Stata独家资料专享_连玉君

计量分析与STATA应用

钟经樊连玉君著

关于作者：钟经樊台湾中央研究院经济研究所

　　　连玉君中山大学岭南学院金融系

中文版本：版本1.0，二○○八年三月

II

c2007–2008。保留所有权利。钟经樊和连玉君拥有版权

这份文档是我们即将出版的书稿，目前免费提供给中山大学岭南学院的师生使用。

发布这份文档的目的有二：

其一，用做授课讲义，帮助岭南学院的同学们学习STATA；

其二，恳请大家对书稿提出修改意见，包括书稿的结构安排、表述错误，以及错别字等细节。

书稿的使用仅限于岭南学院范围内，请勿外传或散布于网络。

目录

第二十章事件研究法

20.1简介.............................................

20.2事件研究法的基本步骤..................................

20.3超常回报率的估计.....................................

20.3.1统计模型......................................

20.3.2经济模型：CAPM模型和APT模型.......................

20.4超常收益率的检验.....................................

20.4.1平均超常回报率和累积超常回报率.......................

20.4.2检验方法......................................

20.5长期事件研究.......................................

20.6STATA实现.........................................

20.6.1数据处理......................................

20.6.2定义事件窗口...................................

20.6.3估计正常回报率..................................

20.6.4估计超常回报率和累积超常回报率.......................

20.6.5检验........................................

参考文献.............................................

III111346677910101214141519

第二十章

事件研究法

20.1简介

事件研究法(EventStudy)用于评估某一事件的发生或信息的发布，是否会改变投资人的决

策，进而影响股票价格或交易量的变化。

虽然事件研究法的基本思想可以追溯到20世纪30年代(Dolley1933)，但直至Balland

Brown(1968)和Fama等(1969)分别应用该方法对会计盈余报告和股票分割的市场反应进行研究后，该方法才逐渐成熟和完善起来。经过几十年的发展，事件研究法已经逐渐成为会计和公司财务领域的标准研究方法之一。

事实上，在很长的一段时间内，如何评价某一事件对公司价值的影响一直是困扰经济学家

的一个难题。因为要做出合理的统计推断往往需要数月甚至数年的资料。然而，在事件研究法中这一问题变得相对简单。这是因为，如果资本市场是有效的，事件反生后对公司价值的影响将立即反映在公司的股价中。因此，要评价这一事件的经济影响，只需对事件发生后一段时间内的股价进行分析即可。

鉴于事件研究法的这一优点，它在众多领域都得到了广泛的应用。例如，在公司财务和会

计领域，事件研究法常被用于研究兼并收购、盈余宣告、股票增发、配股或回购等行为对股价的影响。

Campbell等(1997)、MacKinlay(1997)、Binder(1998)、KothariandWarner(2007)以及袁显

平和柯大钢(2006,2007)对相关文献作了很好的综述。

20.2事件研究法的基本步骤

事件研究法先利用估计期的样本，估计出事件期的正常收益率(或成为期望收益率)，继而

从事件期的实际收益率扣除正常收益率得到超常收益率，最后检验样本平均超常收益率是否显著区别于原假设。虽然在细节上存在差异，但一个标准的事件研究通常会包含如下基本步骤：

1.定义事件(Eventde nition)。

1

20.2事件研究法的基本步骤2

事件研究的首要问题是确定研究目标—“事件”，并明确事件研究所涉及的研究区间—

“事件窗口”(eventwindow)。这里，我们以股权分置改革的市场效应为例进行说明。一

般而言，完整的股改程序包括：(1)为公布股改预案，第一次停牌；(2)公布股改预案后，

第一次复牌；(3)为股改方案投票，第二次停牌；(4)上市公司股东大会就股改方案投票表

决后，第二次复牌。为了简单起见，我们只考虑股改预案公布的市场效应。因此，需定义

的事件为：股改预案的公布，事件窗口为：上市公司公布股改预案后复牌的当天。实际

分析中，我们通常会把事件窗口扩展为两天，即上市公司公布股改预案后复牌的当天和第

二天。这是为了捕捉股改宣告的滞后效应。当然，如果进一步考虑到信息可能提前泄露，

我们还应把时间窗口扩展到宣告前的一天、一周，甚至更长的时间。因此，时间窗口的设

定往往与问题的具体特征和研究的目的有关。

2.超常收益率的估计。

要对事件的影响做出合理的评判，我们尚需估计超常收益率(abnormalreturns)ARit，定义

如下：

ARit=Rit E[Rit|Xt](20-1)

其中，Rit为证券i在事件窗口内的实际收益率，E[Rit|Xt]为证券i在事件窗口内的正常

收益率(亦称为预期收益率)，Xt为在t时点上的信息集合。换言之，正常收益是指假设不

发生该事件条件下的预期收益，而非正常收益即事件期间内该证券事前或事后实际收益

与同期正常收益之差。正常收益率的估计主要有两种方法：均值调整模型(constant-mean-

returnmodel)，该模型假设Xt为常数；市场模型(marketmodel)，该模型假设Xt为市场回

报率。前者假设证券的平均收益不随时间改变，而后者则假设证券的平均收益与市场收益

之间存在稳定的线性关系。我们将在第20.3节中详细介绍这些模型。

3.正常收益率的估计窗口。

在选定正常收率的估计模型后，我们需要选取事件反生前的一段时期内的样本来估计模型

中的参数，通常称为“估计窗口”或“估计期”(estimationwindow)。在上面的例子中，

我们可以选取股改预案公布前的120天(或180天)作为估计期。需要注意的是，估计期

窗口通常不应与事件窗口重叠，因为这会影响正常收益模型的参数估计。

4.超常收益率的检验。

利用估计窗口中得到的参数估计值，便可计算出事件窗口内的超常收益率，接下来，需

要检验超常收益率是否显著异于零。检验的对象通常为截面平均超常收益率(在事件窗口

内某个时点上N个证券的平均超常收益率)，或单个证券在一段时间内的累积超常回报

率(在事件窗口内一段时间内的超常收益率之和)，或平均累积超常回报率(N个证券的平

均累积超常回报率)。检验方法可分为两类：参数检验和非参数检验。参数检验主要基于

传统的t检验以及其修正统计量，而非参数检验则包括符号检定(signtest)、秩检定(rank

test)、以及自体抽样法(Bootstrap)等。相关内容将在第??节详述。

第二十章事件研究法5.结果的呈现和分析。3

在呈现基本实证结果的同时，最好能进一步分析和检验结果的稳健性。例如，若样本数较

少，我们就需要对离群值给与特殊的关注，因为在这种情况下，实证结果可能对样本中的

少数几家公司甚为敏感。

20.3超常回报率的估计

由(20-1)式可知，要估计超常收益率ARit，必须先估计正常收益率E[Rit|Xt]。文献中广泛

使用的估计方法主要有：均值调整模型、市场调整模型、市场模型、因子模型、CAPM模型、以及APT模型。

我们可以粗略地将上述模型分成两类：统计模型和经济模型。均值调整模型、市场调整模

型、市场模型和因子模型都属于统计模型，这类模型无需依赖任何经济理论，而只需实现假定资产收益率的分布特征即可。CAPM模型和APT模型则属于经济模型，在假定资产收益率的分布特征的同时，尚需对投资者的行为做出假设，其优点在于，通过施加约束条件，我们可以更为准确地估计正常回报率。

虽然统计模型比较简单，但BrownandWarner(1980,1985)研究表明，这些简单模型的表现

并不亚于复杂模型，而其中又以市场模型应用最为广泛。这是因为，即使采用较为复杂的模型(如在上述模型中加入更多的解释变量)，超常回报率的方差并不会显著减小，从而使得估计结果对模型的设定并不敏感。

在使用统计模型时，通常需要假设某种资产的回报率在时序上独立同分布(i.i.d)，而多个

资产则服从联合多元正态分布。这一假设条件可正式表述为：

(A1)设Rt为t时点上，由N个资产的回报率构成的N×1维向量，Rt服从彼此独立的

多元正态分布，均值为µ，方差-协方差矩阵为 。

在这一假设条件下，我们能够很好地设定均值调整模型和市场模型，对参数估计和相关统计量的统计推断也都具有较好的小样本性质。

为了便于后续说明，我们先依据图20-1所示时间顺序定义一些符号。设t=0为事件

日，t=T1+1到t=T2为事件窗口，t=T0+1到t=T1为估计窗口。同时，设L1=T1 T0和L2=T2 T1分别为估计窗口和时间窗口的时间长度。如果我们研究的是某一事件宣告当天的市场效应，则T2=T1+1，L2=1；如果对事件发生后的长期市场反应进行评估，则时间评估窗口为t=T2+1到t=T 3，时间长度为L3=T3 T 2

。

图20-1:事件研究的时间顺序

20.3超常回报率的估计420.3.1统计模型

均值调整模型

该模型的基本思想是将证券在估计窗口的平均收益作为事件窗口内的正常收益(期望收

益)。设µi为资产i在估计窗口内的平均收益，则均值调整模型可表示为：

Rit=µi+ξit

E[ξit]=0Var[ξit]=σξ2

i(20-2)

其中，Rit是资产i在第t期的实际收益率，ξit为干扰项，其均值为0，方差为σξ2

i。

因此，我们可以采用如下方式估计出事件窗口内的超常收益率：

¯i,ARit(event)=Rit(event) RT1 1¯i=RRit(est)L1t=T0(20-3)

其中，下标(est)和(event)分别表示估计窗口和事件窗口。

需要说明的是，在特定的假设条件下，均值调整模型等价于资本资产定价模型(CAPM)，

这些条件包括：单个证券的系统风险(systematicrisk)为常数；有效边界(ef cientfrontier)是稳定的(BrownandWarner,1980,208)。

市场模型

市场模型的基本设定如下：

Rit=αi+βiRmt+εit

E[εit]=0Var[εit]=σε2

i(20-4)

其中，Rit和Rmt分别表示证券i和市场组合在第t时点的回报率，εit为干扰项，αi、βi和σε2

i

都是待估参数。在研究中国股市的过程中，若研究对象为深市公司，则Rmt可用深市成份指数代替；若研究对象为沪市公司，则Rmt可以采用沪市综合指数代替；若研究对象同时涉及沪市和深市公司，则Rmt可以采用沪深300指数，或考虑现金再投资的综合市场指数(等权平均法)代替。1

市场模型的优点在于，它剔除了个股收益中与市场收益波动联动的部分，从而降低了超常

收益率的方差。这有助于提高我们对事件效果的检定力。市场模型的相对优势(相比于均值调整1这些指数相关的数据可以从国泰安数据库(CSMAR)或CCER数据库获得。此外，在研究美国股市时，常用的指

数有：标准普尔500指数(S&P500Index)、CRSP价值-加权指数(CRSPvalue-weightedIndex)、以及CRSP等权算数平均指数(CRSPequal-weightedIndex)。

第二十章事件研究法模型)决定于估计模型(20-4)得到的R2的大小。R2越大，这种相对优势越明显。2

假设研究对象包含N只股票，选定估计期为[T0,T1]，则估计超常收益率的步骤如下：5

1.在估计窗口[T0,T1]内，针对每一只股票，采用OLS估计市场模型(20-4)，获得参数αi和

i，以及残差βi的估计值α i和β

iRmt(est)eit=Rit(est) α i β

2.在事件窗口(T1,T2]内，计算股票i的正常收益率(期望收益率)，

iRmt(event)E[Rit(event)]=α i+β

这里，我们用下标(event)特别强调计算正常收益率要使用事件窗口中的观察值。

3.在事件窗口(T1,T2]内，计算股票i的超常收益率：

ARit=Rit(event) E[Rit(event)]

iRmt(event))=Rit(event) (α i+β

市场调整模型

该在有些研究中，如IPO，估计区间非常短，使得我们无法获得足够的样本来估计市场模

型的参数。此时可以采用市场调整模型。该模型假设在同一时期，所有证券的正常回报率相同，且都等于市场综合回报率Rmt，即E[Rit]=Rmt。因此，证券i在第t期的超常回报率可采用如下公式估计：

ARit(event)=Rit(event) Rmt(event)(20-10)

2简单分析如下。对于市场模型，超常收益率的方差为：

2σεi(20-8)(20-9)=

=

=Var[Rit αi βiRmt]Var[Rit] βi2Var[Rmt](1 Ri2)Var[Rit](20-5)

其中，Ri2是针对第i个证券估计市场模型得到的R2。对于均值调整模型，超常收益率ξit的方差事实上就是回报率的无条件方差，即

2=Var[R µ]=Var[R]σξ(20-6)itiiti

综合(20-5)和(20-5)可得，

2=(1 R2)σ2σεiξii(20-7)

2必然小于或等于由固定平均回报率模型得到的超由于Ri2介于0和1之间，由市场模型得到的超常回报率的方差σεi2常回报率的方差σξ。因此，采用市场模型可以获得更为有效的统计推断。对于R2较高的样本而言，这种有效性的i

提高更为明显。从理论上讲，采用我们下面将要介绍的多因子模型可以进一步提高R2，但在多数情况下，加入更多的因子并不能明显提高R2。

20.4超常收益率的检验6事实上，该模型可视为对市场模型(20-4)中的参数施加了如下约束条件：αi=0,βi=1。需要特别说明的是，只有在不得已的情况下我们才考虑使用市场调整模型，因为如果上述约束条件不合理，将导致超常常收益率的估计有偏。

因子模型

除了上面介绍的三种最常用的模型外，文献中还有多种估计正常收益率的模型，其中应用

较为广泛的是“因子模型”(factormodel)。因子模型的基本思想是降低超常收益率的方差，提高估计的有效性。上面介绍的市场模型事实上就是最简单的因子模型—单因子模型。在多因子模型中，往往会进一步加入行业指数。3另一种处理方法是，采用证券的实际收益率与多个具有相同规模的证券构成的投资组合的收益之差，来衡量超常收益。一般而言，会将所有公司按规模的大小分成10组，将每一组视为一个投资组合。

经验研究表明，在多数情况下，相对于市场模型而言，采用多因子模型并不能显著降低超

常收益率的方差。这是因为，除了市场组合收益外，新加入的因子对证券收益的解释能力往往非常有限。只有当样本公司具有某些共同特征时，采用多因子模型才能明显降低超常收益率的方差。例如，这些样本公司归属于同一个行业，或集中于某一细分市场。

20.3.2经济模型：CAPM模型和APT模型

经济模型以经济学理论为基础，通过在上面介绍的统计模型基础上施加约束条件，以期更

为有效地估计正常收益率。文献中广泛使用的有两种：资本资产定价模型(CapitalAssetPricingModel,CAPM)和投机定价模型(ArbitragePricingModel)。CAPM由Sharpe(1964)和Lintner(1965)提出，其基本结论是，资产的期望收益是该资产与市场组合之协方差的线性函数。APT模型由Ross(1976)提出，该理论认为，若不存在非对称投机行为，资产的期望回报率决定于该资产由多种因素之间的协方差。在1970年代，CAPM得到了广泛的应用，但随着人们逐渐认识到CAPM模型的一些重要缺陷(如CAPM对市场模型的约束条件并不合理)，在最近的二十年中，该模型在事件研究中的应用日渐式微。至于APT模型，虽然它明显增加了分析的复杂程度，但并未能够明显提高分析的效果，应用也非常有限(MaCkinlay,1997)。

综合上述分析来看，市场模型最为简单实用。对于中国股市而言，陈汉文和陈向民(2002)

的模拟分析表明，均值调整模型在中国股市中存在一定的优势。不过，陈信元和江锋(2005)采用BrownandWarner(1980,1985)的研究方法发现，市场模型在多种情况下都有较好的表现。

20.4超常收益率的检验

估得每只股票在事件窗口内的超常收益率后，我们需要检验超常收益率是否显著异于零，

以便判断事件的发生是否对股价产生了显著的影响。所有N个事件在事件窗口内的超常收益率构成的样本共有N×L2的观察值，而每一个观察值，即超常收益率ARit都是一个随机变量。3如，陈睿(2007)在研究中国上市公司股权分置改革的市场效应性时，便采用Wind数据库提供的二级行业指数

代替市场指数估计了市场模型。该指数系列由Wind资讯公司编制发布，共包括公用事业、房地产、多元金融、零售业等23个行业指数，该文选取的每个样本均为其中一个行业指数的成分股。

第二十章事件研究法7因此，我们需要对这些观察值进行加总，以便构造统计量。显然，我们可以在某个时点上对所有N个事件的超常收益率进行截面加总，得到平均超常回报率；也可以在事件窗口的某一段时期内对单个股票的超常收益率进行时序加总，得到累积超常回报率；当然也可以对所有N只股票的在一段时间内的累积超常收益率进行截面平均，得到平均累积超常回报率。

至于检验中使用哪一种加总方式，则取决于研究目的和具体情况。比如，要研究股利宣告

或盈余宣告当天的市场效应，则事件窗口只有1天(L2=1)，此时我们就可以计算N个进行股利宣告或盈余宣告的股票在宣告当日的平均超常回报率，即进行截面加总。某些情况下，我们需要检验事件前后一段时期内的平均超常回报率是否显著异于零，此时事件窗口往往较长(L2可能为5天、一周、一个月或更长的时间)，这就需要对超常收益率进行时序加总。常见的情况有以下几种：其一，若在事件发生前存在信息泄露，则在事件发生前的一段时间内就会表现出超常回报率；其二，在检验有效性市场假说时，事件发生后信息传递的快慢能够从一定程度上反映市场的有效性。

20.4.1平均超常回报率和累积超常回报率

平均超常回报率为在事件期的某一时点t上，N家证券的超常收益率的平均值，即

N1 AARt=ARitNi=1(20-11)

我们可以进一步计算这N个证券在事件期[t1,t2]内的累积平均超额回报率：

CAR(t1,t2)=t2

t=t1AARt(20-12)

20.4.2检验方法

计算出超常收益率后，需要检验其显著性。原假设是：超常收益率(或累积超常收益率)的

均值为0。检验方法通常包括参数检验和非参数检验两种。

参数检验法

在参数检验法下，通常是用如下统计量：

J1=

其中，

σ2(t1,t2)=L2σ2(AARt)(20-14)

σ2(t1,t2)是事件窗口(t1,t2)内平均超常收益率(AARt)的方差。(20-14)表明，事件窗口L2越长，则CAR的方差就越大。需要说明的是，J1是以平均超常收益率AARt的标准差的估计量CAR(t1,t2)～N(0,1)[σ2(t1,t2)]1/2(20-13)

20.4超常收益率的检验8

[σ2(t1,t2)]1/2对累积超常收益率标准化后的结果，因此，只适用于大样本，而且并不精确。我们可以考虑另一种CAR(t1,t2)的标准化方法，相应的统计量为：

N(L1 4)1/2

J2=t1,t2(20-15)L1 2

其中，

N1 CARi(t1,t2)(t1,t2)=～N(0,1)Ni=1[σi(t1,t2)]1/2(20-16)

上述两个统计量，即J1和J2，渐进地服从标准正态分布。在多数研究中，由于各种证券的

累积超常回报率(CAR)的方差都非常接近，因此，研究结果对选择J1或J2并不敏感(Compbelletal.,1997)。

非参数检验

非参数检验方法不受特定的分布假设，多用于效样本研究，应用较为广泛的有符号检验法

和秩检验法两种。

1.符号检验法

符号检验是以异常收益的符号作为基础，它要求各个有价证券的超常收益(或累积超常收

益)相互独立。原假设是：正的异常收益的比例是0.5。对应的检验统计量为：

+ 0.5NNJ3= 0.5～N(0,1)(20-17)N0.5

其中，N+表示超常收益为正的样本观察值个数；N为样本总数。J3渐进地服从标准正态分布。该检验法的缺点是：如果异常收益呈现偏态(即分布不对称)，检验统计量J3的设定就不是很好了(Mackinlay，1997)。

2.秩检验法

鉴于符号检验的缺点，Carrado(1989)提出了非参数的秩检验法。令L2为事件窗的长度，

整个样本由N个证券组成，设Kit为证券i在t时刻的超常收益率的秩，t从T1+1到T2，事件日为t=0。在对每一种证券按超常收益大小从1到L2排列的基础上，该检验法的原假设是：事件日异常收益为0的假设下，事件日超常收益的秩为(L2+1)/2。

秩检验法设定的检验统计量为：

NL+11 Ki0 J4=Ni=1s(L2)(20-18)

其中， 2 T2N 11L2+1s(L2)= Kit L2t=T+1Ni=121(20-19)

第二十章事件研究法9

一般而言，非参数检验方法并不单独使用，而是与参数检验法一并使用，以便考察结果的

稳健性(Robustness)。

3.自体抽样(Boostrap)检验

20.5长期事件研究[–尚待完成–]

[–尚待完成–]

20.6STATA实现1020.6STATA实现

本节以2007年美国上市公司兼并收购宣告的市场效应为例，来说明如何使用Stata进行事

件研究。4

20.6.1数据处理

本例中包含两个Stata格式的数据文件：eventdates.dta和stockdata.dta。前者来

源于SDCPlatinum，包含三个变量：公司代码(companyid)、兼并收购宣告日(event)、以及目标收购公司名称(targetname)。stockdata.dta数据来源于CRSP数据库日收益资料，包含公司代码(companyid)、股票交易日(date)、股票回报率(ret)、以及市场回报率(marketreturn)等变量。

要获得以上文件，可在Stata中执行如下命令：5

usehttp://dss.princeton.edu/sampleData/eventdates.dta

saveeventdates.dta

usehttp://dss.princeton.edu/sampleData/stockdata.dta,clear

savestockdata.dta/*about11k*//*about90m*/

需要说明的是，在进行事件研究时，建议采用上述方式来存放数据：一个文件用于存放事

件日期和股票代码，另一个文件存放个股收益率、市场收益率和股票代码，然后将两个文件横向合并，进行后续分析。

记录事件信息的数据文件eventdates.dta中包含如下基本信息：

.clear

.setmemory120m

(outputomitted)

.useeventdates.dta,clear

.describe

ContainsdatafromD:\stata10\ado\personal\eventdates.dta

obs:289

vars:33Jun200810:51

size:11,560(99.9%ofmemoryfree)

storage

variablenametype

targetname

event_date

company_id

Sortedby:str30intfloatcompany_iddisplayformat%30s%td%8.0gevent_datevaluelabelvariablelabelNameofcompanybeingacquiredDatemergerwasannouncedPERMNO

这里，setmemory120m命令为Stata分配了120M的空间用于存放数据。可见，在2007年4本节的数据和估计程序来自普林斯顿大学网站：http://dss.princeton.edu/usingdata/stata/analysis/eventstudydataprep.html。5由于stockdata.dta文件将近90M，在下载过程中要非常耐心。此外，采用Ftp下载也是个不错的办法。

第二十章事件研究法发生了289起兼并收购公告，其中前10个观察值为：

.listin1/10targetname

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.21stCenturyInsuranceCoTechDataCorpTekelecFirstRepublicBank,CaliforniaFarmersCapitalBankCorp,KYCmntyBanksInc,Harrisburg,PAKomagIncCentralPacificFinancialCorpRespironicsIncAmericanGreetingsCorpevent_d e24jan200705sep200710aug200729jan200719jul200701may200728jun200725jul200721dec200717apr2007compan d1011910182102721062310913109161136511628119271305611

由eventdate的观察值可知，不同公司的公告日期有所不同。

股票回报率文件stockdata.dta的基本信息如下：

.usestockdata,clear

.describe

ContainsdatafromD:\stata10\ado\personal\stockdata.dta

obs:1,746,940

vars:520May200810:12

size:94,334,760(25.0%ofmemoryfree)

storage

variablenametype

company_id

comnam

date

ret

market_return

Sortedby:longstr32intdoublefloatdisplayformat%12.0g%32s%td%10.0g%9.0gdatevaluelabelvariablelabelPERMNOCompanyNameReturndateReturncompany_id

该文件前10个观察值为：

.listin1/10

compan d

1.

2.

3.

4.

5.1000110001100011000110001comnamENERGYWESTINCENERGYWESTINCENERGYWESTINCENERGYWESTINCENERGYWESTINCdate03jan200704jan200705jan200708jan200709jan2007ret0.023423-.009683.008444-.009255market n-.001349.000605-.007231.002559-.000023

20.6STATA实现12

6.7.

8.

9.

10.1000110001100011000110001ENERGYWESTINCENERGYWESTINCENERGYWESTINCENERGYWESTINCENERGYWESTINC10jan200711jan200712jan200716jan200717jan2007-.012455.031531-.007424-.00352.011038.002087.0073.006138.000342-.000604

该文件包含7611家美国上市公司在2007年所有有效交易日(其中有2/3的公司有251个交易日的数据)的个股回报率(ret)，以及同期市场综合回报率(market)。

我们注意到，上述两个文件中都包含了公司代码变量companyid，下面我们将依据该变

量合并这两份数据：

use

drop

sort

saveeventdates.dta,cleartargetname/*删除该变量后文件会小很多*/company_id/*按照公司代码对-待合并数据-进行排序*/eventdate_cy,replace

usestockdata,clear

sortcompany_id/*按照公司代码对-主数据-进行排序*/

mergecompany_idusingeventdate_cy

dropif_merge!=3/*仅保留发生事件(MA)公司的数据*/

drop_merge

saveeventda,replace

合并后的数据事实上是一个面板数据(PanelData)，我们可以采用tsset命令和xtdes获

得其基本信息：

.tssetcompany_iddate

panelvariable:company_id(unbalanced)

timevariable:date,03jan2007to31dec2007,butwithgaps

delta:1day

.xtdes

company_id:10119,10182,...,92185n=

date:03jan2007,04jan2007,...,31dec2007T=

Delta(date)=1day

Span(date)=363periods

(company_id*dateuniquelyidentifieseachobservation)

DistributionofT_i:min

515%8625%17350%25175%25195%251248251max251

可见，样本区间为2007-01-03至2007-12-31，共有248家公司，半数以上的公司有251个交易日的数据，而部分公司有效交日不足100天，最少的为51天。

20.6.2定义事件窗口

我们将事件窗口定义为[ 2,2]，即事件日以及其前后两天，共5天。估计期定义为

[ 60, 30]，即事件发生前的第60个有效交易日到事件发生前的第30个有效交易日，共30个观察值。

为此，我们需要先产生一个新变量dif，若交易日期为事件日，则改变变量取值为0，以

第二十章事件研究法13此为基准，在事件日的前一天，dif变量取值为 1，前两天取值为 2，同理，在事件日后一天，dif取值为1，后两天dif取值为2，以此类推。此外，利用dif变量，我们还可以很方便的去除多余的观察值，以及样本数不满足上述要求的观察值。下面是dif变量的定义方法：

sortcompany_iddate

bycompany_id:gendatenum=_n/*定义新的日期变量，取值为1,2,3,...*/

bycompany_id:gentarget=datenumifdate==event_date/*标定事件日*/

egentd=min(target),by(company_id)/*扩充target的观察值*/

gendif=datenum-td/*以事件日0为基准定义相对日期*/

这里，我们首先产生了一个新的变量datenum，其取值为1,2,···，然后产生变量target，以标定事件日，最后采用datenum来生成···, 2, 1,0,1,2,···形式的相对日期变量diff。上述变量的观察值列示如下：

.listdateevent_datedatenumtargettddifin1/20date

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

14.

15.

16.

17.

18.

19.

20.03jan200704jan200705jan200708jan200709jan200710jan200711jan200712jan200716jan200717jan200718jan200719jan200722jan200723jan200724jan200725jan200726jan200729jan200730jan200731jan2007event_d e24jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan200724jan2007datenum1234567891011121314151617181920target..............15.....td1515151515151515151515151515151515151515dif-14-13-12-11-10-9-8-7-6-5-4-3-2-1012345

基于dif变量，我们可以很方便的定义事件窗口变量event如下：

bycompany_id:genevent_window=1if(dif>=-2&dif<=2)

egencount_event_obs=count(event_window),by(company_id)

这里，我们产生了一个新变量countobs用于记录每家公司在事件窗口内的样本数，以便于后续删除事件窗口内样本数不足5天的公司。采用同样的方法，可以定义估计窗口变量

20.6STATA实现estimationwindow如下：

bycompany_id:genevent_window=1ifdif>=-2&dif<=2

egencount_est_obs=count(estimation_window),by(company_id)14接下来，我们需要删除在事件窗口内观察值不足5天，或在估计窗口内观察值不足30天的样本：

dropifcount_event_obs<5

dropifcount_est_obs<30

最后，通过如下处理将event变量和estimation变量转变为0/1变量：

replaceevent_window=0ifevent_window==.

replaceestimation_window=0ifestimation_window==.

20.6.3估计正常回报率

这里，我们采用市场模型来估计正常回报率。基本思路如下：(1)在估计窗口内，针对每一

家公司估计市场模型(20-4)中的参数α和β；(2)预测每一家公司在事件窗口内的正常收益率。

由于要针对每一家公司估计市场模型，所以我们采用循环语句forvalues：

genpredicted_return=./*用于存放正常回报率的变量*/

egenid=group(company_id)/*重新定义公司代码为1,2,3...,便于执行循环程序*/

quitabulateid

localN=r(r)/*记录公司数目*/

forvaluesi=1(1)‘N’{

*在估计窗口内估计市场模型

quiregretmarket_returnif(id==‘i’&estimation_window==1)

*得到全样本范围内的正常回报率，即market_return的全样本拟合值

predictpifid==‘i’

*在事件窗口内计算正常回报率

replacepredicted_return=pif(id==‘i’&event_window==1)

dropp

}

由于我们的样本中涉及248家公司，所有上述循环将执行248次。为了能够正确执行循环，我们利用egen命令提供的group()函数产生了一个新的公司代码变量id，它的取值是1,2,···,N。接下来，我们又采用tabulate命令统计了公司总数N，并将其存放在一个暂元N中。最后，利用forvalues命令对所有公司循环执行OLS估计(regress命令)，并使用predict命令得到每一家回报率的预测值。我们注意到，估计窗口和事件窗口的区分是通过quireg命令和replace命令后的if条件语句来设定的，请读者思考二者的区别。6

20.6.4估计超常回报率和累积超常回报率

基于上面得到的正常回报率，我们可以在事件窗口内计算日超常回报率abnormal如下：

genabnormal_return=ret-predicted_returnifevent_window==1

6需要说明的是，在默认情况下，predict命令将利用所有符合if条件的样本计算回报率ret的拟合值。因

此，执行predictpifid==‘i’命令可计算出公司i在所有有效交易日内的正常回报率。

第二十章事件研究法每家公司在事件窗口[ 2,2]内的累积超常回报率CARid可计算如下：

sortiddate

byid:egenCAR_id=sum(abnormal_return)15

每家公司在事件窗口内的逐日累加累积回报率CAR可计算如下：

genCAR_date=.

quitabid

localN=r(r)

forvaluesid=1(1)‘N’{

replaceCAR_date=sum(abnormal_return)if(id==‘id’&event_window==1)

}

这里，我们要注意CAR与CAR之间的差异，前者是公司i在整个事件窗口内的累积回报率，而后者则是逐日累加得到的累积回报率：

.listiddatedifabnormal_returnCAR_id

id

168.

169.

170.

171.

172.11111date31aug200704sep200705sep200706sep200707sep2007dif-2-1012abnormal n-.00159733-.00538795.0017167-.00331929.00337069if(event_window==1&id==1)CAR_id-.00521717-.00521717-.00521717-.00521717-.00521717

if(event_window==1&id==1)CAR_date

-.00159733

-.00698527

-.00526858

-.00858787

-.00521717.listiddatedifabnormal_returnCAR_dateid168.169.170.171.172.11111date31aug200704sep200705sep200706sep200707sep2007dif-2-1012abnormal n-.00159733-.00538795.0017167-.00331929.00337069

20.6.5检验

个别公司的累积超常回报率是否显著？

我们首先计算每家公司在事件窗口内超常回报率的标准差，进而计算t统计量：

sortiddate

byid:egenar_sd=sd(abnormal_return)

gentest_id=(1/sqrt(5))*(CAR_id/ar_sd)/*超常回报率的标准差*//*检验统计量t值*/

接下来，我们可以进一步计算出testid对应的p值：

genpvalue=normal(test_id)

replacepvalue=1-pvalueiftest_id>0

replacepvalue=pvalue*2/*假设服从正态分布*//*双尾检定*/

这里，我们利用normal()函数计算出了test对应的p值，由于是双尾检定，所以进行了相应的调整。为了能在列示结果的同时标明显著水平，我们可以产生一个新的文字型变量

20.6STATA实现sig，其取值为‘***’、‘**’、和‘*’，分别表示在1%、5%、和10%水平上显著：

gensig="*"ifpvalue<=0.1

replacesig="**"ifpvalue<=0.05

replacesig="***"ifpvalue<=0.0116

检验结果可列示如下：

.

.gsort-siglistcompany_idCAR_idtest_idpvaluesigif(dif==0&sig!="")compan d

111.

314.

619.

1082.

1204.

1471.

1777.

1882.

2145.

2344.

2439.

2783.

2867.

3274.

3375.

3915.

4110.

4147.

4400.

4603.

5070.

5183.91407843528626485939828109102589682896818717388727898381027291680890068149185080616218703583946873788826264936CAR_id.15971944-.19546269.07984962.08915916-.0319529.03849802.1734141-.12014189.12494932.11963088.25697644.0941586.20292822-.07690169.12049331.09101096.08674388.18345887.15505202-.02602744.16915083.05927992test_id3.5086414-6.93684632.81848163.5487253-2.64649093.01284782.2022024-2.33968072.41272482.02635481.99915982.10597312.2688105-2.09658981.83126961.85009921.88397841.64883891.9209944-1.67230381.91154041.8593641pvalue.00045044.009e-12.00482514.0003871.00813317.00258809.02765102.01930024.01583377.04272844.04559107.03520669.02327985.0360299.06706031.06429925.0595679.09918064.05473241.09446444.05593516.06297555sig******************************************

若希望察看t= 1天的检验结果，可使用如下命令：

listcompany_idCAR_idtest_idsigifdif==-1&sig!=""

样本总体的累积超常回报率是否显著？

要检验在事件窗口内所有N家公司的累积超常回报率是否整体上显著异于零，可采用附加

robust选项的regress命令：

(Continuedonnextpage)

第二十章事件研究法.regCAR_idifdif==0,robustnoheaderRobust

CAR_id

_consCoef..1446789Std.Err..0166091t8.71P>|t|0.000[95%Conf.Interval].1119028.177455117

由p值可知，我们可以在1%水平上拒绝这N家公司的累积超常回报率为零的原假设。相对于传统的t检验，采用上述回归方法可以计算出稳健型标准误。

逐日累加累积超常回报率是否显著？

要检验在事件期[ 2,2]内，t= 2,t= 1,···,t=2各天的累积超常回报率是否显著，

可采用如下命令：

.forvaluesi=-2(1)2{

2.quiregCAR_dateifdif==‘i’,robust

3.if‘i’<0{

4.localj"neg‘=-‘i’’"

5.}

6.else{

7.localj"‘i’"

8.}

9.eststoredate_‘j’

10.}

localmdate_neg2date_neg1date_0date_1date_2

esttab‘m’,mtitle(‘m’)compress

(1)

date_neg2

_cons-0.000515

(-0.27)

179(2)date_neg10.00173(0.67)179(3)date_00.0993***(6.42)179(4)date_10.145***(8.73)179(5)date_20.145***(8.71)179..N

tstatisticsinparentheses

*p<0.05,**p<0.01,***p<0.001

这里，我们首先采用forvalues命令对t= 2,t= 1,···,t=2各天的超常回报率进行回归，每次估计完成后，采用eststore命令保存估计结果，最终用esttab命令呈现汇总结果。需要注意的是，当暂元i取负值时，如‘i’= 2，eststoredate‘i’命令将无法正确执行，所以我们定义了一个新暂元j。当暂元i中的数值为正数时，j中的数值与暂元i相同，但当暂元i中为负值时(如 2)，j中将存储一个字符串“neg2”。经过这样的转换，上述eststoredate‘i’命令就可以正确执行了。

上述结果表明，在事件日(t=0)以及事件发生后的两天t=1,t=2，都存在显著的超常回

报率，而在事件前两天(t= 1,t= 2)则不存在超常回报。这意味着美国上市公司的兼并收

本文来源：https://www.bwwdw.com/article/x2oe.html