场景案例 ·

审计质量实证研究用 AI 一句话完成 — PSM 匹配与工具变量回归全攻略

审计质量实证论文核心方法：用 AI 一句话完成倾向得分匹配（PSM）+工具变量回归（2SLS）联合流程，处理审计师选择内生性，输出平衡性检验、ATT 估计与第一阶段 F 检验，附可直接套进论文的 APA 7th 报告句式。

审计质量实证论文最常被审稿人质疑的两个问题：① 企业选择大所审计不是随机的（选择偏差），② 审计质量与应计利润互为因果（内生性）。PSM 和工具变量（IV）是学界公认的应对手段——但两者串联起来，步骤繁、参数多，手工做一遍要半天。这篇文章教你用 ChatSRS 一句话把 PSM 匹配 + 2SLS 工具变量回归全套跑完，并给出可直接粘进论文的 APA 7th 报告模板。

审计质量实证研究的两大内生性陷阱

会计学、财务学的审计质量实证研究，和经济学的因果推断面临一样的根本困境：观察到的关联不等于因果。以下两类问题是审计研究中最常见的识别威胁：

陷阱一：审计师选择的自选择偏差（Self-Selection Bias）

研究"聘用大所（Big 4）是否显著降低操控性应计利润（DA）"时，问题在于：大公司、治理完善的公司更倾向于聘用大所，同时这些公司的 DA 本来就低。若直接比较大所客户 vs 非大所客户的 DA 均值，得到的差异有相当一部分来自公司特征差异，而非审计质量本身的因果效应。

解法：倾向得分匹配（PSM）——在可观测协变量（公司规模、杠杆率、盈利能力、成长性等）上为每家聘用大所的公司找到"特征相近"的非大所配对公司，比较配对后的 DA 差异，才能获得近似于随机化的因果估计量（ATT，Average Treatment Effect on Treated）。

陷阱二：审计质量指标的反向因果与遗漏变量（内生性）

研究"审计费用（AF）对审计质量（用 DA 衡量）的影响"时，同样面临内生性：

  • 反向因果：DA 高的公司（盈余管理程度高）可能主动支付更高审计费用，以应对审计师的额外程序——方向与假设相反
  • 遗漏变量：公司内部控制质量同时影响 AF 和 DA，形成伪相关

解法：工具变量回归（IV/2SLS）——找到一个只影响审计费用（AF）而不直接影响 DA 的变量作为工具变量（如审计师事务所城市平均收费水平、前一期审计费用等），用两阶段最小二乘（2SLS）分离内生性。

ChatSRS 的三引擎优势在审计实证中的体现

审计质量实证研究涉及三类计算需求，ChatSRS 的三引擎架构恰好覆盖：

计算需求引擎核心包 / 命令
PSM 倾向得分估计、MatchItR 引擎MatchIt、cobalt（Love Plot）
2SLS / 工具变量回归Stata 引擎ivreg2、ranktest（弱 IV）
Logit 回归（第一步 Logit PSM）R / SPSS 引擎glm、Logistic Regression

无需在三个软件之间切换导出数据，ChatSRS 一个对话完成全链路，并统一输出 APA 7th 格式报告。

数据准备：审计质量实证数据典型结构

以 A 股上市公司样本（2015—2022 年）为例，典型数据结构如下：

stkcd   year   big4   DA_abs   AF_log   size   lev   roa   growth   age   loss
600001  2015     1     0.042    14.23   22.41  0.48  0.08   0.12     18    0
600001  2016     1     0.038    14.31   22.58  0.45  0.09   0.15     19    0
600002  2015     0     0.089    13.67   20.12  0.62  0.03   -0.05    8     1
...

变量说明：

  • big4：是否聘用四大（1 = 大所，0 = 非大所），PSM 的处理变量（Treatment）
  • DA_abs：操控性应计利润绝对值（修正琼斯模型估算），审计质量代理变量（越大质量越低）
  • AF_log：审计费用对数，IV 回归的内生变量
  • size：资产规模（ln 总资产），控制变量兼 PSM 匹配协变量
  • lev：资产负债率，控制变量
  • roa：总资产回报率，控制变量
  • growth：营业收入增长率，控制变量
  • age：上市年龄，控制变量
  • loss：亏损哑变量，控制变量

全流程演示

第一步：描述统计与单变量检验

打开 chatsrs.com，上传数据后输入：

"请对大所（big4=1）和非大所（big4=0）两组样本分别输出 DA_abs、AF_log、size、lev、roa、growth、age、loss 的描述统计（均值、标准差、中位数），并对每个变量做均值差异检验（连续变量用独立 t 检验，虚拟变量用 chi-squared 检验），生成 APA 格式三线表，注意检验两组特征差异的显著性。"

ChatSRS 输出：

表 1  大所与非大所样本描述统计及组间差异检验

                     大所组 (n = 1,842)          非大所组 (n = 6,318)
变量              M        SD       Median      M        SD       Median     差异检验
DA_abs          0.038    0.031      0.028     0.071    0.058      0.052     t = -18.44***
AF_log         14.38    0.89       14.27     13.52    0.76       13.48     t =  31.62***
size           22.86    1.43       22.71     20.38    1.21       20.25     t =  57.33***
lev             0.46    0.18        0.45      0.53    0.22        0.53     t =  -8.90***
roa             0.07    0.06        0.06      0.04    0.07        0.04     t =  14.27***
growth          0.13    0.27        0.09      0.08    0.35        0.06     t =   4.62***
loss (%)        4.2%                          18.6%                        X^2 = 98.43***

注: *** p < .001。

两组特征差异显著：大所客户公司规模更大、盈利能力更强、负债率更低、亏损概率更低。这正是需要 PSM 消除选择偏差的原因——若直接比较 DA_abs 的 -0.033 差值，相当一部分是公司特征差异的贡献。

第二步：PSM 倾向得分匹配

"请以 big4 为处理变量，以 size、lev、roa、growth、age、loss 为匹配协变量，做倾向得分匹配（PSM）。使用最近邻 1:1 匹配（不放回），卡尺宽度 0.05（基于倾向得分 logit 变换的标准差），匹配后检验协变量平衡性（SMD < 0.1 为标准），输出匹配前后的标准化均值差（SMD）对比表和 Love Plot，并报告 ATT 估计量。"

ChatSRS 输出：

PSM 匹配结果

倾向得分 Logit 模型（处理变量 = big4）
AUC = 0.847，表明匹配协变量对聘用大所有良好预测力。

匹配方案：最近邻 1:1，不放回，卡尺 = 0.05 (pooled SD)
匹配后样本量：处理组 1,842 对，对照组 1,842 对（共 3,684 对匹配观测）
未匹配丢弃对照组样本：4,476 家

协变量平衡性检验
变量          匹配前 SMD    匹配后 SMD    平衡达标（< 0.1）
size              0.892         0.047          [OK]
lev              -0.278         0.031          [OK]
roa               0.428         0.052          [OK]
growth            0.098         0.018          [OK]
age               0.312         0.044          [OK]
loss             -0.372         0.038          [OK]
最大 SMD            —            0.052          [OK] 全部达标

ATT 估计量
处理效应（ATT）：-0.024（DA_abs）
标准误：0.003（Bootstrap 500 次）
95% CI：[-0.030, -0.018]
p < .001

解读：控制可观测协变量后，聘用四大事务所使操控性应计利润绝对值下降约 0.024，
即审计质量代理变量降低约 46%（基于非大所组中位数 0.052 为基准）。

Love Plot 展示匹配前后所有协变量的 SMD，匹配前均有较大偏差（红色），匹配后全部收敛至 0.1 以内（蓝色），符合准实验设计的平衡性要求。

第三步：在匹配样本上做 OLS 与稳健性基准回归

"在 PSM 匹配后的样本（3,684 对）上，以 DA_abs 为因变量，big4 为核心解释变量，加入 size、lev、roa、growth、age、loss 为控制变量，以及年份固定效应和行业固定效应，做 OLS 回归，报告稳健标准误（Heteroskedasticity-robust SE），生成 APA 格式三线表。"

ChatSRS 输出标准 OLS 回归三线表：

表 2  PSM 匹配样本 OLS 回归结果（因变量：DA_abs）

变量                    b         SE_robust     t         p
big4                -0.021        0.003       -7.22     < .001
size                -0.008        0.001       -6.11     < .001
lev                  0.031        0.006        5.24     < .001
roa                 -0.082        0.012       -7.01     < .001
growth               0.012        0.004        3.00     .003
age                 -0.001        0.001       -2.15     .032
loss                 0.019        0.005        3.92     < .001
年份 FE               控制
行业 FE               控制
常数项               0.186        0.018       10.44     < .001
R^2                  0.312
Adj-R^2              0.308
N                    3,684

注: 稳健标准误（HC1）。*** p < .001, ** p < .01, * p < .05。

第四步：工具变量回归（2SLS）处理审计费用内生性

若核心研究假设是"审计费用（AF_log）对审计质量（DA_abs）的因果影响"，需要额外处理 AF_log 的内生性。

本例以"同城市同年度同行业其他公司的平均审计费用（iv_city_af）"作为工具变量——该变量反映审计市场的供给侧收费水平，与个别公司的盈余管理行为（DA_abs）不直接相关，满足排他性约束。

"以 DA_abs 为因变量，AF_log 为内生解释变量，iv_city_af（城市-年度-行业平均审计费用）为工具变量，控制变量同上（size、lev、roa、growth、age、loss），加年份和行业固定效应，做 2SLS 工具变量回归。报告：(1) 第一阶段回归结果及弱工具变量检验（Cragg-Donald F 统计量与 Stock-Yogo 10% 临界值）；(2) 第二阶段 2SLS 系数及稳健标准误；(3) Hausman 内生性检验（比较 OLS 与 2SLS 系数是否存在显著差异）。"

ChatSRS 输出：

第一阶段回归（因变量：AF_log）
iv_city_af 系数：0.684（SE = 0.043，t = 15.94，p < .001）
控制变量均显著
Cragg-Donald F 统计量 = 253.87
Stock-Yogo 10% maximal IV size 临界值 = 16.38
结论：F >> 临界值，工具变量不存在弱 IV 问题。

第二阶段 2SLS 回归（因变量：DA_abs）
内生变量 AF_log：b = -0.041（SE_robust = 0.007，t = -5.86，p < .001）
（OLS 参考值：b = -0.028，SE = 0.004，t = -7.02）

Hausman 内生性检验
H0：AF_log 为外生变量（OLS 一致）
检验统计量：chi^2(1) = 6.84，p = .009
结论：拒绝 H0，AF_log 存在内生性，2SLS 估计量优于 OLS，2SLS 结果为首选报告结果。

2SLS vs OLS 系数对比
AF_log 的 OLS 系数（-0.028）低于 2SLS（-0.041），表明 OLS 系数存在向零偏倚（attenuation bias），即内生性低估了审计费用对盈余管理的抑制效果。

第五步：稳健性检验

"做以下三项稳健性检验，并汇总报告：(1) 更换审计质量代理变量为绝对应计利润（Total Accruals / TA_abs）重跑 2SLS；(2) 排除金融行业（证监会行业代码 J）后重跑 PSM + OLS；(3) 使用 Logit PSM 卡尺宽度 0.02 做更严格匹配后重跑基准回归，比较三种设定下 big4 / AF_log 系数的方向与显著性是否一致。"

ChatSRS 汇总三项稳健性检验结果，输出对比表，确认核心结论在不同规格下保持稳定。

论文方法 / 结果章节 APA 7th 报告句式

以下句式可直接粘进论文，替换具体数值即可。

方法章节：PSM 设计描述

为控制企业聘用大型会计师事务所（Big 4）的自选择偏差，本研究采用倾向得分匹配（Propensity Score Matching, PSM; Rosenbaum & Rubin, 1983）构建准实验对照组。以公司规模（size）、杠杆率（lev）、盈利能力（roa）、营收增长率（growth）、上市年龄（age）及亏损哑变量（loss）为匹配协变量，通过 Logit 模型估计倾向得分，采用最近邻 1:1 不放回匹配，卡尺宽度设为 0.05 个倾向得分标准差（logit 变换后）。匹配质量以标准化均值差（SMD）评估，要求全部协变量匹配后 SMD < 0.10（Austin, 2011）。

方法章节：工具变量设计描述

鉴于审计费用（AF）与审计质量（DA）间存在潜在的反向因果与遗漏变量偏差，本研究采用两阶段最小二乘法（2SLS）处理内生性。工具变量选取同年度、同城市、同行业其他上市公司的平均审计费用（iv_city_af），该变量反映审计市场的区域性供给侧价格水平，满足相关性（第一阶段 F 检验）与排他性假设（不直接影响个别公司的盈余管理行为）。工具变量有效性通过 Cragg-Donald F 统计量（与 Stock & Yogo, 2005 的 10% 临界值对比）及 Hausman 内生性检验（Hausman, 1978）验证。

结果章节：PSM 平衡性与 ATT

倾向得分匹配后，全部六项匹配协变量的标准化均值差（SMD）均低于 0.10（最大 SMD = 0.052），表明匹配后处理组与对照组在可观测特征上达到良好平衡（Austin, 2011）。基于匹配样本的平均处理效应（ATT）估计结果显示，聘用四大会计师事务所使操控性应计利润绝对值（DA_abs）显著下降，ATT = -0.024，95% CI [-0.030, -0.018]，Bootstrap SE = 0.003，p < .001（Rosenbaum & Rubin, 1983）。

结果章节：2SLS 工具变量回归结果

第一阶段回归结果显示，工具变量 iv_city_af 对审计费用对数（AF_log）具有显著正向预测力，b = 0.684，SE = 0.043，t = 15.94，p < .001，Cragg-Donald F 统计量 = 253.87，远超 Stock 和 Yogo（2005）提出的 10% 最大 IV size 偏误水平临界值（16.38），排除弱工具变量问题。Hausman 内生性检验结果显示，AF_log 存在显著内生性，chi^2(1) = 6.84，p = .009，表明 OLS 估计量不一致，2SLS 为首选报告结果。2SLS 第二阶段结果显示，审计费用对操控性应计利润具有显著抑制效应，b = -0.041，SE = 0.007，t = -5.86，p < .001，内生性导致 OLS 系数（-0.028）存在向零偏倚，低估了审计费用提高对盈余管理的抑制幅度。

以上 APA 句式可直接复制进论文，ChatSRS 的"APA 报告"功能会在分析完成后自动生成对应段落，无需手动转写。

常见 FAQ

Q1: PSM 和 2SLS 什么时候联合使用？

两者并不互斥，研究者可以根据研究设计的需要同时使用：

  • PSM 解决的是处理变量（如 big4 哑变量）的自选择问题，依赖可观测协变量的平衡
  • 2SLS 解决的是连续内生变量（如审计费用 AF）的遗漏变量 / 反向因果问题，依赖工具变量的有效性

在审计质量研究中，一种常见的两步策略是：先用 PSM 构建平衡样本（消除可观测选择偏差），再在匹配样本上用 2SLS 处理关键解释变量的内生性。两步合用可以覆盖观察性数据中最常见的两类识别威胁。

Q2: 倾向得分匹配的卡尺宽度如何选取？

常见选择有以下几种：

  • 0.2 * sigma（Logit 变换后倾向得分标准差）：Austin（2009）推荐，对减少协变量不平衡效果最佳，多数审计研究采用此标准
  • 固定值 0.02 或 0.03：更严格，匹配后 SMD 通常更小，但匹配率（未匹配丢弃样本比例）更高，可能引入样本选择问题
  • 无卡尺 + 1:1：贪婪匹配最简单，但卡尺能有效避免"差距悬殊"的坏匹配

在 ChatSRS 里，只需说"卡尺宽度 0.2 pooled SD"，系统自动按 Austin 标准计算并匹配。

Q3: 弱工具变量检验的 F 统计量阈值是多少？

弱工具变量（Weak Instruments）会导致 2SLS 估计量产生较大偏误：

  • 单工具变量：第一阶段 F 统计量须 >= 10（Staiger & Stock, 1997）。部分顶刊现在要求 >= 16.38（Stock & Yogo, 2005，10% maximal IV size 偏误水平）
  • 多工具变量：使用 Cragg-Donald F 或 Kleibergen-Paap rk Wald F 统计量，与 Stock-Yogo 临界值对比
  • 若工具变量 F < 10，需重新寻找工具变量或采用 LIML 估计量（对弱 IV 更稳健）

ChatSRS 会在 2SLS 输出中自动报告 Cragg-Donald F 与 Stock-Yogo 对应临界值，并给出通过 / 未通过的判断提示。

Q4: 操控性应计利润（DA）怎么计算？ChatSRS 能自动算吗？

操控性应计利润（Discretionary Accruals, DA）是审计质量最常用的代理变量，主流估算模型有三种：

模型特点适用场景
修正 Jones 模型（MJ Model）最广泛引用，控制销售收入变动和固定资产一般审计质量研究
前向修正 Jones 模型（Performance-matched）额外控制 ROA，适合盈利能力差异大的样本跨行业比较
Dechow-Dichev 模型（DD Model）基于应计-现金流关系，适合长窗口研究盈余质量持久性研究

在 ChatSRS 中输入：

"请用修正 Jones 模型按行业-年度分组估算各公司的操控性应计利润（DA），输出绝对值 DA_abs 和符号值 DA，并附模型残差标准差。"

ChatSRS 自动完成分组回归与残差提取，输出包含 DA 的数据集，供后续 PSM 和 2SLS 直接使用。

Q5: 审计研究中常用的工具变量有哪些？

审计质量实证研究中，经过文献检验的工具变量包括：

  • 城市-行业-年度平均审计费用（供给侧价格工具）：最常用，反映审计市场区域收费水平
  • 审计师行业专家化（Industry Specialist）：用其他客户的平均特征构造
  • 审计任期（Audit Tenure）：前一期任期长度，反映审计师独立性外生变化
  • 会计师事务所合并事件：外生冲击型自然实验，常与 DID 联用

选择工具变量时需同时满足：(1) 相关性——第一阶段 F >= 16；(2) 排他性——理论上不直接影响 DA（需在论文 Method 节论证）；(3) 外生性——不受被解释变量反向影响。

审计质量实证分析小结

审计质量实证研究的内生性处理，核心是 PSM 与 IV 两条并行的方法路径：

研究问题内生性类型方法ChatSRS 关键词
大所 vs 小所对审计质量的因果效应自选择偏差PSM + 匹配后 OLS"倾向得分匹配，1:1不放回，SMD平衡性检验，ATT"
审计费用对盈余管理的因果效应反向因果 + 遗漏变量2SLS 工具变量"两阶段最小二乘，工具变量，弱IV F检验，Hausman检验"
大所效应是否在匹配后依然稳健两类并存PSM + 匹配样本 2SLS"PSM匹配样本上做2SLS，稳健标准误，年份行业固定效应"
结论可靠性验证模型设定稳健性检验"更换被解释变量，排除金融行业，严格卡尺，汇总稳健性"

每一步的输出 ChatSRS 都能直接生成 APA 7th 报告句式，PSM 平衡性表、2SLS 第一阶段表、主回归表改改数字即可粘进论文。

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。