事件研究法在评估并购绩效或其它市场冲击时，通常会使用超额收益率（Abnormal Return, AR）来衡量。AR通过比较实际收益率与预测的“正常”收益率的差异计算得出。这个正常收益率往往是基于历史数据估计出来的。
公式中的线性回归模型为：
\[ R_{it} = \alpha_i + \beta_i R_{mt} + e_{it} \]
其中，\(R_{it}\)是i股票在t时刻的实际收益率；\(R_{mt}\)是在同一时间的市场指数收益率；\(\alpha_i\)和\(\beta_i\)分别是截距项（常数项）和贝塔系数；\(e_{it}\)是残差。
1. **关于调整后的R方能否小于50%**
理论上，调整后的R方可以远低于50%，甚至为负。这是因为调整后的R方旨在惩罚模型中的复杂性（即变量数量），以更准确地反映模型解释数据变异性的能力。如果模型包含的自变量对因变量的预测贡献不大，则调整后的R方可能会较低。
在事件研究中，如果你发现调整后的R方很低，这可能意味着估计期的收益率与市场指数之间的线性关系不是很强，或者有其他未考虑的因素在影响股票收益。这不是绝对的问题，但是需要谨慎解释结果，并且考虑到模型可能没有充分捕捉到所有相关信息。
2. **关于常数项\(\alpha_i\)是否可以为负**
常数项（或截距项）\(\alpha_i\)可以是正数也可以是负数。它代表了当市场收益率\(R_{mt}\)等于0时，股票i的预期收益率是多少。如果\(\alpha_i\)是负值，则意味着即使在市场没有变动的情况下，该股票也预计会有一个低于平均（或零）的回报率。
在实际情况中，常数项为负可能表明该股票的基本面较差、风险调整后的期望回报较低，或者存在未被模型解释的因素导致其表现不佳。然而，在事件研究法中的重点通常是超额收益率和市场冲击的影响，而不是单独分析\(\alpha_i\)或\(\beta_i\)的值。
3. **如何处理低R方的问题**
- 增加自变量：考虑是否可以加入更多与股票收益相关的经济指标或公司特征作为模型的自变量。
- 检查数据质量：确认数据没有错误，时间序列没有缺失值，并且数据来源可靠。
- 使用更复杂的模型：例如，考虑到异方差性、非线性关系或者采用固定效应模型等。
总的来说，在事件研究中调整R方较低并不罕见，重要的是分析其背后的原因并考虑如何改进模型。然而，即使R方低，超额收益率（AR）的计算和解释仍然可以进行，只要确保你的分析和结论是基于谨慎、透明的方法论上。
此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用
发帖
雷达卡
jg-xs1
京公网安备 11010802022788号
论坛法律顾问：王进律师
知识产权保护声明
免责及隐私声明
