一、事件研究法
根據效率市場假說係探討資本市場的資訊內容以反映於股票價格上，本研 究採用事件研究法檢視私募事件對公司價值的影響。
事件研究法是由Fama, Fisher, Jensen and Roll 於1969 年首先採用其後廣為 財務、會計實證研究用來測試某一特定事件對公司股價(成交量)波動等變數的影 響方向與幅度，以了解該特定事件如何影響股票報酬，雖然大多數利用事件研究 法的實證研究，主要是觀察某一事件是否會引起股票的異常報酬率，但根據目前 的文獻，事件研究法亦可用來探討當某一資訊或事件發生時，股價是否會有所改 變［Beaver(1968﹚,Grant (1980)及McNichols and Manegold (1983)］，所以多數的 研究以股票的異常報酬率作為觀察的重點，目前利用事件研究法的相關文獻， 大 致可以分為四大類：
1. 市場效率性研究 (market effect studies)，這類的主題探討股票市場是否 快速的，不偏的反映某項新資訊。
2. 資訊內涵之研究 (information content studies)，探討資訊有用性之研究
，主要目的是評估股價對於某項資訊揭露的反應程度。
3. 解釋異常報酬率研究 (metric explanation studies)，主要目的是進一步瞭 解影響異常報酬率之因素。
4. 方法論之研究 (methodology studies)，主要目的在於探討事件研究法之 改進，並多以模擬方法 (simulation)進行。
事件研究首先要釐清事件日，樣本資料及研究期間、事件期及估計期。然 後利用估計期的樣本觀察值來估計股票報酬均衡模式的參數，並以估計所得到之 參數來預測事件期樣本的均衡預期報酬，最後比較樣本事件其實際報酬與預期報
事件研究法相關步驟分析如下：
Step1：事件日之確定
先確立事件日。須以市場大眾接收到事件相關訊息的時間點為準，而非 該事件實際發生的時間點。因私募為重大訊息，均需在公開資訊觀測站 上公告其董事會決議日期，因此事件日定義為董事會通過日。
Step2：樣本資料及研究期間
確立事件日後，需設定觀察期，係數估計期及事件期。本研究以事件期 前一年的交易日為股票報酬均衡模式參數之估計期，事件期為事件日前 後5個交易日。以觀察市場對私募事件是否有所反應。
Step3：預期期望報酬與異常報酬率
計算每一樣本之平均異常報酬率以及累積平均異常報酬率。
Step4： 檢定平均異常報酬(AAR)
根據研究的研究目的及理論所建立之假設，進行統計顯著性檢定以及解 釋。
以下建立股票報酬率預期模式與異常報酬率估計模式 定義各期間如下，並以時間線表示於圖二。
T：代表估計期的長度 (W=t2-t1+1)，用以估計股票預期報酬。本研究估計期的 長度設定為事件期前的250 天。
W：代表事件期的長度 (W=t4-t3+1)，用以計算股票異常報酬。本研究事件期 的長度設定為事件日前後5 天。
”
t1 t2 t3 事件日 t4
圖二： 事件研究法之時間線 資料來源： 沈中華及李建然著“事件研究法
股票報酬率預期模式可以分為三大類：
1. 平均調整模式 (Mean Adjusted Returns model)
此模式假設個別證券在沒有所要研究事件的影響下，事件期各期的預期報酬率，
為估計期之平均報酬率。
2. 市場指數調整模式 (Market Adjusted Returns model)
此模式假設個別證券在沒有所要研究事件的影響下，事件期當中之某一期的預期 報酬率即為同期之市場報酬率。在事件日中，用市場大盤的報酬率代表個股的預 期報酬率。
3. 風險調整法模式 (Risk-Adjusted Returns model)
該模式主要利用迴歸模式，將個別證券的系統風險，作為個別證券報酬率的預測 事件期
估計期
估計預期報酬 計算異常報酬
W T
、自我變異數模式及多指標市場模式等。其中又以市場模式最簡單且最被廣泛應
(Abnormal Returns, AR)
[
3, 4RiE 為i公司在事件期E期之實際報酬； e Abnormal Returns，以下簡稱AAR)：
[
3, 4]
lative Average Abnormal Returns，以下(3.5)
Method)、標準化殘差法(Standardized-Residual Method)、普通橫剖面法 (Ordinary Cross-Sectional Method)及標準化橫剖面法(Standardized-Residual Cross-Sectional Method)。無母數檢定則不需要對異常報酬率作任何分配的假設，檢定方式採用 中央極限定理 (Central Limit Theorem)，只要橫剖面的個別證券異常報酬率為獨 立且齊ㄧ (independent and identical) 的分配，當樣本量越大即保證樣本橫剖面平 常報酬率趨近於常態分配。此時，傳統有母數檢定法會有不錯的檢定力。
四、羅吉斯模型 (Logit Model)
羅吉斯模型類似線性迴歸模式，是描述一個因變數與一個或多個自變數之 間的關係。一般迴歸分析時因變數與自變數通常均為連續變數，但羅吉斯迴歸 (Logistic Regression) 所探討結果的因變數是離散型，主要能處理因變數有兩個 類別的名目變數 (例如“是與否”、“同意與不同意”、“成功與失敗”， 就是針對二 元因變數，非1即0)，用以預測事件發生的勝算比 (Odds Ratio)。它可解決了傳統 線性迴歸模式中，不能處理因變數是兩個類別的名目變數的缺點，建立一個最精 簡和最能配適 (fit) 的分析結果，用來預測因變數與自變數之間的關係。羅吉斯 迴歸方程求解參數是採用最大概似 (Maximum Likelihood) 法，因此其迴歸方程 式的整體檢定係透過概似值(Likelihood)。首先介紹羅吉斯迴歸之基本假設為：自
接著將其轉換成線性方程式：
羅吉斯迴歸式估計如下：