前言：

因為一些原因，國慶節(jié)期間學的。學習過程很酸爽，自己并沒有很多統(tǒng)計學及其相關軟件的經驗，網上相關資料也不是很多。我在微信公眾號、知網、經管之家、B站、百度文庫等很多平臺找了各式的資料來學（花了70大洋去買代碼，本學生窮得叮當響），最終有了一個簡單的成果（當然，在數據的處理上還比較粗糙，沒有剔除ST，事件窗口也只有一個）。進一步的成果涉及到一些東西，就無法發(fā)出了。

希望能給像我一樣的小白一些幫助（本來想寫一個教程，但原諒我太懶了）。另外，請大佬們多多指導！

正文：

事件分析法：見百度 https://baike.baidu.com/item/事件分析法/2871756

1. 定義事件：上海自貿區(qū)成立
2. 樣本選取范圍：2013年8月22日前位于上海的上市公司的所有A股
3. 考察：2013年8月22日上海自貿區(qū)成立當日，位于上海上市公司的短期市場反應
4. 數據來源：CSMAR
5. 事件窗口：以2013年8月22日為事件日，（-5，+5）為研究期間
6. 估計窗口：（-155，-6）
7. 估計模型：市場模型
8. 估計正常表現
9. 異常表現和累計超額回報
10. 顯著性檢驗
11. 全部事件交叉檢驗
12. 結論：上海自貿區(qū)成立對位于上海的上市公司的所有A股有顯著的市場效應

1.導入數據

/*首先在CSMAR下載（2013.03.20-2013.8.22）（上海市）（所有A股）的股票代碼、交易日期、考慮了現金分紅的日收益率，和（2013.03.20-2013.8.22）（滬深300指數）的交易日期、考慮了現金分紅的日收益率，下載數據類型為excel類型；

然后，用vlookup函數處理兩個excel表格，根據交易日期，把滬深300指數的日收益率對應到上海市A股日收益率后；

接著，增加event_date這一列；

接著，把股票代碼由文本類型轉換成常規(guī)類型。*/

/*將處理好的excel復制到Data Editor里，保存到路徑里（查看路徑用pwd），保存為event_study.dta。*/

//調用時：

use event_study.dta

2.數據處理

//將日期從字符串型轉換為數值型：

set matsize 500 cap gen event_date1=date(event_date,"YMD") drop event_date rename event_date1 event_date format event_date %dCY-N-D set matsize 500 cap gen trade_date1=date(trade_date,"YMD") drop trade_date rename trade_date1 trade_date format trade_date %dCY-N-D

//關閉more選項，使一次全部輸出：

set more off

3.估計正常收益

sort stk_id trade_date //按股票代碼、交易日進行排序 by stk_id:gen datenum=_n //對每一股票按交易日從1開始計數：1、2、3、4……用來計算每一個股票有多少行數據 by stk_id:gen target=datenum if trade_date==event_date //針對每只股票，生成target變量，并且如果交易日=事件日，對target變量賦值上datenum變量的數值 by stk_id: replace target=datenum if trade_date-event_date<=1 & trade_date-event_date>=-1 //針對每只股票，對發(fā)行公告日前后1天有交易的行數據，用datenum變量的數值覆蓋target變量的數值 egen td1=mean(target),by(stk_id) //針對每只股票生成變量td1，并賦值target的均值 gen td2=round(td1) //生成td2變量并賦值td1的四舍五入數值 gen dif=datenum-td2 //生成dif變量，并賦值datenum-td2，該數值代表以事件日為起點，向前/后開始計數的天數 by stk_id: gen event_window=1 if dif>=-5 & dif<=5 //針對每只股票，生成事件窗口變量并賦值“1”，dif變量大于-5小于5表示事件窗口為（-5,5） egen count_event_obs=count(event_window), by(stk_id) //針對每只股票生成計算事件窗口天數的變量 by stk_id:gen estimation_window=1 if dif>=-155 & dif<-6 //針對每只股票，生成估計窗口變量并賦值“1”，dif變量大于-155小于-6表示估計窗口為（-155,-6） egen count_est_obs=count(estimation_window), by(stk_id) //針對每只股票生成計算估計窗口天數的變量 replace event_window=0 if event_window==. //如果事件窗口為空值，則賦值“0” replace estimation_window=0 if estimation_window==. //如果估計窗口為空值，則賦值“0” gen predicted_return=. //生成估計收益變量并賦值空值 egen id=group(stk_id) //重新定義公司代碼為1，2，3...,便于執(zhí)行循環(huán) forvalues id=1(1)194 { reg stk_chg zs_chg if id==i & estimation_window==1 //得到全樣本范圍內的正常回報率 predict p if id==i //在事件窗口內計算正常回報率 replace predicted_return = p if id==i & event_window==1 drop p }

/*通過上述id，可知共194個樣本股票，對1-194個股票的估計窗口內的數據進行回歸，股票漲跌幅為因變量，指數漲跌幅為自變量，并對每只股票用回歸方程結果計算其預期收益。

對每只股票的事件窗口（-5,5），用預期收益覆蓋predicted_return變量的空值。該方法為用市場模型計算事件窗口期內的預期收益。*/

4.超額收益和累計超額收益

sort id trade_date //按id、交易日排序 gen AR=stk_chg-predicted_return if event_window==1 //計算每個公司在事件期內的日非正常報酬率 by id:egen car=sum(AR) //計算每個公司在事件窗口內的累計非正常報酬率（固定值） gen car_date=. forvalues id=1(1)194 { replace car_date=sum(AR) if (id==i & event_window==1) } //每個公司在事件窗口內逐日累加得到的累積回報率

5.顯著性檢驗

/*其中AR是超額收益，ar_sd是超額收益的標準差。如果test的絕對值大于1.96，則每只股票的平均超額收益在5%的顯著性水平上異于0。*/

sort id trade_date //按id、交易日排序 by id:egen ar_sd=sd(AR) //對每個公司求超額收益的標準差 gen test=(1/sqrt(11))*(car/ar_sd) //生成test統(tǒng)計量 list stk_id car test if dif==0 //列出發(fā)生事件的公司代碼，累計超額收益，test統(tǒng)計量

//輸出excel表格：

outsheet stk_id trade_date car test using car_test.csv if dif==0,comma names

6.在整個事件期內進行穩(wěn)健性檢驗

reg car if dif==0, robust

/*由p值可知，我們可以在1%水平上拒絕這194家公司的累積超常回報率為0的原假設（在1%的顯著性水平下顯著，car在整個事件期內穩(wěn)健）。*/

7.事件期內car的走勢圖（看兩點之差）

//注：這一步是我亂加的。

preserve keep if event_window==1 bysort dif:egen car_t=mean(car_date) keep dif car_t //計算每天的平均累積超常回報率 duplicates drop //僅保留事件期的觀察值 twoway connect car_t dif //繪制時序圖 restore

平均累計超常回報率時序圖

總結

以上是生活随笔為你收集整理的选了combobox里的选项后没激发change事件_stata 事件分析法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。