Trong hai bài học trước, chúng ta đã tập trung vào việc xử lý các quan sát có vấn đề: những giá trị cực đoan và những ô dữ liệu bị thiếu. Giờ đây, chúng ta sẽ đối mặt với một thách thức còn tinh vi hơn: ngay cả khi dữ liệu có vẻ đầy đủ và hợp lý, nó có thể không đo lường chính xác khái niệm mà chúng ta thực sự quan tâm. Đây là vấn đề của sai số đo lường (measurement error), hay còn gọi là lỗi trong biến (errors-in-variables). Trong tài chính, vấn đề này xảy ra thường xuyên khi chúng ta phải sử dụng các biến đại diện (proxies) cho các khái niệm trừu tượng như cơ hội đầu tư (Tobin’s Q), chất lượng quản trị, hay rủi ro hệ thống (beta). Vấn đề nghiêm trọng của sai số đo lường là nó phá vỡ giả định cốt lõi của OLS, gây ra một dạng nội sinh và làm cho các bộ ước lượng trở nên chệch và không nhất quán. Bài học …