【正文】 的情況下用 OLS就會(huì)出現(xiàn)偏差，文章采用了 Theil的非參數(shù)回歸方法通過(guò)排序來(lái)估計(jì) market model中的參數(shù)。 其主要程序如下： 第一、按 Rmt的升序?qū)?shù)據(jù)（ Rmt， Rt）進(jìn)行排序。 第二、把數(shù)據(jù)以中值為界分成兩部分，如果數(shù)據(jù)的數(shù)量為奇數(shù)則省略中間項(xiàng)。 第三、在上下兩部分中分別估計(jì) β jNjjNjNjj RMRMRR????????????????????????222,?第四、以升序?qū)?β進(jìn)行排列 第五、用 β的中值和（ Rmt， Rt）計(jì)算 第六、取 的中值即為 α ? 文章發(fā)現(xiàn)使用 Theil39。s的非參數(shù)估計(jì)程序和 rank統(tǒng)計(jì)量，能在更少的檢驗(yàn)假設(shè)的前提下得到檢驗(yàn)?zāi)康摹? （三） thinly trading下的檢驗(yàn) Cowan, Anne（ 1996):利用 NYSEAMEX 和 Nasdaq stocks的不同樣本數(shù)據(jù)對(duì)以下四種檢驗(yàn)方法進(jìn)行了研究： (1)Patell(1976)：對(duì)于 thinly traded的樣本易犯拒真的錯(cuò)誤 (2)the standardized crosssectional test(Boehmer et al，1991)：它對(duì) Patell test的改進(jìn)在于：它允許非正常收益的方差在預(yù)測(cè)期間和事件期間是不同的 。 (3)the rank test（ Corrado,1989） ：非參數(shù)檢驗(yàn)方法 ，從而不依賴于正態(tài)分布的假設(shè) 。 (4)the generalized sign test(Cowan,1992)：非參數(shù)檢驗(yàn)方法 。 發(fā)現(xiàn)： ? 當(dāng)存在 thinly trading時(shí) ， Petell test無(wú)論對(duì)哪一種樣本 ， 表現(xiàn)都最差； ? 而即便是在交易量極小的情況下 ， 只要不存在事件發(fā)生時(shí)收益率方差增大的情況 ， the generalized sign 和 rank tests 通 常 都 能 表 現(xiàn) 良 好 。 而 the standardized crosssectional test 對(duì)于 uppertailed tests 描述正確但不如以上兩種非參數(shù)檢驗(yàn)方法的檢驗(yàn)?zāi)芰?qiáng) 。 ? 但如果收益率的方差發(fā)生增大的情況 ， 則后三種檢驗(yàn)方法都可能出現(xiàn)偏差 。 但 ? The standardized crosssectional test 在 uppertail tests中描述正確； ? the generalized sign test在 lowertail tests中描述正確； ? 而如果所預(yù)計(jì)的方差增大實(shí)際并沒(méi)有發(fā)生 ， 則 rank test檢驗(yàn)?zāi)芰ψ顝?qiáng) 。 （三） Clustering和 Event Day Uncertainty下的檢驗(yàn) Lee, Varela（ 1997）： 通過(guò)對(duì) OLS、 Patell、Jaffe和 GLS這四種方法（詳細(xì)構(gòu)造見(jiàn)文章）的比較研究發(fā)現(xiàn)： Clustering和 Event Day Uncertainty時(shí)，使用 OLS方法無(wú)論是就統(tǒng)計(jì)描述的準(zhǔn)確性和power來(lái)說(shuō)都是最優(yōu)的選擇； Clustering和 Event Day Uncertainty時(shí)，最優(yōu)的選擇則是 Jaffe。 （四）爭(zhēng)議 （ 1986）：運(yùn)用 the joint GLS方法和OLS方法分別對(duì)事件研究的模型進(jìn)行參數(shù)估計(jì)和參數(shù)檢驗(yàn)，進(jìn)一步證實(shí)了 Brown， Warner（ 1980) 的結(jié)論：在典型的事件研究中，更為復(fù)雜的統(tǒng)計(jì)方法并不會(huì)比簡(jiǎn)單的單因子市場(chǎng)模型產(chǎn)生顯著更優(yōu)的結(jié)果。 （ 1987）： 用 joint GLS檢驗(yàn)了DUMMYF模型，但是發(fā)現(xiàn)無(wú)論用月數(shù)據(jù)或日數(shù)據(jù)進(jìn)行實(shí)證檢驗(yàn)，其并沒(méi)有表現(xiàn)得比 OLS方法更優(yōu)越。這個(gè)結(jié)果驗(yàn)證了 Malatesta（ 1986）的結(jié)論，使用系統(tǒng)方法（ systems methods）估計(jì)非正常收益，理論上可行，但實(shí)證上卻沒(méi)有取得期望的更優(yōu)的結(jié)果。 六、事件研究的應(yīng)用 (一 ） 事件研究的應(yīng)用領(lǐng)域主要包括： (1)公司財(cái)務(wù)領(lǐng)域：如兼并收購(gòu)的財(cái)富效應(yīng)以及公司融資決策的價(jià)格效應(yīng)等 。 (2)經(jīng)濟(jì)法律領(lǐng)域：如被美國(guó)高等法院接受作為在內(nèi)幕交易案中重大性原則的專業(yè)性判斷標(biāo)準(zhǔn) ， 并作為審理證券欺詐性時(shí)確定受償水平的參照方法 。 (3)宏觀經(jīng)濟(jì)調(diào)控： 如用 于測(cè)定規(guī)制監(jiān)管環(huán)境的變化對(duì)公司價(jià)值的影響等 。 （二）相關(guān)的文獻(xiàn) (1982)： 利用事件研究的方法對(duì)公司并購(gòu)進(jìn)行了相關(guān)的研究，驗(yàn)證了有關(guān)公司并購(gòu)的一些財(cái)務(wù)理論 。 (1971)： 研究了 world events對(duì)于股票價(jià)格走勢(shì)的影響。發(fā)現(xiàn)這類事件對(duì)于股票價(jià)格有著很顯著的影響，而且市場(chǎng)往往對(duì)于 bad news有過(guò)度的反應(yīng) 。 ， Volker(2022)： 研究了歐洲債券價(jià)格的變化與 Watchlistings 和 Standardamp。Poor 關(guān)于信用評(píng)級(jí)的公告 之間的聯(lián)系，發(fā)現(xiàn)： (1)當(dāng)出現(xiàn)信用評(píng)級(jí)下降時(shí)，債券價(jià)格將有顯著的變化；而出現(xiàn)信用評(píng)級(jí)上升時(shí)，并沒(méi)有很顯著的宣告效應(yīng)。 (2)特別地，當(dāng)信用等級(jí)降為投機(jī)級(jí) (speculative grade)時(shí)，價(jià)格變化尤其顯著。 4. Manuel, Pilotte(1996)：利用事件研究的方法分析了前次股票分割對(duì)收益率的影響 ， 并據(jù)此預(yù)測(cè)本次股票分割對(duì)收益率的影響 ， 結(jié)果證明可以利用前次事件對(duì)收益率的影響來(lái)合理地預(yù)測(cè)類似事件再次發(fā)生所造成的影響 。 此時(shí) ， 預(yù)測(cè)收益率的變動(dòng)不僅要考慮股票分割事件本身 ， 而且要考慮前次股票分割后收益變化情況這一因素 。 除了股票分割外 ， 本文的方法同樣可以應(yīng)用于分析dividend ， stock repurchase ， 或 exchange offering announcement等重復(fù)發(fā)生的事件的影響 。 ，陳斌 ( 2022)： 結(jié)合最高人民法院 2022年 1月 15日下發(fā)的 《 關(guān)于受理證券市場(chǎng)因虛假陳述引發(fā)的民事侵權(quán)糾紛案件有關(guān)問(wèn)題的通知 》 的精神和我國(guó)證券市場(chǎng)的實(shí)際情況，以大慶聯(lián)誼的虛假信息陳述行為為例，運(yùn)用事件研究法對(duì)受償標(biāo)準(zhǔn)確定的有關(guān)技術(shù)性問(wèn)題進(jìn)行討論，并給出相應(yīng)的計(jì)算結(jié)果以供參考。 （ 三） 事件研究與效率市場(chǎng)假說(shuō) ? 不同信息對(duì)價(jià)格具有不同的影響程度，因而存在三種不同程度的市場(chǎng)效率：弱式有效市場(chǎng)、半強(qiáng)式有效市場(chǎng)、強(qiáng)式有效市場(chǎng)。 ? 事件研究可以應(yīng)用于分析市場(chǎng)是否半強(qiáng)式有效，即證券價(jià)格是否會(huì)立即反映公開(kāi)信息對(duì)公司價(jià)值的影響。