台灣50成分股除權息日異常報酬分析
75
0
0
全文
(2) 摘. 要. 台灣證券市場已有數十年的歷史，一直存在除權行情之現象，實質上參與除 權息並不會增加股東財富，但是投資人通常將股利發放視為公司所釋放對未來營 運預期的訊號，因此股利的發放仍為台灣投資人矚目的焦點。本研究收集 1999 年至 2007 年，共 9 年期，針對台灣 50 成分股之除權行情進行研究，並採用事件 研究法之市場模式，分別以普通最小平方法(OLS)、自我相關條件異質變異 (GARCH)、似乎無相關(SUR)三種方法，估計出異常報酬率(AR)，探討台灣證券 市場是否存在除權行情，再加入可能造成異常報酬之變數，以追蹤資料(Panel data) 迴歸分析法建立迴歸模型，驗證可能造成異常報酬之因素，實證結果如下： (1)台灣證券市場確實存在除權行情，且於 11 天前即開始發酵。 (2)以 OLS 及 GARCH 方法估計出異常報酬，較大的棄權賣壓在除權息前 3 日； 以 SUR 方法估計出異常報酬，較大的棄權賣壓在除權息前 5 日。 (3)以 OLS 及 GARCH 方法估計出異常報酬，較大之正異常報酬為除權息當日； 以 SUR 方法估計出異常報酬，較大之正異常報酬為除權息前八日。. (4)造成除權息事件之棄權賣壓之可能因素：高融資使用率、高配息率、外資買 賣超比率有關。. (5)造成較大之正異常報酬之可能因素為：高配股率、外資買賣超比率有關。. 關鍵字：除權息、事件研究法、異常報酬、追蹤資料模型. i.
(3) Abstract Taiwan's stock market have always been ex-dividend Performance , in essence, to participate in ex-dividend will not increase wealth, but investors are usually regarded as dividends paid by companies operating in the future of the expected. Ex-dividend will to come into notice of investor. We collection from 1999 to 2007 total of nine-year period. The ex-dividend day stock prices analysis in Taiwan 50 index stocks. We use market model of Event Study, and respectively studies by OLS、GARCH and SUR model, it's estimated that the abnormal return (AR), this paper to discuss ex-dividend performance of the Taiwan50 index stocks. We to join may cause abnormal return of variables to Panel data regression analysis model, the certification may cause abnormal return of factors.. Keywords：Panel data model, Abnormal return, Event Study, Ex-dividend. ii.
(4) 目 第壹章. 錄. 緒論. 第一節 研究動機及目的 .……………………………...................……….….1 第二節 研究內容與方法……………………………………….…..………….4 第三節 論文架構………………………………………………………..……..5 第貳章. 文獻回顧……………………………………………………………………7. 第參章 研究方法 第一節. 事件研究法……………………………………………….………….12. 第二節. 追蹤資料(Panel data)模型…………………………………….……..20. 第三節 追蹤資料(Panel data)最適模型選擇…………………….…………..23 第肆章 研究設計 第一節. 資料來源……………………………………………………………..26. 第二節. 研究變數定義………………………………………………………..27. 第伍章 實證結果分析 第一節 市場模式下之變異數分析……………………………………………..31 第二節 台灣 50 成份股除權行情檢定………………………………………….33 第三節 迴歸模型介紹…………………………………………………………..39 第四節 最適迴歸模型選定……………………………………………………..41 第五節 實證結果………………………………………………………………..46 第陸章. 結論與建議. 第一節 結論…………………………………………………………………….61. iii.
(5) 第二節. 建議及研究限制………………………………………………………63. 參考文獻……………………………………………………………………………..65. iv.
(6) 圖目錄 圖 3-1、事件研究法之期間圖 圖 4-1、事件研究法之期間圖 圖 5-1、普通最小平方法(OLS)─平均異常報酬率(SAR) 圖 5-2、普通最小平方法(OLS)─平均累積異常報酬率(SCAR) 圖 5-3、自我相關條件異質變異(GARCH)─平均異常報酬率(SAR) 圖 5-4、自我相關條件異質變異(GARCH)─平均累積異常報酬率(SCAR) 圖 5-5、似乎無相關(SUR)─平均異常報酬率(SAR) 圖 5-6、似乎無相關(SUR)─平均累積異常報酬率(SCAR). v.
(7) 表目錄 表 5-1、三種方法估計之 β 係數─變異數分析(ANOVA)表. 表 5-2、普通最小平方法(OLS)─異常報酬 表 5-3、自我相關條件異質變異(GARCH)─異常報酬 表 5-4、似乎無相關(SUR)─異常報酬 表 5-5、實證模型使用解釋變數表 表 5-6、最適模型檢定結果-普通最小平方法(OLS). 表 5-7、最適模型檢定結果-自我相關條件異質變異(GARCH) 表 5-8、最適模型檢定結果-似乎無相關(SUR) 表 5-9、自我相關、異質變異檢定結果 表 5-10、普通最小平方法(OLS)─SAR/SCAR 與變數間實證結果 表 5-11、自我相關條件異質變異(GARCH)─SAR/SCAR 與變數間實證結果 表 5-12、似乎無相關(SUR)─SAR/SCAR 與變數間實證結果. vi.
(8) 第壹章 緒論. 第一節. 研究動機及目的. 證券市場是一國經濟發展過程中重要指標，為企業匯集資金的重要管道，各 國政府不遺餘力推廣健全的證券市場，使資金供需者透過證券市場，引導資金做 有效之運用、促進資本形成及改善企業財務結構…等，在台灣證券市場而言，至 今散戶及法人證券市場成交量比率約各占一半，而散戶搜集相關市場訊息及專業 知識，不如專業法人機構來的有效率，散戶投資判斷在資訊不對稱下，恐有追漲 殺跌的非理性行為發生。. Fama(1970)提出效率市場假說，認為資本市場具有效率性，亦即資本市場的 所有訊息，已完全且立即反應在市場價格，投資人不能在所蒐集的訊息中獲取超 額報酬。效率市場假說是目前評估資本市場是否健全的一項重要指標。Fama 又 將資訊的反應程度區分成三種型態：(1)、弱勢效率市場：市場價格能充分且立 即反應「過去」交易之所有情報，因此不能在過去的訊息獲取超額報酬。(2)、 半強勢效率市場：市場價格能充分且立即反應「已公開」之所有情報，因此投資 人無法透由已公開之情報獲得超額報酬，但是可以在未公開情報中得到超額報 酬。(3)、強勢效率市場：市場價格能充分且立即反應「已公開」及「未公開」 之所有情報，故投資人長期在市場上，無法獲得超額報酬。 台灣證券市場已有數十年的歷史，市場規模不斷擴大下，仍存在非理性的投 資行為，例如：散戶為追求暴利，往往盲目追隨明牌、跟單於私人投顧、聽信小 道消息…等，故台灣證券市場可能不存在效率性，因此台灣可能存在除權行情， 而相關論文：柯孟聰(1990)、李存修(1991)、王玉鳳(1996)、李忠憲(1997)、范瀛. 1.
(9) 文(1999)、蘇瓜雅(2000)、張佩瑤(2001)、曾雲蘭 胡星陽(2005)等，皆支持台灣證 券市場有除權行情存在：約除權息事件前兩三週，累積異常報酬率(SCAR)開始 緩升，直到除權日後再緩慢下降，證實有除權行情之存在，故效率市場假說在台 灣證券市場並未受到支持，效率市場假設不成立，可能來自投資人不理性的行 為、法令規定、套利限制、稅負、資金有限…等限制所造成。例如：(1)、在投 資人與內部管理人存在的訊息不對稱下，無論虛實，投資人只對於所釋放的多空 訊息，為買進或拋售持股之依據。(2)、除權息前三日為停止融資期限，使融資 客戶在除權息前因須補足資金之壓力，而拋售持股放棄除權息。(3)、發現有套 利空間，卻因成本或交易困難等其它因素，使市場無法達到效率。 證券投資人最關心的是股票報酬率，因此投資人對於所掌握之訊息似乎相當 敏感，好消息，投資人可能追逐以致將股價推得過高，反之利空消息，投資人可 能急於拋售，使股價過份下跌，當又過一段時間後，股價有反轉現象，而超乎理 論上應有的水準又產生反轉修正，此現象稱為「過度反應」(overreaction)。 Williams(1956)最早發現市場上存在「過度反應」的現象：認為市場價格行為與 投資人心理反應息息相關，一般投資人傾向在意短期盈餘能力，而忽略長期股利 發放能力，短視的投資行為將過度反應在股價上，使股價有超漲或超跌現象。蔡 甫昆(1999)研究台灣除權行情是否因投資人過度自信反應之現象，實證發現，台 灣證券市場投資人普遍存在非理性的心理，且在多頭市場，由於投資人對握有的 私有訊息具有過度自信，導致股價有超漲現象，反之，在空頭市場，投資人過度 自信而看壞除權行情，導致股價有超跌現象。 事實上，本文要研究的除權事件本身並不改變公司價值，而除息事件在除權 息參考價已反應配發之現金股利，實質上參與除權息並不會增加股東財富，但是 投資人通常將企業所提供之公開資訊，例如股利發放，視為公司所釋放對未來營 運預期的訊號，因此股利的發放仍為台灣投資人矚目的焦點。如前所述，台灣證 券市場，一直存在「除權行情」，除權行情不光存在過去的股票市場裡，已存在 2.
(10) 現今一般投資大眾的預期心理；理論上，除權息的發放並不會產生利空或利多， 故台灣證券市場產生的「除權行情」可能是非理性行為下之產物。 在相關文獻中，多針對除權事件研究而剔除除息事件，顯然不夠完善，故本 研究將納入除權及除息事件進行研究，試著驗證除權息事件是否會產生「除權行 情」及試著找出產生除權行情之可能因素。 本研究主要探討之問題為：. 1、是否存在除權行情？本研究分別採用普通最小平方法(OLS)、自我相關 條件異質變異(GARCH)、似乎無相關(SUR)估計法，探討是否有除權行 情存在。. 2、倘若台灣存在除權行情，本研究納入相關文獻認為可能產生除權行情 之因素(稅額扣抵比率、配股率、電子類股、本益比)，及另加上以下 可能造成除權行情之因素為：. (1)、外資買賣超是否會對除權行情有所影響？. (2)、除權息事件之前，停止融資政策是否會影響除權行情之表現？. (3)、近期熱門的中國概念股，是否為投資人偏好除權息之標的？. (4)、將配息個股納入考量，探討配息率之高低，是否會影響除權行情 之表現？. 3.
(11) 第二節. 研究內容與方法. 一、事件研究法： 事件研究法是近代財務與會計實證研究領域中很廣泛應用的方法，由於台灣 財經股價資料庫的建立，使事件研究法的運用，風氣逐漸興盛，至今實證研究的 方法論上，仍扮演非常重要的角色。事件研究法主要探討某一事件發生時，是否 會引起股價的異常變動，並進一步探討影響異常報酬率之因素。故本研究亦採用 事件研究法進行除權息事件之實證研究，若除權息事件為顯著，則該公司股價波 動狀況異於無除權息時的表現，而產生異常報酬率，藉以明瞭該除權息事件是否 對公司股價造成影響。 二、追蹤資料(Panel data)迴歸分析法： 過去相關文獻無論是橫斷面樣本或是著重時間序列樣本，多考量單一面向， 並未考量股價與其他樣本間之影響效果、及可能具有跨時間的影響效果，導致反 應不出真正結果。但在經濟學研究及實際應用中，我們經常需要同時分析、比較 橫斷面及時間序列觀察值結合的數據，不應該忽略其一之重要性，故本研究以追 蹤資料 Panel data 分析法，同時考慮橫斷面(不同公司)及蹤斷面(不同時間)的資 料，再依最適模型之配適、估計方法及檢定方法後，再進行分析，以確保找到真 正影響除權息異常報酬之因素。 使用追蹤資料(Panel data)模型相對一般線性迴歸模型，其優點如下：. 1、有效掌握個體變異性。追蹤資料(Panel data)模型允許樣本間存在異質性， 但是單一橫斷面及縱斷面分析方法，無法解決異質性的問題，導致估計 結果有誤差。. 2、追蹤資料(Panel data)同時考量橫斷面及縱斷面資料，可得到較具效率的 4.
(12) 估計結果，亦能增加自由度及樣本觀察值。. 3、降低變數間共線性的問題。. 第三節. 論文架構. 本研究主要以事件研究法及分析除權行情所產生的平均異常報酬率 (CAR)及平均累積異常報酬率(SCAR)之實證研究，茲將研究流程分為： 第一章. 緒論. 主要說明研究動機及目的、研究內容與方法、論文架構。 第二章. 文獻回顧. 將除權息相關文獻彙總整理，並回顧國內外重要研究假說，作為本研 究推論時依據的理論基礎。 第三章. 研究方法. 以事件研究法估計出異常報酬(AR)及累積異常報酬(CAR)，衡量股價 與特定事件間之關聯性，並利用 Panel data 模型，選擇出最適使用模型， 以探討影響除權行情之因素。 第四章. 研究設計. 說明本文之研究對象、研究期間、事件期與估計期之選定、研究變數 定義變數介紹。. 5.
(13) 第五章. 實證結果分析. 進行除權行情檢定、迴歸模型介紹、最適迴歸模型選定、並對實證結 果進行分析，並提出解釋。. 第六章. 結論與建議. 對實證結果作整體性敘述，並對日後研究者提出可行之研究方向。. 6.
(14) 第貳章 文獻回顧 公司配發股利，並不影響公司的現金流量、投資人的財富亦不會改變，但在 文獻中不難發現除權息事件仍有正面效應，在本節我們先回顧國內外有關除權息 事件之實證研究，了解除權行情發生之原因以及有哪些因素會對除權行情造成影 響。 一、「棄權賣壓假說」： 李存修(1991)對股票股利之發放樣本之除權日前後股價行為，提出投資人行為 與心理有關之假說，並加以驗證；以市場模式為基礎，發現台股在除權前兩個月 起至除權當月止，存在 7.82%的異常報酬率，且從-5 至-2 的交易日中，有顯著負 的異常報酬，故提出「棄權賣壓假說」。康素珍(2004) 研究投資人能否在考量參 與除息(權)獲利之因素以增加其財富效果。實證結果顯示：除息日前有棄息賣壓 的現象。李治國(2001)研究影響臺灣電子產業除權行情之因素，實證結果顯示： 除權前 3 日有棄權賣壓現象。 二、「比價心理假說」： 李存修(1994)進一步研究除權行情是否因投資人感覺除權後的股價，相對除 權前股價還要低而吸引買氣，提出「比價心理假說」：研究結果顯示：當配股率 愈大，除權參考價愈低，投資者覺得股價相對便宜的心理，增加除權後的買氣， 除權後產生的異常報酬與配股率呈正向關係、且異常報酬與配股率呈現三階段的 線性關係，當配股率低於 28%及高於 84%，配股率與異常報酬呈正向關係；當 配股率介於 28%-84%之間，呈反向關係。 針對配股率與異常報酬進行研究的有：Mcnicholes and Dravid(1990)在實證發 現，配股率為未來異常報酬的增函數。Woolridge(1983)以事件研究法，研究除權. 7.
(15) 交易日(t=0)開盤價與前日(t=-1)收盤價進行比較，結果顯示：61%的樣本在除權 當日開盤價高於前日收盤價，且除權前一日收盤價至當日開盤價報酬率，有顯著 大於零、且 6%以下的配股率與異常報酬率呈正向關係，故認為美國證券市場有 除權行情。 台灣文獻亦有諸多針對除權息事件之異常報酬與配股率進行研究，柯孟聰 (1990)發現：配股率 ≥ 20%之樣本，有顯著正的異常報酬，反之配股率 ≤ 20%之樣 本，有顯著負的異常報酬。李建然(1991)發現：股票股利在 30%以下之樣本，除 權當日有顯著的異常報酬，但在除權後異常報酬急降至原水準，作者解釋為：人 為炒作高配股率題材所致。李忠憲(1997)發現：高配股率者其報酬率相較於低配 股率者為低。范瀛文(1999)發現配股率越高，異常報酬越大。 三、「稅負效果假說」： Elton 與 Gruber(1970)提出「稅負效果假說」 ：認為股票股利若來自盈餘配股， 參與除權會增加投資人稅負，故將稅負納入考量，以評估參與除權之稅負效果。 實證結果顯示：認為股票除息當日的異常現象，與投資人之資本利得稅率低於一 般所得稅率所致，且高邊際稅率的投資人會在除息日前出售持股。Lasfer (1995) 實證結果支持這項假說。Avner Kalay (1984)依稅負效果假說為基礎，提出「短線 交易假說」：認為高邊際稅率的投資人，傾向除息日前賣出股票，除息日後再購 回；低高邊際稅率的投資人，傾向除息日前買進除息，除息日後再行賣出，故認 為越接近除息日越有可能有異常交易量。 1998 年台灣實施兩稅合一，目的為消除重複課稅，公司將稅後盈餘分配給 股東，應併入股東之綜合所得中課稅，而公司所繳納營所稅扣抵綜所稅之規定： 投資者可配合公司之稅額扣抵比率及適用綜所稅率之差異，參與除權息產生更多 的扣抵稅額，故兩稅合一之規定，可能提高投資大眾積極參與除權行情因素之一。. 8.
(16) 台灣有關除權息事件當日異常現象與稅負之研究：邱正仁(1992)比較未分配 盈餘轉增資和資本公積轉增資兩種會計處理及法令規定不同之樣本，驗證兩種樣 本之無償配股對證券市場反應是否有所不同，結果顯示：董事會及股東會決議日 後，盈餘轉增資者股價呈下降走勢，而資本公積轉增資者呈現上升趨勢，故作為 支持稅負效應假說之解釋。陳奕任(1999)在兩稅合一實施後，投資人參與除權息 所獲配股利的實質所得會因扣抵稅額比率而有所不同。實證結果發現：稅額扣抵 比率在全部樣本中，並沒有顯著的累積異常報酬(CAR)存在，只有在非電子產業 樣本，有正的累積異常報酬存在。林世銘、陳明進、李存修(2001)主要探討兩稅 合一實施後，股利分配是否仍有以往文獻中所稱之除權行情。實證結果顯示：兩 稅合一前，配股率在 13%以下，參與除權者才能獲得正的異常報酬，在兩稅合一 後，配股率在 21%以下，參與除權者可獲得正的異常報酬，表示實施兩稅合一， 有提高投資人參與除權的意願。曾雲蘭、胡星陽(2005)認為股利稅負可能影響投 資人參與除權之意願，故將台灣所發放的兩種股利做區分，一為資本公積獲配之 免稅股利，一為保留盈餘獲配的應稅股利，探討兩者間對除權日異常報酬之影 響；研究結果顯示：實施兩稅合一之後相較於未實施前，保留盈餘樣本在除權日 的異常報酬有明顯的下跌，表示兩稅合一之施行，有助提高投資人參與除權的意 願。 四、將股利政策視為訊號： Woolridge and Chambers(1983)提出「情報效果假說」 ：認為管理當局不會冒 著背信及聲譽受損之風險，給予投資者錯誤訊息，因此投資人相信公司所發佈之 配股率，藉由公司發佈之情報，了解公司未來現金流量的改變。依據「情報效果 假說」，有相關文獻將股利之發放區分為好、壞消息，目的為了避免好、壞消息 對股價之相互抵消，才能觀察出不同情況下之股利政策，投資人對股價之反應。 Ball and Brown(1968)為了瞭解會計盈餘的公布是否會影響股價，將樣本區分為好 消息樣本及壞消息樣本，好消息係指實際宣告盈餘較宣告前市場預期好，反之為 9.
(17) 壞消息，實證結果發現：盈餘宣告日好消息樣本股價會上漲、壞消息樣本股價會 下降。Barker, Das and Dater (1993)認為過去文獻多以發放股票股利視為公司前景 之觀察依據，但忽略市場上的異常報酬為負值的樣本群，故將樣本依照股利發放 之變動，區分為好消息樣本(今年發放股票股利較去年多)及壞消息樣本(今年發放 股票股利較去年少)，實證顯示：好消息樣本在股利宣告日的異常報酬大多為正 值，壞消息樣本的異常報酬大多為負值。 鄭丁旺(1988)提出「填權預期假說」：認為投資人將配股率視為公司成長之 象徵，對除權後的填權有濃厚預期，且高邊際稅率的投資人，偏好除權後買進股 票、低邊際稅率的投資人，偏好除權前買進股票，造成除權日前後之異常報酬現 象。 五、依市場景氣所帶來的影響： 在相關文獻中研究也有將樣本區分為多空頭市場：謝庭金(1988)以「比價心 理假說」為出發點，針對上市公司配股率大或等於 20％之樣本，在除權日前 39 日至除權日後 40 日之間股價異常報酬之變化，以驗證台灣證券市場之效率性。 實證結果發現：在多頭市場與空頭市場，平均異常報酬並無顯著差異。王雪花 (1994)主要探討股票股利對股價之影響及可能造成之因素，藉以驗證「多、空頭 市場效果」 ，實證結果發現：(1)、多頭市場具有顯著正的異常報酬，而空頭市場 則無此現象，顯示台灣證券市場存在「多、空頭市場效果」。王玉鳳(1994)主要 以稅負效果假說及比較心理假說，來解釋台灣的除權行情，進一步探討多空頭市 場之除權行情表現，實證結果發現：(1)、多頭市場除權前三天即有棄權賣壓的 現象；空頭市場時，棄權賣壓約在兩~三週前就出現。(2)、多頭市場之除權行情 表現會優於空頭市場之表現。范瀛文(1999)探討 1996 年 2 月開放外資投資台股 後，台灣上市公司於除權日之異常報酬是否顯著。實證結果發現：在除權前 30 至除權後 30 日中，空頭市場樣本才會產生負的異常報酬。 10.
(18) 相關文獻研究有關市場景氣議題，主要將大盤加權指數依波段高低點，做為 劃分多空頭之指標，再加入虛擬變數以區分多空頭，此法顯得粗略並存在太多主 觀看法，故本文不探討多空頭效果之議題。 六、依除權先後劃分： 蘇瓜雅(2000)、張珮瑤(2001)將除權息事件樣本區分時間先後，區分先除權 者(最早除權之 25%樣本)、除權潮者、後除權者(最晚除權之 25%樣本)，以驗證 不同時段是否存在除權行情，並比較其除權行情有何不同。實證結果顯示：(1)、 無論任何時段皆存在除權行情。(2)、蘇瓜雅(2000)認為電子股樣本越早除權，除 權行情表現越好。(3)、張珮瑤(2001) 以整體上市公司為樣本，發現越晚除權的 樣本，其除權行情表現越好。 依時間劃分除權先後，因樣本劃分時點不同，將影響實證結果，且實證研究 上此一劃分法並不普遍，故本文不依除權先後做劃分。 相關文獻中研究多為討論：區分多空頭市場、區分產業別、稅負、配股率等 議題，我們發現在台灣證券市場確實存在除權行情，本研究將相關論文中提及到 的變數：配股率、本益比、電子類股、稅額扣抵比率列入本研究範圍，並加入融 資使用率、外資買賣超比率、中概股、配息率是否為影響除權息之因素。. 11.
(19) 第參章 研究方法 Ball & Brown (1968)創造「事件研究法」 ，此種方法是近代商學實證研究中， 最為廣泛被應用的研究設計之一，截至目前為止，在台灣股價資料庫之建立及研 究風氣興盛，事件研究法已成為商學研究領域中常用的研究方法。 「事件研究法」 係在探討當某一資訊或事件發生時，是否會引起股價的異常變動。. 第一節. 事件研究法. 事件研究主要的目的：探討當一個事件發生時，該事件是否對公司股價造成 影響，即產生異常報酬率(Abnormal Returns)。藉以明瞭股票價格與特定事件間關 聯性分析；若事件為顯著者，使該公司股價波動狀況異於無事件時之表現，則會 產生異常報酬率。 一、估計期之設定： 首先假設未受到事件干擾的一段期間為估計期間，將估算出估計期間證券之 預期報酬率，再以事件期之實際報酬率減除預期報酬率，即所謂的異常報酬率。 若異常報酬率為正，我們可推斷該事件對股價有正相關，反之，可以推斷事件對 股價有負相關。 二、事件基準日： 本研究以除權息當日為基準日(t=0)，基權日前一交易日以 t=-1 表示，基權 日後一交易日以 t=1 表示，依此類推。 三、事件期：. 12.
(20) 首先確定研究的事件，設定事件期為可能會受到研究事件之影響期間。事件 期長度之設定，並無客觀標準，若事件期較著重某一事件發生對股價的影響，通 常事件期僅設定在事件日當天及前後一兩天；若設定事件期越長，越能掌握事件 對股價之影響，但也越容易受到其他因素干擾。本研究主要探討除權息發生對股 價之影響，因此事件期為除權息事件發生之期間。 除權基準日. T1. T2. T3. 估計期. 0. T4. 事件期 圖 3-1、事件研究法之期間圖. 四、股票報酬率預期模式─市場模式(Market model)： 市場模式係以估計期的資料，本研究分別以普通最小平方法(OLS)、自我相 關條件異質變異法(ARCH)、似乎無相關迴歸模型(SURE)建立個別證券之迴歸模 式，再以個別證券之系統風險，即 β 係數，作為個別證券報酬率的預測因子。市 場模式是目前文獻中，最為廣泛使用的模式。本研究亦採用此法。 (一)、市場模式採用 OLS 建立以下迴歸模式：. Rit =αi +βi Rmt +εit,. ε it ~. iid. N (0,σ 2 ). t1,….t2：估計期. (3-1). Rit ：證券 i 在第 t 日之報酬率 Rmt = ln M t − ln M t −1 ：大盤加權指數 M 在第 t 期報酬率. α i , β i ：迴歸係數， α i 為截距項， β i 為個別公司報酬率相對於大盤報酬 變動之敏感度。 13.
(21) ε i ：第 i 家證券第 t 日之誤差項 經過 OLS 即可以得到估計值 αˆ i 與 βˆi ，事件期 E 期的預期報酬率為：. E( Rˆ iE ) = αˆ i + βˆi RmE. t1,….t2：估計期. (3-2). (二)、市場模式考慮自我相關條件異質變異估計(GARCH)： Engle(1982)認為：許多資產之預期報酬與變異數可能會隨著時間變動而 變動，而具有「條件異質變異數」(heteroscedasticity)之特性，但在古典線性 迴歸下，假設各期的誤差項相互獨立，而實際上證券市場價格易受到前期資 訊所影響，其價格波動與前期訊息相關、常有群聚現象，即大波動會跟著大 波動，小波動會跟著小波動，為了顯示所估計的預期報酬，可能受到前期資 訊所影響，故本研究亦採用 GARCH 來估計市場模型的參數，其 GARCH 市 場模型如下： Ri = α i + β i Rmt + ε it. ，. t1,….t2：估計期. (3-3). ε it I t −1 ~ N (0, ht ). (3-4). ht = α 0 + α1 * ε t2− a + α s * ht −1....... (3-5). 其中：. I t −1 ：訊息集合. ε it I t −1 ~ N (0, ht ) ：誤差項會受到過去資訊所影響，其誤差的條件分配 是平均數為 0、條件變異數 ht 與前一期誤差項之平方 有關 14.
(22) 經過 GARCH 估計法可得到估計值 αˆ i 與 βˆi ，事件期 E 期的預期報酬率 為：. E( Rˆ iE ) = αˆ i + βˆi RmE. (3-6). 沈中華 李建然提及到，若未考慮 GARCH 現象，可能會產生下列問題：. (1)、估計期中，市場模式的 β 值可能被高估。 (2)、事件期中 β 的變異數會隨時間改變。 (3)、事件期中，股價連續上漲，可能是來自 ARCH 的聚集，並非事 件對股價的正效果。. (三)、市場模式考慮似乎無相關估計法(SUR)： 本研究的除權息事件通常聚集在特定的時間內發生，因此個股的異常報 酬可能存在橫向的相關性，而似乎無相關估計法(SUR)為一個包含數條線性 方程式的統計模型，藉由聯合估計方法，估計模型中的所有參數，並考慮不 同方程式的誤差項間的相關性，故使用似乎無相關估計法較符合除權息事件 之研究，似乎無相關估計法將整個模型中各個迴歸式，可能出現的相關係皆 列入考慮，可得到更有效率的估計值。其 SUR 市場模型如下：. Yi = X i β i + u i. i=1…m. (3-7). 其中：模型中有 m 條迴歸方程式 將(3-7)式寫成矩陣型式：. 15.
(23) ⎡ Y1 ⎤ ⎡ X 1 ⎢Y ⎥ ⎢ 0 ⎢ 2⎥=⎢ ⎢ Μ⎥ ⎢ ⎢ ⎥ ⎢ ⎣YM ⎦ ⎣ 0. 0 Λ X2 Λ Μ 0 0. 0 ⎤ ⎡ β1 ⎤ ⎡ u1 ⎤ 0 ⎥⎥ ⎢⎢ β 2 ⎥⎥ ⎢⎢ u2 ⎥⎥ + ⎥ ⎢ Μ⎥ ⎢ Μ⎥ ⎥⎢ ⎥ ⎢ ⎥ X M ⎦ ⎣ β M ⎦ ⎣uM ⎦ E (ui ) = 0. 假設誤差向量(u)之期望值：. (3-8). (3-9). 假設誤差向量(u)之共變數矩陣：. Λ σ 1M I ⎤ ⎡σ 11 σ 12 Λ σ 1M ⎤ ⎡ σ 11I σ 12 I ⎢σ I σ I Λ σ 2 M I ⎥⎥ ⎢⎢σ 21 σ 22 Λ σ 2 M ⎥⎥ 21 22 ⎢ = ⊗ I = ∑⊗ I Var (u ) = ⎥ ⎢ ⎥ ⎢ Μ Μ ⎥ ⎢ ⎥ ⎢ ⎣σ M 1I σ M 2 I σ M 3 I σ MM I ⎦ ⎣σ M 1 σ M 2 Λ σ MM ⎦. (3-10) SUR 模型以一般化最小平方法估計 β 值，將誤差項之間的相關性考量進去， 有別於 OLS 估計方法，相較於 OLS 估計法，能取得較為精確的估計值，因此更 具效率性。 ∧. β GLS = ( X ′∑ −1 X ) −1 X ′∑ −1Y. (3-11). 經過 SUR 估計法可得到估計值 αˆ i 與 βˆi ，事件期 E 期的預期報酬率為：. E( Rˆ iE ) = αˆ i + βˆi RmE. t1,….t2：估計期. (3-12). 五、雙因子變異數分析(analysis of variance , ANOVA)：. 本研究採用雙因子變異數分析(ANOVA)─無重複試驗法：針對兩組以上的 樣本，在不同的因子影響下，藉由不重複實驗所取得實驗數據，進行變異數分析，. 16.
(24) 檢定樣本平均數是否相等，用來了解不同因子對結果的影響。. 採用雙因子變異數分析(ANOVA)，來檢驗市場模式下，我們所採用的普通 最小平方法(OLS)、自我相關條件異質變異(GARCH)、似乎無相關(SUR)所建立 個別證券的迴歸模式，此三種方法估計出 β 係數是否有顯著上的不同；目的在檢 驗不同的市場模式方法下，對個別證券之異常報酬率是否有顯著不同。. H0： β OLS = β GARCH = β SUR. H1：not H0 六、異常報酬率之計算：. (一)、異常報酬率(AR)：事件期的實際報酬率減去預期報酬率，亦即： ARiE = RiE − E ( Rˆ iE ). (3-13). ARiE 為 i 公司在事件期 E 之異常報酬率. RiE 為實際報酬率、 E ( Rˆ iE ) 為預期報酬率. (二)、平均異常報酬率(SAR)：為了避免個股之個別因素而干擾股價之變動， 將所有樣本中的異常報酬予以平均，以降低干擾對股價報酬之影響。. SARt =. ARiE N. (3-14). N：樣本數 (三)、累積異常報酬率(CAR)：依其目的或是某種因素，累積事件期之異常. 17.
(25) 報酬率。 n. CARiE = ∑ ARi ,t. (3-15). t =1. CARi ：第 i 種股票 1~n 個交易日之累積異常報酬率. (四)、平均累積異常報酬率(SCAR)：為了避免個股之個別因素而干擾股價 之變動，將所有樣本中的累積異常報酬予以平均，以降低干擾對股價報 酬之影響。. SCARt =. CARiE N. (3-16). 七、統計檢定方法： (一)、殘差自我相關(autocorrelation)檢定： 係指殘差項與其它任何時點之殘差項均不相關，檢定方法一般採用 Q-test，檢定殘差是否存在自我相關，假設檢定如下： H0：殘差從 1 到 p 階沒有自我相關 H1：殘差從 1 到 p 階沒有自我相關 T. 檢定統計量. ρ (i ) =. ∧. ∑ε. ∧. t. ε t −i. t = i +1 n ∧. ∑ε. (3-17) 2. t. t =1. (二)、異質變異檢定： 主要檢定迴歸殘差項是否有變異數不齊一的問題，若殘差項具有異質變 異，將影響估出來的係數不具有效性。假設檢定如下： 18.
(26) H0：殘差項的變異數為相等 H1：殘差項的變異數不相等. 檢定統計量. 其中. 2 LM = N * Raus ~ X 2 ( p). (3-18). N：樣本數 p：自由度. 檢定步驟： ∧. 1、以 OLS 迴歸求得殘差項 ε t ∧. 2、將 ε 2t 對殘差項與 q 個落後項做輔助迴歸：. ε t2 = α 0 + α 1ε t2−1 + ... + α q ε t2− q 2 3、以上式迴歸式求得判定係數 Raux. 2 ，即得 LM 統計量 4、將樣本數* Raux. 當虛無假設為真，LM 統計量會趨近於卡方分配 X p2 ，當拒絕虛無假設 時，表示有 ARCH 效果，應使用 GARCH 模型來配置變異數。. (三)、異常報酬率之統計檢定： 異常報酬率檢定目的，每一事件期之異常報酬率(AR)及累積異常報酬率. (CAR)是否顯著異於零。本研究利用普通橫斷面法(Ordinary Cross-Swctional Method)，進行 t 統計量檢定，此法假設個別證券之間的異常報酬在橫向仍 為獨立不相關，認為估計期個股異常報酬的變異數與事件期異常報酬的變異 數不一定相同、且事件有可能會引起個股異常報酬之改變；此法主要目的在. 19.
(27) 克服事件期個股報酬率之變異數，會因事件影響有所改變，故忽略估計期的 殘差資訊，以事件期個股的異常報酬之橫斷面變異數，作為事件期的異常報 酬率的變異數。 異常報酬率之檢定統計量 t=. ARE = Var ( ARE ). ARE N N 1 ARiE 2 AR ( − ) ∑ ∑ iE N ( N − 1) i =1 N i =1. (3-19). 累積異常報酬率之檢定統計量：. t=. CARτ1 ,τ 2 Var(CARτ1 ,τ 2 ). =. CARτ1 ,τ 2. (3-20). N N CAR 1 i,τ 1 ,τ 2 2 (CARi,τ1 ,τ 2 − ∑ ) ∑ N(N − 1) i =1 N j =1. 其中 ARE ：為事件期某一期 E 之異常報酬率. CARE ：事件期某一期 E 之累積異常報酬率. N：為樣本數 在顯著水準下，若 t 值大於或小於臨界值，則拒絕 H0，表示除權息交 易日前後，有異常報酬發生。. 第二節. 追蹤資料(Panel data)模型. 有關異常報酬分析的文獻相當多，多以直接對混合資料(Pooled data)採用最 小平方法估計，但容易產生偏誤的估計量；而 Panel data 模型將橫斷面及時間序 20.
(28) 列資料可能反應之特性，引入計量模型中，可得到較具效率性之估計結果、解決 估計偏誤的問題。本研究採用 Panel data 中的傳統迴歸、固定效果及隨機效果以 估計建構的模型，並從中選出最適者，做為本研究最終結果之分析依據。 一、傳統迴歸模型(Classical regression model)： k. Yit = α i + ∑ β k X kit + ε it. (3-21). k =1. Yit ：第 i 證券在 t 時點的應變數值 X ikt ：第 i 證券於第 t 期第 k 個解釋變數值。. β k ：第 k 個解釋變數的迴歸係數，假設同一期間內為固定常數。 ε it ：第 i 家公司第 t 日之誤差項 i=1,2…,N ，表示個別證券樣本 t=1,2…,T ，表示某一時間單位 k=1,2…,K ，表示有 K 個解釋變數. 由於傳統迴歸估計方法不容許個體具有變異性，若樣本存在個體的變異， 使用傳統迴歸模型忽略橫斷面資料間之差異，產生估計上的無效率，故採用 Panel. data model 中的固定效果模型(Fixed effect model)與隨機效果模型(Random effect model)，以解決橫斷面資料個體變異的問題。 二、固定效果模型(Fixed effect model)： 傳統迴歸模型假設參數 α i 為固定常數，表示所有樣本的截距項均相同，但實 際上樣本間可能存在差異性，而固定效果模型考量樣本間的變異性，允許各樣本 21.
(29) 擁有獨特的截距項。作法上採用虛擬變數(Dummy variable)的方式，使個別樣本 有不同的截距項，故又稱為虛擬變數模型(Least square dummy variable model)。 N. K. n =1. k =1. Yit = ∑ α i Dnt + ∑ X ikt β k + ε it. (3-22). ⎧n = 1, Dit = 1 D=⎨ ⎩n ≠ 1, Dit = 0. 其中 α i ：隨著個別證券不同而變化，但不隨時間而改變。 i=1,2…,N. Dnt ：為虛擬變數，表示樣本間差異結構，為固定截距項. β k ：第 k 個解釋變數的迴歸係數，假設同一期間內為固定常數 X ikt ：第 i 個樣本於第 t 期第 k 個解釋變數值. ε it ：第 i 家證券第 t 日之誤差項 三、隨機效果模型(Random effect model)： 是當個別樣本存在差異時，使用固定效果模型雖較具有效率，但並未考量不 同時間所產生的差異性，因此隨機效果模型將個別樣本的異質性設定為隨機，將 樣本間的變異及時間變動所產生的變異效果，表現在殘差項中，因此又稱為誤差 成分模型(Error component model)。 假設 α i 為隨機係數，可寫成 α i = ui + γ i K. 模型可寫成： Yit = α i + ∑ X ikt β k + ui + ε it k =1. K. = (ui + γ i ) + ∑ X ikt β k + ε it k =1. 22. (3-23).
(30) K. = ui + ∑ X ikt β k + (ε it +γ i ) k =1. K. = ui + ∑ X ikt β k + vit. (3-24). k =1. 其中 α i ：截距項，會隨時間改變而變動。 i=1,2…,N. ui ：隨機所產生的截距項. γ i ：個別樣本之隨機誤差項 X ikt ：第 i 個樣本於第 t 期第 k 個解釋變數值。. β k ：迴歸係數。 k=1,2,…,K ε it ：第 i 家證券第 t 日之誤差項 vit ： vit = ε it + γ it ， E (vit ) = 0. 第三節. 追蹤資料(Panel data)最適模型選擇. 以追蹤資料(Panel data)進行資料分析時，可依據議題及資料符合的假設，可 以採傳統迴歸模型(pooled regression model)、固定效果模型(Fixed effect model)與 隨機效果模型(Random effect model)來估計分析，然而三種模型中，何者為最適 模型選擇，需經過 F 檢定、LM 檢定、Husman 檢定來做判斷。 一、傳統迴歸模型與固定效果模型之選擇─F 檢定： 主要依據 F 檢定測試迴歸式中 α i 是否完全相等，若證券樣本間的 α i 值為相 等，則不需設立固定效果模型。. H0： α1 = α 2 = ... = α i H1： α i ， i=1,…S，至少有一個不相等 23.
(31) F 檢定公式： F(n-1,nT-n-k)=. 2 ( R 2fix − ROLS ) /( n − 1). (1 − R 2fix ) /(nT − n − k ). ~ FN −1, N (T −1) − K. (3-25). 其中 R 2fix ：為固定效果的 R 2. 2 Rols ：為傳統迴歸模型的 R 2. n：為樣本個數 T：為時間數列個數 k：為變數個數 檢定結果若接受 H0，表示各樣本截距項皆相等，建議採用傳統迴歸模型。 反之，建議採用固定效果模型估計為佳。 二、傳統迴歸模型與隨機效果模型之選擇─LM 檢定：. LM 檢定經由 Breusch and Pagan(1980)針對不對稱 Panel data 模型進行修正， 檢定模型：. ⎡ N ⎛ T ⎞ ⎤ ⎢ ∑ ⎜ ∑ eit ⎟ ⎥ NT ⎢ i ⎝ t ⎠ − 1⎥ LM = ⎥ 2(T − 1) ⎢ N T 2 ⎢ ∑∑ e it ⎥ ⎣ i t ⎦. 2. ，自由度為 1 的卡方分配。. 其中 eit ：為傳統迴歸的誤差項. H0： σ u2 = 0 ，表示傳統迴歸模型較適切. H1： σ u2 ≠ 0 ，表示随機效果模型較適切 24. (3-26).
(32) 當 LM 統計檢定量大於卡方分配檢定值，則拒絕虛無假設，選擇随機效 果模型較適切。反之，選擇傳統迴歸模型較適切。 三、固定效果模型與隨機效果模型之選擇─Hausman 檢定：. Hausman(1978)發現固定效果模型與隨機效果模型之估計，會產生不同結 果，而基於截距項 α i 與解釋變數 X ikt 間可能產生相關性，因此有檢定固定效果模 型與隨機效果模型適切性的必要。當截距項與解釋變數間具有相關性，會產生偏 誤，應採用固定效果模型。反之，截距項與解釋變數間不具有相關性，應採用隨 機效果模型為佳。 檢定模型： −1. ∧ ∧ ∧ ⎡ ⎤ ∧ W = (b fix − B random ) ⎢Var (b fix ) − Var ( B random )⎥ (b fix − B random ) ~ X 2 ( K −1) ⎣ ⎦ ∧. ∧. H0： E (α i , X ikt ) = 0. (3-27). ，表示 α i 與 X ikt 不具相關性。. H1： E (α i , X ikt ) ≠ 0 ，表示 α i 與 X ikt 具相關性。 ∧. 其中 B random ：為隨機效果的估計量 ∧. b fix ：為固定效果的估計量 ∧. Var ( B random )：為隨機效果的共變數矩陣 ∧. Var( b fix )：為固定效果的共變數矩陣 若 W 檢定值 ≤ X K2 ，則接受 H0，採用固定效果模型為佳。反之，若 W 檢定 值 ≥ X K2 採用隨機效果模型為佳。. 25.
(33) 第肆章 研究設計. 第一節. 資料來源. 一、研究對象： 臺灣證券交易所 2008 年 3 月公佈：企業市值為前 50 大成分股，市值占大盤 市值比重高達 67.44%，與大盤漲跌有極深之關連，故本研究以此為出發點，以 臺灣 50 成份股作為研究樣本，挑選目的在於：臺灣集中交易市場上較具有代表 性之 50 支股票，即可表彰臺灣股票市場之整體績效。 本研究以 2007 年 12 月證券交易所公佈之臺灣 50 成份股配發除權息之個股 為研究對象，其中不包括下列樣本：. 1、剔除上市櫃未滿 3 年的 3 檔個股，包括華亞科、群創、南電。 2、避免在事件期、估計期中有現金增資或減資的特定事件影響股價，故予 以剔除。. 3、若當年度除權、息非同一天之公司，近十年來台股皆以先除息再除權， 故我們將當年度台灣個股除權息非當天之樣本，刪去除權事件，以避免 估計期存在除息事件之干擾。 二、研究期間及資料取得： 本研究以 2007 年 12 月證券交易所公佈之臺灣 50 成份股為研究對象，從 1999 年至 2007 年底為研究期間，共 9 年期。相關文獻中：李治國(2001)、蘇瓜雅(2000)、. 26.
(34) 張佩瑤(2001)以 5 年期的上市電子類股為樣本、王玉鳳(1996)以 8 年期的上市公 司為樣本。本研究以兩稅合一實施開始，納入稅額扣抵比率進行研究，研究期間 為 9 年並不算短。所需除權息事件之日報酬資料，取自台灣證券交易所、台灣經 濟新報(TEJ)所提供。 三、研究期之選定：. (一)、估計期： 相關文獻多將估計期設定為 100 天，且依市場慣例，股利之宣告到除 權息交易日，往往在一個多月內即實現，通常在股利之宣告日起，股價可 能因宣告股利而有變化，為了避免估計期因宣告股利發放之影響，我們將 估計期設定為 t=-149~-50 日，共 100 個交易日為估計期。. (二)、事件期： 以除權日前 11 日(t=-11)至除權日後 3 日(t=3)止為事件研究期間。 除權基準日. t=-149. -50. -11. 估計期 100 天. 0. 3. 事件期 15 天. 圖 4-1、事件研究法之期間圖. 第二節. 研究變數定義. 本研究將利用迴歸模型探討異常報酬可能因素，在迴歸模型中的應變數、自 27.
(35) 變數與虛擬變數作詳細定義，說明如下： 一、應變數：. (一)、平均異常報酬率(SAR)： 實際事件期報酬率減去估計期之預期報酬率，再將所有樣本中的異常報 酬予以平均，以降低個股干擾對股價報酬之影響。. (二)、平均累積異常報酬率(SCAR)： 將事件期間的平均異常報酬率逐日累加，即為平均累積異常報酬率。 二、自變數： 本研究將可能產生除權行情之因素進行探討，其自變數的設計有本益比、融 資使用率、外資持股比率、配股率、配息率、權值、稅額扣抵比率、依產業別中 的電子股及中概股加入虛擬變數，詳細說明如下：. (一)、本益比(價格盈餘比率)：. 本益比 =. 每股市價 每股盈餘. 本益比表示投資人對每一元盈餘所付出之價格；當本益比愈大時，投 資報酬率可能愈低。本益比為投資人常用指標，投資人可能考量本益比為 參與除權息之考量；近年來，股價表現常有高於每股盈餘數倍的現象，即 所謂的本夢比，此現象可能為投資人預期未來盈餘的增加，若此預期成立， 本益比越高，除權息事件可能產生大量買盤，產生異常報酬率，故本研究 列入自變數中探討。李治國(2001)影響台灣電子股除權行情研究中，將本益 比區分為：0 倍以下、0-30 倍、30-60 倍、60 倍以上四組區間，發現電子股 28.
(36) 在除權期之異常報酬並不因本益比有所不同，進一步討論各區間之差異發 現：當本益比落在 0-30 倍區間，異常報酬與本益比呈正向關係，當本益比 超過 30 倍，對異常報酬並無顯著影響，故本益比過高可能讓投資人認為股 價過高，故不會對填權抱過高期望。 (二)、融資使用率：. 融資使用率 =. 融資餘額 融資餘額 = 融資限額 流通在外股數 * 25%. 市場機制常會影響到股價表現，證券交易法規定：除權息交易日前六個 營業日起，券商按每天收盤價格設算參與除權息，估算投資人之整戶維持 率，以防止除權息事件發生時，整戶維持率的驟降至 120%以下；若估算客 戶之整戶維持率低於 120%，即通知投資人補繳差額，或是賣出融資持股， 且於除權息前三日(t=-3)，實施停止融資的信用限制，投資人採用融資買進 的股票，最晚除權息三日前必須補足資金至估算的除權參考價位之維持率， 方能參與除權息，若放棄除權者，最晚於除權息前三日將融資買進的股票賣 出，謂之「假除權」 。 ，認為除權前-5 至-2 日，有顯著 依李存修(1990)提出「棄權賣壓假說」 的負異常報酬，故研究將融資使用率列為可能影響除權息股價之變數之一。 (三)、外資買賣超比率：. 外資買賣超比率 =. 外資買賣超張數 * 股價 股票市值. 近年來開放外資投資臺灣證券市場，外資角色越來越重要，每日外資 進出比率占成交量近五成，影響台股的力量不容小覷，本研究將外資動向 列入考量，是否在除權息事件時，有異常買賣變化？若有除權行情存在，. 29.
(37) 是否可能在除權前外資因稅負考量放棄除權？是否在除權後進行回補動作 為本研究想探討之議題。外資買賣超比率至今並無相關文獻探討與除權息 事件對異常報酬之影響。 (四)、配股率 VS 配息率：. 配股率 =. 盈餘增資 + 公積增資 *100 可參與配股股本. 配息率 =. 現金股利 面額. 李存修(1994)提出「比價心理假說」 ，認為除權息後的股價相對較低， 投資人誤以為相對股價便宜，因此吸引投資人在除權息日後的買單。依「預 期填權假說」認為投資人依據公司所發佈之分配股利資訊，視為公司成長之 象徵，對除權息後之填權有濃厚預期，使除權息日後買盤增加，產生較大的 正異常報酬。相關文獻只探討配股率，本研究將除權及除息事件皆納入研究 範圍，故對除權息樣本以配股率及配息率做區分，分别探討對除權息事件影 響力。至今並無相關文獻將除權息樣本以配股率與配息率做區分。 (五)、稅額扣抵比率：. 稅額扣抵比率 =. 分配日股東可扣抵稅額帳戶餘額 分配日累積未分被盈餘帳戶餘額. 所得稅法第 66 條之 6 規定：營利事業分配屬 87 年度或以後年度之盈 餘時，在盈餘分配日，應以其股東可扣抵稅額帳戶餘額占其帳載累積未分 配盈餘帳戶餘額之比率，作為稅額扣抵比率。股東獲配之股利淨額或盈餘 淨額乘以稅額扣抵比率，計算股東之可扣抵稅額。 實施兩稅合一後，營利事業實際繳納之營利事業所得稅，可併同盈餘. 30.
(38) 分配予個人股東扣抵綜合所得稅；因此投資人參與稅額扣抵比率高於綜所 稅率之個股進行除權，反而有退稅效果。依 Elton 與 Gruber(1970)「稅負效 應假說」 ，認為除權息當日之異常現象，與投資人之所得邊際稅率有關；本 研究認為稅額扣抵比率高低，可能為投資人參與除權息的選擇之一，故列 為影響除權息表現之因素。陳奕任(1999)實證結果發現：1999 年當年度之 稅額扣抵比率在上市櫃公司樣本中，並沒有顯著的累積異常報酬存在，只 有在非電子產業樣本，有正的累積異常報酬存在。 (六)、依產業別中的電子股及中概股加入虛擬變數：. 電子股為近年來台灣證券市場主流較為投資人傾向，電子類股指數占 大盤加權指數 20%以上，且成交值於興盛時期占台股總成交值高達 80%以 上，故本研究也將探討台灣 50 成份股中的電子股除權息表現。電子類股之 劃分，依照台灣證券交易所依股票代號劃分類股而定。 隨著對岸經濟起飛，大陸內需市場龐大，勞工、原物料成本較低之誘 因下，台灣廠商不斷赴大陸投資，進行卡位佈局，目前大陸廠已逐漸成為 企業生產基地及獲利重心。近年來投資人也開始留意在大陸投資之個股， 故本研究也將探討台灣 50 成份股中的中概股之除權息表現。中概股之劃 分，係自台灣經濟新報一覽表篩選1而定。. 1. 台灣經濟新報(TEJ)中概股選樣結果，其排名計算方法：依照變數一：公司在大陸投資帳面價 值、變數二、大陸投資帳面價值占母公司淨值比、變數三：大陸投資公司損益、變數四：大陸投 資公司損益對母公司同期稅後損益絕對值之比。總分數=30%*變數一+30%*變數二+20%*變數三 +20%*變數四。台灣經濟新報資料庫列舉前 30 名個股為中概股。中概股於貨幣觀測與信用評等 每季更換資訊。 31.
(39) 第伍章. 第一節. 實證結果分析. 市場模式下之變異數分析. 本研究採用雙因子變異數分析(ANOVA)，第一因子：各事件樣本、第二因 子：不同的估計異常報酬方法：普通最小平方法(OLS)、自我相關條件異質變異 (GARCH)、似乎無相關(SUR)，所建立個別證券的迴歸模式，估計出 β 係數。在. 雙因子變異數分析下，實證結果三種估計法若有顯著不同，可得知三種方法下之 異常報酬率存在差異性。. 由表 5-1 可知：3 種方法所估計之 β 係數在 5%顯著水準下，有顯著差異， 故依估計方法的不同，異常報酬亦存在差異性。本研究將針對不同方法下之異常 報酬，分別進行分析。. 表 5-1、三種方法估計之 β 係數─變異數分析(ANOVA)表 SS. 自由度. MS. F. 樣本別. 99.18535. 306 0.324135 72.70456. 誤差. 2.728449. 612 0.004458. 總和. 101.9541. 920. 32. P-值. 臨界值. 0.000 1.174102.
(40) 第二節. 台灣 50 成份股除權行情檢定. 為了瞭解台灣 50 成份股是否存在除權行情，若存在除權行情，則表示有異 常報酬產生，本研究以事件研究法及市場模式，分別採普通最小平方法(OLS)、 自我相關條件異質變異(GARCH)、似乎無相關(SUR)三種方法，預估預期報酬 後，再將事件期的實際報酬減預期報酬，求出平均異常報酬率及平均累積異常報 酬率，並對異常報酬率作 T 檢定，檢測是否有顯著異於零，實證結果如下： 一、普通最小平方法(OLS)之異常報酬： 由表 5-2 平均異常報酬率(SAR)得知：除權息前 11 日(t=-11)有顯著的正異常 報酬，表示除權行情在 11 天前即開始發酵。當除權息前 6 日(t=-6)有顯著的正異 常報酬之後，開始有下降的趨勢，且在除權息前 3 日有顯著的負異常報酬，可推 論部份投資人在除權息前放棄參與除權息，符合李存修(1990)「棄權賣壓假說」 的論點。除權息前 1 日至除權息後 3 日(t=-1~3)，有顯著的正異常報酬，其中以 除權息當日正異常報酬率 1.0978%最大，可推論因為相較除權息前股價為低，部 份投資人在除權息當日的買單回籠，因此吸引買氣，符合李存修(1994)「比較心 理假說」的論點。 由表 5-2 平均累積異常報酬率(SCAR)得知：在 t=-11 日開始，皆有顯著的正 累積異常報酬，若從除權息前十一日(t=-11)買進並參與除權息，持有到除權息後 三日(t=3)再賣出，累積異常報酬高達 2.7981%。 由圖 5-1 平均異常報酬率(SAR)得知：在事件日 t=-3 及 t=0 有較大的異常報 酬率，且 t=-3 及 t=0 日皆在 1%之顯著水準下，故本研究針對較大的正負異常現 象進行迴歸分析(t=-3 及 t=0)，驗證可能產生異常報酬率之原因。 由圖 5-2 平均累積異常報酬率(SCAR)得知：在事件期開始(t=-11)，平均累積. 33.
(41) 異常報酬率開始緩升，直到除權息前三日(t=-3)棄權賣壓使平均累積異常報酬率 降低後，仍逐步緩升，在除權息當日平均累積異常報酬率有驟升現象。若投資人 在棄權賣壓最大(t=-3)當日以收盤價買進，參與除權息當日以收盤價賣出，可產 生 1.4391%之異常報酬，若持有到除權後 3 日才賣出，可以產生 2.3978%之異常 報酬。 表 5-2、普通最小平方法(OLS)─異常報酬 SAR(%). T=-11. 0.2883**. t(SAR). SCAR(%). t(SCAR). 2.4659. 0.2883**. 2.4659. 0.3076*. 1.7121. T=-10. 0.0193. 0.1629. T=-9. 0.0072. 0.0666. T=-8. 0.1222. 1.129. 0.437*. 1.6879. T=-7. 0.1326. 1.2177. 0.5695**. 2.023. 3.6587. 0.986***. 3.2671. T=-6. 0.4164***. 0.3148. 1.3888. T=-5. -0.0002. -0.0022. 0.9857***. 3.0329. T=-4. 0.0348. 0.319. 1.0205***. 2.9038. T=-3. -0.3319***. -2.6654. 0.6886*. 1.7973. T=-2. 0.0444. 0.3712. 0.733*. 1.8038. T=-1. 0.2969**. 2.5288. 1.0298**. 2.4666. T=0. 1.0978***. 8.9536. 2.1276***. 5.1747. T=1. 0.3933***. 3.0779. 2.521***. 6.3382. T=2. 0.3631***. 3.1155. 2.8841***. 7.1667. T=3. 0.2023*. 1.7312. 3.0864***. 7.3663. 資料來源：本研究整理。 *：在 10%顯著水準下，AR 及 CAR 顯著不等於零。 **：在 5%顯著水準下，AR 及 CAR 顯著不等於零。 ***：在 1%顯著水準下，AR 及 CAR 顯著不等於零。. 34.
(42) 1.2. 0.8. 0.4. 0 -11. -10. -9. -8. -7. -6. -5. -4. -3. -2. -1. 0. 1. 2. 3. -0.4. 圖 5-1、普通最小平方法(OLS)─平均異常報酬率(SAR) 3.2. 2.4. 1.6. 0.8. 0 -11. -10. -9. -8. -7. -6. -5. -4. -3. -2. -1. 0. 1. 2. 3. 圖 5-2、普通最小平方法(OLS)─平均累積異常報酬率(SCAR) 二、自我相關條件異質變異(GARCH)之異常報酬： 由表 5-3 平均異常報酬率(SAR)得知：除權息前 11 日(t=-11)有顯著的正異常 報酬，表示除權行情在 11 天前即開始發酵。在除權息前 3 日(t=-3)有顯著的負異 常報酬-0.3144%，較普通最小平方法(OLS)的平均異常報酬率-0.3319%而言， GARCH 估計法之棄權賣壓為輕，亦符合李存修(1990)「棄權賣壓假說」的論點。. 除權息當日(t=0)至除權息後 3 日(t=3)，有顯著的正異常報酬，其中在除權息當日 (t=0)正的平均異常報酬 1.1299%最大，且 GARCH 估計法較 OLS 估計法之平均. 異常報酬率為大，符合李存修(1994)「比較心理假說」的論點。 由表 5-3 平均累積異常報酬率(SCAR)得知：在除權息前 11 日至除權息後 3 日，皆有顯著的正累積異常報酬；若從除權息前 11 日(t=11)買進並參與除權，持 有到除權息後三日(t=3)賣出，累積異常報酬高達 3.1363%，較 OLS 估計法表現 為佳。GARCH 與 OLS 估計法兩者同於：t=-3 日有較大的負異常報酬、t=0 日有 較大的正異常報酬。 35.
(43) 由圖 5-3 平均異常報酬率(SAR)得知：在事件日 t=-3 及 t=0 有較大且顯著的 異常報酬率，故本研究針對事件日在 t=-3 及 t=0 之異常現象進行迴歸分析，驗證 可能產生異常報酬率之原因。 由圖 5-4 平均累積異常報酬率(SCAR)得知：在事件期開始(t=-11)，平均累積 異常報酬率開始緩升，直到除權息前三日(t=-3)的棄權賣壓，使平均累積異常報 酬率降低後仍逐步緩升，到了除權息當日平均累積異常報酬率有驟升現象。若投 資人在棄權賣壓最大(t=-3)當日以收盤價買進，參與除權息當日以收盤價賣出， 可產生 1.5215%之異常報酬，若持有到除權息後 3 日才賣出，可以產生 2.5476 之異常報酬，表現較 OLS 估計法為佳。 表 5-3、自我相關條件異質變異(GARCH)─異常報酬 SAR(%). T=-11. 0.3099***. t(SAR). SCAR(%). t(SCAR). 2.7762. 0.3099***. 2.7762. T=-10. 0.0448. 0.3974. 0.3547**. 2.2352. T=-9. 0.0317. 0.26. 0.3864*. 1.9313. T=-8. 0.1478. 1.4211. 0.5342**. 2.3691. T=-7. 0.1548. 1.5175. 0.689***. 2.7839. 4.2284. 1.12***. 4.1845. T=-6. 0.431***. T=-5. 0.0291. 0.2718. 1.1491***. 3.9854. T=-4. 0.0639. 0.6117. 1.2131***. 3.9552. -2.7406. 0.8987***. 2.7444. 0.7137. 0.9733***. 2.8314. T=-3 T=-2. -0.3144*** 0.0747. T=-1. 0.3169***. 3.0842. 1.2902***. 3.596. T=0. 1.1299***. 10.7831. 2.4201***. 6.4748. T=1. 0.4234***. 3.6209. 2.8435***. 7.2605. T=2. 0.38***. 3.1353. 3.2235***. 7.8629. T=3. 0.2227**. 2.1775. 3.4462***. 8.1561. 資料來源：本研究整理。 *：在 10%顯著水準下，AR 及 CAR 顯著不等於零。 **：在 5%顯著水準下，AR 及 CAR 顯著不等於零。 ***：在 1%顯著水準下，AR 及 CAR 顯著不等於零。. 36.
(44) 1.2. 0.8. 0.4. 0 -11. -10. -9. -8. -7. -6. -5. -4. -3. -2. -1. 0. 1. 2. 3. -0.4. 圖 5-3、自我相關條件異質變異(GARCH)─平均異常報酬率(SAR). 3.2 2.4 1.6 0.8 0 -11. -10. -9. -8. -7. -6. -5. -4. -3. -2. -1. 0. 1. 2. 3. 圖 5-4、自我相關條件異質變異(GARCH)─平均累積異常報酬率(SCAR) 四、似乎無相關(SUR)之異常報酬： 由表 5-4 平均異常報酬率(SAR)得知：除權息前 10 日至前 8 日(t=-10~-8)開 始有顯著的正異常報酬，表示除權行情在 10 天前即開始發酵，相較 OLS 及 GARCH 法的異常報酬大，且於除權息前 8 日(t=-8)有最大的異常報酬率。在除權. 息前 5 日(t=-5)有顯著的負異常報酬，相較 OLS 及 GARCH 估計法，SUR 方法估 計的除權行情及棄權賣壓皆較早發酵。除權息日以後 SUR 估計出的異常報酬並 不顯著，直到除權後 3 日(t=3)才有明顯的正異常報酬，表示除權息後的填權行情 並非立即反應，故 SUR 估計法無法看出部份投資人在除權息當日的明顯買單， 不符合李存修(1994)「比較心理假說」的論點。 由表 5-4 平均累積異常報酬率(SCAR)得知：在除權前 10 日開始，皆有顯著 的正累積異常報酬，從除權息前 10 日(t=10)買進並參與除權，持有到除權後 3 日(t=3)再賣出，累積異常報酬高達 2.7562%。由圖 5-1 表現得知：除權息前 3 日 (t=-3)有負的異常報酬，但不顯著、而在 t=-5 日有顯著的負異常報酬，除權當日 37.
(45) (t=0)並無顯著的異常報酬。. 由圖 5-5 平均異常報酬率(SAR)得知：在事件日 t=-8 及 t=-5 日有較大的異常 報酬率，且 t=-8 及 t=-5 日之顯著水準皆在 1%水準以下，本研究針對事件日 t=-8 日及 t=-5 日之較大且顯著的異常報酬現象進行迴歸分析，驗證可能產生異常報 酬率之原因。 由圖 5-6 平均累積異常報酬率(SCAR)得知：在事件期開始(t=-11)，平均累積 異常報酬率開始緩升，於除權息前 8 日(t=-8)產生最大的正異常報酬，日後異常 報酬驟降，於除權息前 5 日(t=-5)的棄權賣壓最重。若投資人在棄權賣壓最大(t=-5) 當日以收盤價買進，參與除權息當日以收盤價賣出，可產生 0.6483%之異常報 酬，若持有到除權息後 3 日才賣出，可以產生 0.9483%之異常報酬，表現較 OLS 及 GARCH 估計法為差。 表 5-4、似乎無相關(SUR)─異常報酬 SAR(%). t(SAR). SCAR(%). t(SCAR). T=-11. 0.2101*. 1.8104. 0.2101*. 1.8104. T=-10. 0.3736***. 3.1192. 0.5836***. 3.2848. T=-9. 0.4054***. 3.1683. 0.9890***. 4.2477. T=-8. 1.0425***. 8.4911. 2.0315***. 7.2845. T=-7. 0.2870***. 2.4335. 2.3185***. 7.8065. 0.0399. 2.3233***. 7.7513. -2.4915. 2.0180***. 6.6064. 0.0048. T=-6 T=-5. -0.3053***. T=-4. -0.0020. -0.0184. 2.0159***. 6.4560. T=-3. -0.0132. -0.1174. 2.0027***. 6.1024. 3.4453. 2.3964***. 6.6942. T=-2. 0.3937***. T=-1. 0.1320. 1.2058. 2.5284***. 6.7762. T=0. 0.1378. 1.2450. 2.6662***. 6.9679. T=1. -0.0031. -0.0284. 2.6632***. 6.7243. T=2. 0.0106. 0.0877. 2.6738***. 6.4146. 2.3776. 2.9663***. 6.6272. T=3. 0.2925***. 38.
(46) 資料來源：本研究整理。 *：在 10%顯著水準下，AR 及 CAR 顯著不等於零。 **：在 5%顯著水準下，AR 及 CAR 顯著不等於零。 ***：在 1%顯著水準下，AR 及 CAR 顯著不等於零。. 1.2. 0.8. 0.4. 0.0 -11. -10. -9. -8. -7. -6. -5. -4. -3. -2. -1. 0. 1. 2. 3. -0.4. 圖 5-5、似乎無相關(SUR)─平均異常報酬率(SAR). 3.2. 2.4. 1.6. 0.8. 0.0 -11. -10. -9. -8. -7. -6. -5. -4. -3. -2. -1. 0. 1. 2. 3. 圖 5-6、似乎無相關(SUR)─平均累積異常報酬率(SCAR). 第三節. 迴歸模型介紹. 本研究將影響台灣 50 成份股除權行情之可能因素，進行模型設定並估計檢 定，主要探討相關文獻所提及到之變數，對台灣 50 成份股除權行情是否具解釋 能力、並引入本研究新變數加以分析比較；本研究採用三種方法所估計之異常報 酬，產生較大的正負異常報酬時點不盡相同，故我們將三種估計法之較大正負異 常報酬時點皆列入迴歸模型中考量，顯示各種方法下，可能產生異常報酬之原因。. 39.
(47) 模型設計區分為(1)、相關文獻提及到之變數模型。(2)、本研究另加入之變 數模型，針對兩種模型設定進行除權行情分析及比較。本研究對事件日在 t=-3 及 t=0 日之異常現象進行迴歸分析，驗證可能產生異常報酬率之原因。 一、相關變數代號介紹： Tax：稅額扣抵比率 Pe：本益比 Stockrate：配股率 Electron：電子類股之虛擬變數設為 1 China：中概類股之虛擬變數設為 1 Userate：融資使用率 Turnover：外資買賣超比率 Dividendrate：配息率. 二、相關文獻變數之實證模型： 模型一、五、九： ARit = α + β1 * Taxit + β 2 * Peit + β3 * Stockrateit + β 4 * Electronit + ε it. (5-1). 模型二、六、十： CARit = α + β1 * Taxit + β 2 * Peit + β3 * Stockrateit + β 4 * Electronit + ε it (5-2). 其中， CARit ：第 i 種股票在 t=-11 至 t=3 個交易日之平均累積異常報酬率。 三、加入本研究變數之實證模型： 模型三、七、十一：. 40.
(48) ARit = α + β1 * Taxit + β 2 * Peit + β 3 * Stockrateit + β 4 * Electronit +. β 5 * Userateit + β 6 * Turnoverit + β 7 * Dividendrateit + β8 * Chinait + ε it. (5-3). 模型四、八、十二： CARit = α + β1 * Taxit + β 2 * Peit + β 3 * Stockrateit + β 4 * Electronit +. β 5 * Userateit + β 6 * Turnoverit + β 7 * Dividendrateit + β8 * Chinait + ε it. (5-4). 其中， CARit ：第 i 種股票在 t=-11 至 t=3 個交易日之平均累積異常報酬率。. 表 5-5、實證模型使用解釋變數表 被解釋變數. 平均異常報酬(SAR) / 平均累積異常報酬(SCAR) 普通最小平方法(OLS). 解釋變數. 自我相關條件異質變異 (GARCH). 似乎無相關(SUR). 模型一 模型二 模型三 模型四 模型五 模型六 模型七 模型八 模型九 模型十 模型十一 模型十二. Tax Stockrate Electron Pe Turnover Userate China Dividendrate 資料來源：本研究整理。. 第四節. 最適迴歸模型選定. 本研究應用追蹤資料(Panel data)模型同時對橫斷面及時間序列資料列入考 慮，為了選擇最適當之估計模型，以反映對變數討論上之有效性，進行個別模型 估計時，以特定之檢定統計量，對迴歸模型做配適度之驗證，其驗證結果如下： 41.
(49) 一、OLS 估計法之最適使用模型： 模型二：事件期在 t=0 及模型三：事件期 t=-8、-5、-3 日及模型四，.LM 檢 定統計量之顯著水準達到 5%以下，顯示隨機效果模型較適合對參數之估計，其 它模型採用傳統迴歸模型較適合參數之估計。 二、GARCH 估計法之最適使用模型： 模型五：事件期在 t=0 及模型七及模型八：事件期在 t=-8、-5 日，.LM 檢定 統計量之顯著水準達到 5%以下，顯示隨機效果模型較適合對參數之估計，其它 模型採用傳統迴歸模型較適合參數之估計。 四、SUR 估計法之最適使用模型： 模型九事件期在 t=-5、-3、0 日，採傳統迴歸模型較適合參數之估計。 模型九事件期在 t=-8 及模型十事件期在 t=-5、-3、0 日及模型十一及模型十 二事件期在 t=-5、-3、0 日，符合.LM 檢定統計量之顯著水準達到 5%以下，顯示 隨機效果模型較適合對參數之估計。 模型十事件期在 t=-8 日及模型十二事件期在 t=-8 日：.LM 檢定統計量之顯 著水準達到 5%以下、且 Hausman 檢定統計量之顯著水準也達到 5%以下，檢定 結果發現，採用固定效果模型來估計參數較適當。. 42.
(50) 表 5-6、最適模型檢定結果-普通最小平方法(OLS) 模型一. 檢定統計量. t=-8 傳統迴歸模型 vs 固定效果模型 傳統迴歸模型 vs 隨機效果模型 隨機效果模型 vs 固定效果模型 最適使用模型. F. t=-5. 模型二. t=-3. t=0. t=-8. t=-5. 模型三. t=-3. t=0. t=-8. t=-5. 模型四. t=-3. t=0. t=-8. t=-5. t=-3. t=0. 0.70. 0.70. 0.74. 0.97. 0.68. 1.00. 1.26. 0.99. 0.87. 0.78. 0.81. 1.05. 0.64. 1.08. 1.24. 1.01. P-value. 0.9233. 0.9296. 0.8870. 0.5345. 0.9420. 0.4738. 0.1335. 0.4916. 0.7020. 0.8397. 0.7987. 0.4021. 0.9664. 0.3462. 0.1564. 0.4572. LM. 8.38*. 5.94. 2.61. 9.02*. 2.26. 2.14. P-value. 0.0787. 0.2039. 0.6252. 0.0605. 0.6885. 0.7105. 0.5932. 0.0177. 0.0000. 0.0003. 0.0143. 0.0628. 0.0034. 0.0008. 0.0000. 0.0000. 0.18. 0.24. 0.85. 0.99. 0.51. 0.47. 2.44. 3.75. 7.64. 5.77. 4.38. 7.23. 0.99. 7.23. 5.75. 10.66. 0.9809. 0.9705. 0.8382. 0.8034. 0.9163. 0.9260. 0.4861. 0.2898. 0.2655. 0.4492. 0.6259. 0.4058. 0.9861. 0.2997. 0.5696. 0.1541. pool. pool. pool. pool. pool. pool. pool. Hausman P-value. 2.79 11.95** 41.63*** 29.20*** 19.12**. 資料來源：本研究整理。 *：在 10%顯著水準以下。 **：在 5%顯著水準以下。 ***：在 1%顯著水準以下。. 43. random. random. random. random. 14.82* 22.94*** 26.67*** 52.62*** 33.53***. pool. random. random. random. random.
(51) 表 5-7、最適模型檢定結果-自我相關條件異質變異(GARCH) 模型五. 檢定統計量. t=-8 傳統迴歸模型 vs 固定效果模型 傳統迴歸模型 vs 隨機效果模型 隨機效果模型 vs 固定效果模型 最適使用模型. F P-value LM P-value Hausman P-value. 0.72. t=-5 0.90. t=-3 1.13. 0.9069 0.6625 0.2694 4.18. 1.91. 0.61. 6.65*. 0.9018 0.8938 0.0839 pool. pool. t=0 0.90. pool. t=-8 0.72. t=-5. t=-3. t=-8. t=-5. t=-3. t=0. t=-8. 0.99. 1.08. 0.98. 0.87. 0.6570 0.9102 0.9273 0.9076 0.5690. 0.9559. 0.4952. 0.3484. 0.5218. 0.7071. 5.33. 0.72. t=0. 模型八. 0.66. 7.75. 0.70. 模型七. 0.95. 4.13 18.21***. 0.3827 0.7517 0.3882 0.58. 模型六. 2.09. 0.0005. 0.0014. 0.0001. 0.0000. 0.0000. 0.66. 1.16. 6.06. 8.95. 10.55. 7.56. 0.4423 0.9616 0.9815 0.8704 0.8815. 0.9790. 0.4166. 0.2563. 0.1597. 0.2721. random. 0.29. pool. 0.18. pool. 0.71. pool. 資料來源：本研究整理。 *：在 10%顯著水準以下。 **：在 5%顯著水準以下。 ***：在 1%顯著水準以下。. 44. 0.72. pool. random. random. random. random. random. t=-3 0.74. t=0 1.04. 0.9065 0.8932 0.4033. 8.41* 27.71*** 25.29*** 33.39*** 47.53*** 42.22*** 23.27***. 0.0011 0.1013 0.2547 0.7200 0.0776 2.69. t=-5. 5.97 13.84*. 0.0030 0.6502 0.0861 1.69. 3.53. 6.75. 0.9462 0.8319 0.4555 random. pool. pool.
(52) 表 5-8、最適模型檢定結果-似乎無相關(SUR) 模型九. 檢定統計量. t=-8 傳統迴歸模型 vs 固定效果模型 傳統迴歸模型 vs 隨機效果模型. F P-value LM P-value. 0.84. t=-5. Hausman. 固定效果模型 P-value 最適使用模型. t=-8. t=-5. t=-3. t=0. t=-8. t=-5. t=-3. t=0. t=-8. t=-5. t=-3. t=0. 0.94. 1.21. 0.85. 0.93. 1.11. 1.01. 0.74. 1.34*. 1.00. 1.36*. 1.03. 0.7616 0.2287 0.6407 0.8264. 0.0719. 0.5812. 0.1805. 0.7487. 0.5980. 0.2963. 0.4680. 0.8866. 0.0829. 0.4797. 0.0754. 0.4262. 3.93 10.05** 14.53***. 11.07**. 4.23. 0.91. t=0. 模型十二. 1.36*. 2.33. 0.0078 0.3762 0.6757 0.4153. 10.73** 43.70*** 30.93*** 26.98*** 26.16*** 21.31*** 25.77*** 26.21*** 28.99***. 0.0396. 0.0058. 0.0258. 0.0298. 0.0000. 0.0001. 0.0007. 0.31. 9.3**. 1.23. 1.10. 0.69. 9.19. 8.24. 6.72. 0.6945 0.0569 0.8916 0.9581. 0.0255. 0.7464. 0.7769. 0.8750. 0.2396. 0.3116. 0.3474. 隨機效果模型 vs. t=-3. 模型十一. 0.79. 13.85***. 1.17. 模型十. 1.45. random. 7.53*. pool. 0.62. pool. pool. fixed. random. random. random. 資料來源：本研究整理。 *：在 10%顯著水準以下。 **：在 5%顯著水準以下。 ***：在 1%顯著水準以下。. 45. random. random. random. 0.0010. 0.0064. 0.0011. 0.0010. 0.0003. 0.88 20.02***. 6.66. 12.65*. 11.97. 0.4650. 0.0812. 0.1016. 0.9898 random. 0.0055 fixed. random. random. random.
(53) 第五節. 實證結果. 本研究結合橫斷面及時間序列資料之追蹤資料模型進行實證估計，實證過 程中除了要進行最適模型檢定外，並對橫斷面資料是否存在自我相關及異質變異 等問題加以檢測，檢測結果顯示：模型一於 t=0 日，有自我相關、模型五於 t=0， 有自我相關、模型十於 t=0 日，有異質變異、模型十一於 t=-8，有自我相關；當 模型存在自我相關或異質變異，並不影響不偏的估計式，在樣本數夠大的情況下 仍符合一致性，故本研究並不深入探討異質變異及自我相關等議題。 表 5-9、自我相關、異質變異檢定結果 普通最小平方法(ols). 自我相關條件異質變異(garch). 自我相關檢定 異質變異檢定. 似乎無相關(sur). 自我相關檢定 異質變異檢定. 模型一 t=-8. 無相關. 同質. 模型五 t=-8. 無相關. 同質. t=-5. 無相關. 同質. t=-5. 無相關. t=-3. 無相關. 同質. t=-3. 無相關. t=0. 無相關. 同質. t=0 有相關. 模型二 t=-8. 無相關. 同質. 模型六 t=-8. 無相關. 同質. t=-5. 無相關. 同質. t=-5. 無相關. t=-3. 無相關. 同質. t=-3. t=0. 無相關. 同質. 模型三 t=-8. 無相關. t=-5. 自我相關檢定 異質變異檢定 t=-8. 無相關. 同質. 同質. t=-5. 無相關. 同質. 同質. t=-3. 無相關. 同質. 同質. t=0. 有相關. 同質. t=-8. 無相關. 同質. 同質. t=-5. 無相關. 同質. 無相關. 同質. t=-3. 無相關. 同質. t=0. 無相關. 同質. t=0. 無相關. 同質. 模型七 t=-8. 無相關. 同質. 無相關. 同質. t=-5. 無相關. 同質. t=-5. 無相關. 同質. t=-3. 無相關. 同質. t=-3. 無相關. 同質. t=-3. 無相關. 同質. t=0. 無相關. 同質. t=0. 無相關. 同質. t=0. 無相關. 同質. 模型四 t=-8. 無相關. 同質. 模型八 t=-8. 無相關. 同質. 模型十二 t=-8. 無相關. 同質. t=-5. 無相關. 同質. t=-5. 無相關. 同質. t=-5. 無相關. 同質. t=-3. 無相關. 同質. t=-3. 無相關. 同質. t=-3. 無相關. 同質. 同質. t=0. 無相關. 同質. t=0. 無相關. 同質. t=0 有相關. 模型九. 模型十. 模型十一 t=-8 有相關. 本研究以市場模式，分別採普通最小平方法(OLS)、自我相關條件異質變異 46. 異質 同質.
相關文件
In the third quarter of 2013, visitor arrivals increased by 6.6%; per-capita spending of visitors grew by 4.6%; exports of gaming services rose by 13.3% in real terms; guests of
The economy of Macao expanded by 21.1% in real terms in the third quarter of 2011, attributable to the increase in exports of services, private consumption expenditure and
Depending on the specified transfer protocol and data format, this action may return the InstanceID of an AVTransport service that the Control Point can use to control the flow of
• Adds variables to the model and subtracts variables from the model, on the basis of the F statistic. •
The significant and positive abnormal returns are found on all sample in BCG Matrix quadrants.The cumulative abnormal returns of problem and cow quadrants are higher than dog and
It costs >1TB memory to simply save the raw graph data (without attributes, labels nor content).. This can cause problems for
We showed that the BCDM is a unifying model in that conceptual instances could be mapped into instances of five existing bitemporal representational data models: a first normal
We try to explore category and association rules of customer questions by applying customer analysis and the combination of data mining and rough set theory.. We use customer
