.11 0.9026
L1.AQDA 1.02 0.9761
L1.cash 1.01 0.9873
Mean VIF 1.33
从上表可知：各变量之间的VIF值均小于5，说明不存在共线性问题，可以进行下一步分析。
4.2.3回归分析
回归分析就是研究自变量对于因变量的影响关系。首先验证模型1至模型3，具体分析结果如下：
Model OLS1 OLS2 OLS3
DV Invest Over_INV Under_INV
L.AQDA -0.0015* -0.0014 -0.0018**
(-1.80) (-0.89) (-2.01)
L.AQ2_1 0.0005*** 0.0004*** 0.0004***
(6.54) (3.33) (4.57)
L.lnSIZE 0.0004*** 0.0011*** 0.0002***
(6.65) (8.20) (2.78)
L.cash 0.0018*** 0.0018*** 0.0020***
(24.42) (15.52) (19.09)
L.AGE 0.0000** 0.0000 0.0000**
(2.16) (1.13) (2.26)
L.LEV 0.0011*** -0.0020*** 0.0031***
(3.32) (-3.02) (8.74)
L.DUA 0.0001 0.0000 0.0000
(0.47) (0.07) (0.28)
L.BSIZE 0.0000 0.0000 0.0000
(0.88) (0.37) (0.36)
L.PID 0.0034*** 0.0044** 0.0021*
(3.01) (2.16) (1.70)
L.SOE -0.0002* -0.0004* -0.0001
(-1.91) (-1.95) (-0.50)
L.TOP10 0.0000*** 0.0000*** 0.0000***
(6.51) (4.48) (3.36)
L.gl3wage 0.0003*** 0.0006*** 0.0001
(3.74) (3.70) (1.11)
_Cons -0.0145*** -0.0322*** -0.0064***
(-9.03) (-10.06) (-3.28)
year Y Y Y
industry Y Y Y
N 6,704 3,109 3,595
R2 0.145 0.157 0.160
t statistics in parentheses，* p < 0.1,** p < 0.05, *** p < 0.01
从上表可知：针对模型1来讲，模型R方为0.145，以及模型公式为：
具体分析可知：针对L.AQDA而言，其呈现出0.1水平的显著性(t=-1.8,p
<0.1)，且回归系数为-0.0015<0，说明L.AQDA对Invest呈现出显著的负向影
响关系；说明会计信息质量越高，投资效率就越高。针对L.AQ2_1而言，其呈现出0.01水平的显著性(t=6.54,p<0.01)，且回归系数为0.0005>0，说明L.AQ2_1
对Invest呈现出显著的正向影响关系；说明会计稳健性越高，投资效率就越
高。
以及L.lnSIZE、L.cash、L.AGE、L.LEV、L.PID、L.TOP10、L.gl3wage对于Invest呈现出显著的正向影响关系；L.SOE对于Invest呈现出显著的负向影响关系；以及L.DUA、L.BSIZE对于Invest没有呈现出明显的影响关系。
针对模型2来讲，模型的R方为0.157，以及模型公式为：
且回归系数为-0.0014<0，说明L.AQDA对Over_INV没有呈现出显著的影响关系，但是会呈现出一定的负向影响关系；针对L.AQ2_1而言，其呈现出0.01水平的显著性(t=3.33,p<0.01)，且回归系数为0.0004>0，说明L.AQ2_1对Over_INV呈现出显著的正向影响关系；说明会计稳健性越高，过度投资就越高？？？？。
以及L.lnSIZE、L.cash、L.PID、L.TOP10、L.gl3wage对于Over_INV呈现出显著的正向影响关系；L.LEV、L.SOE对于Over_INV呈现出显著的负向影响关系；以及L.AQDA、L.AGE、L.DUA、L.BSIZE对于Over_INV没有呈现出明显的影响关系。
具体分析可知：针对L.AQDA而言，其呈现出0.05水平的显著性(t=-2.01,
p<0.05)，且回归系数为-0.0018<0，说明L.AQDA对Under_INV呈现出显著的负向影响关系，说明会计信息质量越高，投资不足就越低；针对L.AQ2_1而言，其呈现出0.01水平的显著性(t=4.57,p<0.01)，且回归系数为0.0004>0，说明L.AQ2_1对Under_INV呈现出显著的正向影响关系；说明会计稳健性越高，投资效率就越高？？（这个不是投资不足和会计稳健性正相关啊？？？那投资效率不就低了。。。。。和假设不一样。。。。）。
以及L.lnSIZE、L.cash、L.AGE、L.LEV、L.PID、L.TOP10、对于Under_INV呈现出显著的正向影响关系；以及L.DUA、L.BSIZE、L.SOE、L.gl3wage对于Under_INV没有呈现出明显的影响关系。
4.2.4调节效应分析
调节作用是研究自变量对因变量的影响时，是否会受到调节变量的干扰；在进行调节效应分析时，需要对部分数据进行中心化处理，具体如下：
研究变量处理说明
类型 数据类型 数据处理
因变量 定量 不处理
自变量 定量 中心化
调节变量 定量 中心化
控制变量 - 不处理
加入审计质量（SFLZSD）作为调节变量时，L.AQDA、L.AQ2_1对于因变量的影响关系，具体结果如下：
Model OLS4 OLS5 OLS6
DV Invest Over_INV Under_INV
L.AQDA -0.0008 -0.0008 -0.0031***
(-0.94) (-0.51) (-2.86)
L.AQ2_1 0.0003*** 0.0003*** 0.0003***
(4.88) (2.73) (3.46)
L.cash 0.0018*** 0.0018*** 0.0020***
(25.84) (16.24) (19.29)
L.lnSIZE 0.0001** 0.0006*** 0.0001
(2.14) (5.19) (1.27)
L.TOP10 0.0000*** 0.0000** 0.0000***
(3.89) (2.48) (2.59)
L.AGE 0.0000* 0.0000 0.0000**
(1.95) (0.94) (2.04)
L.LEV 0.0015*** -0.0013** 0.0033***
(4.68) (-2.13) (9.27)
L.SOE -0.0003*** -0.0006*** -0.0001
(-2.70) (-2.76) (-0.53)
L.DUA 0.0001 0.0001 0.0001
(0.90) (0.42) (0.57)
L.BSIZE 0.0000 0.0000 0.0000
(0.96) (0.33) (0.48)
L.PID 0.0026** 0.0036* 0.0018
(2.46) (1.84) (1.50)
L.gl3wage 0.0001 0.0002 0.0000
(1.24) (1.37) (0.44)
L.SFLZSD 0.0044*** 0.0058*** -0.0050**
(4.00) (3.81) (-2.52)
L.AQDA_int 0.0169** 0.0285*** -0.0221**
(2.37) (2.68) (-2.04)
L.AQ2_1_int -0.0000 0.0000 -0.0001***
(-0.37) (0.36) (-4.05)
_Cons -0.0051*** -0.0175*** -0.0011
(-3.14) (-5.47) (-0.54)
year Y Y Y
industry Y Y Y
N 6,704 3,109 3,595
R2 0.210 0.237 0.179
t statistics in parentheses，* p < 0.1,** p < 0.05, *** p < 0.01
从上表可知：针对模型4来讲。加入调节变量审计质量(SFLZSD)时，交互项L.AQDA_int在模型中呈现出0.01水平的显著性(t=2.37,p<0.01)，且回归系数为0.0169>0，说明L.AQDA对于Invest的影响时，审计质量具有正向调节作用；交互项L.AQ2_1_int在模型中没有呈现出显著性(t=-0.37,p>0.1)，说明L.AQ2_1对于Invest的影响时，审计质量没有产生调节作用。
针对模型5来讲。加入调节变量审计质量(SFLZSD)时，交互项L.AQDA_int在模型中呈现出0.01水平的显著性(t=2.68,p<0.01)，且回归系数为0.0285>0，说明L.AQDA对于Over_INV的影响时，审计质量具有正向调节作用；交互项L.AQ2_1_int在模型中没有呈现出显著性(t=0.36,p>0.1)，说明L.AQ2_1对于Over_INV的影响时，审计质量没有产生调节作用。
针对模型6来讲。加入调节变量审计质量(SFLZSD)时，交互项L.AQDA_int在模型中呈现出0.05水平的显著性(t=-2.04,p<0.05)，且回归系数为-0.0221<0,说明L.AQDA对于Under_INV的影响时，审计质量具有负向调节作用；交互项L.AQ2_1_int在模型中呈现出0.01水平的显著性(t=-4.05,p<0.01)，且回归系数为-0.0001<0,说明L.AQ2_1_int对于Under_INV的影响时，审计质量具有负向调节作用。
4.5模型的稳健性检验
4.5.1替换投资效率衡量方法
本文将替换被解释变量来验证模型是否稳健，借鉴Hovakimian和Titman的方法，从资产负债表出发，用资产负债表的数据来度量新增投资支出，而不再是从现金流量表的角度出发。具体方法为：
中，新增投资支出的计算方法为：新增投资支出=固定资产-无形资产。将以这种方法计算的投资效率作为被解释变量对模型1再次进行分析。具体结果如下：
Model OLS
DV Invest_1
L.AQDA 0.0942***
(2.82)
L.AQ2_1 0.0297***
(10.99)
L.cash -0.0045
(-1.56)
L.lnSIZE -0.0303***
(-12.51)
L.TOP10 0.0000
(0.30)
L.AGE 0.0033***
(7.55)
L.LEV 0.0361***
(2.71)
L.SOE 0.0050
(1.03)
L.DUA 0.0067
(1.39)
L.BSIZE 0.0020
(1.35)
L.PID 0.2210***
(5.04)
L.gl3wage -0.0017
(-0.48)
_Cons 0.6337***
(10.06)
year Y
industry Y
N 6,672
R2 0.260
t statistics in parentheses，* p < 0.1,** p < 0.05, *** p < 0.01
从上表可知：将被解释变量由Invest替换成Invest_1之后，得出核心解释变量L.AQDA对于Invest_1呈现出显著的正向影响关系，说明会计信息质量越高，投资效率越高，与前文得出的结论相反，具体原因有待进一步考证。核心解释变量L.AQ2_1对于Invest_1呈现出显著的正向影响关系，说明会计稳健性，投资效率越高。与前文一致。
4.5.2替换解释变量的衡量方法
本文将核心解释变量“应计盈余管理——修正的Jones模型（L.AQDA）”换成“应计盈余管理——DD模型（L.AQDD）”，将会计稳健性指标-“CScore模型（L.AQ2_1）”换成“Basu模型（L.AQ2）”再次对核心模型进行分析，具体结果如下：
Model OLS OLS OLS
DV Invest Over_INV Under_INV
L.AQDD -0.0002 -0.0004 -0.0003
(-0.28) (-0.42) (-0.43)
L.AQ2 0.0010 0.0017 0.0007
(1.46) (1.24) (0.94)
L.cash 0.0019*** 0.0019*** 0.0021***
(21.54) (13.97) (16.74)
L.lnSIZE 0.0006*** 0.0014*** 0.0003***
(8.18) (9.07) (3.51)
L.TOP10 0.0000*** 0.0000*** 0.0000***
(6.97) (5.01) (3.07)
L.AGE 0.0000*** 0.0001** 0.0000*
(2.72) (2.18) (1.92)
L.LEV 0.0010** -0.0024*** 0.0033***
(2.50) (-2.98) (7.58)
L.SOE -0.0002 -0.0005* -0.0000
(-1.28) (-1.78) (-0.08)
L.DUA 0.0001 0.0001 0.0001
(0.74) (0.18) (0.37)
L.BSIZE 0.0000 -0.0000 0.0000
(0.83) (-0.06) (0.64)
L.PID 0.0042*** 0.0041* 0.0033**
(3.10) (1.69) (2.18)
L.gl3wage 0.0003*** 0.0005*** 0.0001
(2.97) (2.94) (1.01)
_Cons -0.0208*** -0.0402*** -0.0112***
(-11.74) (-11.64) (-4.96)
year Y Y Y
industry Y Y Y
N 4,920 2,319 2,601
R2 0.162 0.186 0.169
t statistics in parentheses，* p < 0.1,** p < 0.05, *** p < 0.01
从上表可知：将核心解释变量替换之后，得出核心解释变量的结果与前文符号保持一致，说明模型比较稳健。
4.5.3替换控制变量的衡量方法
本文将控制变量中的前十大股东持股比例（TOP10）换成第一大股东持股比例（TOP1），再次对核心模型进行分析，具体结果如下：
Model OLS OLS OLS
DV Invest Over_INV Under_INV
L.AQDA -0.0016* -0.0016 -0.0018**
(-1.82) (-1.00) (-1.97)
L.AQ2_1 0.0005*** 0.0004*** 0.0004***
(6.89) (3.66) (4.62)
L.cash 0.0018*** 0.0018*** 0.0020***
(24.58) (15.66) (19.20)
L.lnSIZE 0.0005*** 0.0012*** 0.0002***
(7.81) (9.24) (3.05)
L.TOP1 0.0000 0.0000 0.0000
(1.21) (0.61) (1.03)
L.AGE 0.0000 0.0000 0.0000*
(1.30) (0.37) (1.94)
L.LEV 0.0009*** -0.0024*** 0.0031***
(2.62) (-3.65) (8.51)
L.SOE -0.0003** -0.0004** -0.0001
(-2.20) (-1.96) (-0.80)
L.DUA 0.0001 0.0000 0.0000
(0.61) (0.19) (0.32)
L.BSIZE 0.0000 0.0000 0.0000
(0.95) (0.30) (0.49)
L.PID 0.0035*** 0.0044** 0.0022*
(3.10) (2.15) (1.77)
L.gl3wage 0.0003*** 0.0006*** 0.0001
(3.79) (3.67) (1.20)
_Cons -0.0147*** -0.0328*** -0.0064***
(-9.13) (-10.20) (-3.24)
year Y Y Y
industry Y Y Y
N 6,704 3,109 3,595
R2 0.140 0.151 0.158
t statistics in parentheses，* p < 0.1,** p < 0.05, *** p < 0.01
从上表可知：将控制变量（TOP10）替换为（TOP1）之后，得出核心解释变量的结果与前文符号保持一致，说明模型比较稳健。