效地消除异方差现象有关,并且也不会影响到估计结果。从模型的拟合优度来看,达到了 97.16%,说明变量对模型的解释力较强,可以看到公司上市前受到的预测次数与MARIR 呈 现显著的正相关;平均预测期、公司上市前一年度的资产总额、分析师人数、行业属性则与 235 MARIR 呈现出显著的负相关关系,而指代分析师精力分散程度的指标N_STOCK 则与 MARIR 不存在显著的相关关系。 普通最小二乘法回归模型考察的是随机变量的条件均值函数(conditional mean functions),也就是用一组变量去解释某个因变量的均值[20]。为弥补OLS 在回归分析中的缺 陷,Koenker 和Bassett 于1978 年提出分位数回归(Quantile Regression)思想,依据因变量的 240 条件分位数对自变量进行回归,得到所有分位数下的回归模型,相比普通最小二乘回归只能 描述自变量对因变量局部变化的影响而言,分位数回归能更精确地描述自变量对因变量的变 化范围及条件分布形状的影响,回归系数估计比OLS 回归系数估计更为稳健[21]。为进一步 更为细致地研究模型中变量对初始收益率的影响,本文继续用分位数回归方法进行分析。 表3-4 分位数回归估计结果 Table 3-5 Results 245 of quantile regression 分位数 C FTIMES LNA_FP LNASSETS N_STOCK NUM INDUSTRY R2 常数项 8.1823 0.0597 -0.4735 -0.2413 -0.1114 -0.0921 -0.0494 标准误差 2.3865 0.0382 0.1950 0.0885 0.0583 0.0946 0.0898 0.1 T 统计量 3.4287 1.5606 -2.4287 -2.7268 -1.9110 -0.9731 -0.5506 P 值 0.0009 0.1224 0.0173(**) 0.0078(***) 0.0595(*) 0.3333 0.5834 0.1660 常数项 8.4588 0.0486 -0.4598 -0.2674 -0.0982 -0.0410 -0.0206 标准误差 2.2265 0.0236 0.1989 0.0826 0.0635 0.0460 0.0950 0.2 T 统计量 3.7991 2.0618 -2.3118 -3.2391 -1.5465 -0.8910 -0.2170 P 值 0.0003 0.0424(**) 0.0233(**) 0.0017(***) 0.1258 0.3755 0.8287 0.1460 常数项 6.8564 0.0355 -0.3493 -0.2006 -0.0486 -0.0317 -0.0773 标准误差 2.2326 0.0225 0.2140 0.0785 0.0699 0.0442 0.0755 0.3 T 统计量 3.0711 1.5780 -1.6320 -2.5556 -0.6943 -0.7167 -1.0234 P 值 0.0029 0.1184 0.1065 0.0124(**) 0.4894 0.4756 0.3091 0.1287 常数项 7.0399 0.0475 -0.3728 -0.1912 -0.0642 -0.0562 -0.1087 标准误差 2.1822 0.0210 0.2225 0.0811 0.0766 0.0424 0.0692 0.4 T 统计量 3.2261 2.2626 -1.6756 -2.3582 -0.8384 -1.3236 -1.5702 P 值 0.0018 0.0263(**) 0.0976(*) 0.0207(**) 0.4042 0.1893 0.1202 0.1171 常数项 7.5050 0.0478 -0.4954 -0.1695 -0.0880 -0.0619 -0.1120 标准误差 2.1652 0.0212 0.2233 0.0842 0.0834 0.0431 0.0702 0.5 T 统计量 3.4661 2.2540 -2.2180 -2.0131 -1.0548 -1.4348 -1.5954 P 值 0.0008 0.0268(**) 0.0293(**) 0.0474(**) 0.2946 0.1551 0.1144 0.1069 常数项 8.0436 0.0370 -0.3583 -0.2383 -0.0493 -0.0504 -0.0739 标准误差 2.2038 0.0212 0.2712 0.0823 0.0964 0.0415 0.0651 0.6 T 统计量 3.6498 1.7424 -1.3214 -2.8955 -0.5117 -1.2156 -1.1346 P 值 0.0005 0.0851(*) 0.1900 0.0048(***) 0.6102 0.2276 0.2598 0.1032 常数项 9.8872 0.0328 -0.3896 -0.3247 -0.0296 -0.0318 -0.0645 标准误差 2.4657 0.0218 0.3298 0.0832 0.0922 0.0450 0.0598 0.7 T 统计量 4.0098 1.5090 -1.1812 -3.9025 -0.3206 -0.7072 -1.0796 P 值 0.0001 0.1351 0.2409 0.0002(***) 0.7493 0.4814 0.2834 0.1152 常数项 11.2863 0.0163 -0.6816 -0.2807 -0.1738 -0.0123 -0.0492 标准误差 4.8581 0.0275 0.7583 0.0942 0.0962 0.0632 0.0649 0.8 T 统计量 2.3232 0.5920 -0.8988 -2.9802 -1.8069 -0.1951 -0.7577 P 值 0.0226 0.5555 0.3714 0.0038(***) 0.0744(*) 0.8458 0.4508 0.0984 常数项 8.8074 0.0574 0.4970 -0.4074 0.0555 -0.1284 -0.4753 标准误差 4.9590 0.1300 0.5945 0.3154 0.2400 0.2621 0.3737 0.9 T 统计量 1.7760 0.4418 0.8360 -1.2919 0.2310 -0.4897 -1.2717 P 值 0.0794 0.6598 0.4056 0.2000 0.8179 0.6256 0.2070 0.1067 注:* 表示在10%水平下显著;** 表示在5%水平下显著;*** 表示在1%水平下显著 从表3-5 中分位数回归结果来看,从低分位点到高分位点,可决系数总体呈现出递减趋 势,在 0.7、0.9 分位点有所上升,但始终没有超过在低分位点的数值,且在 0.8 分位点出 250 现最低值。这表明这些因素作为一个整体在低分位点对MARIR 更具有解释力。从整体来看, 在中低分位点上影响MARIR 的因素较多,有预测次数、平均预测期、公司资产总额、分析 师关注的股票数这些指标,而在高分位点则主要为公司资产总额与分析师关注的股票数这两 个因素表现出的显著性影响。 再看各指标对不同水平下初始收益率的影响差异。公司上市前受到的预测次数 255 (FTIMES)这一指标在中低分位点( 0.2、0.4、0.5)均是在5%水平下显著的,在中高分 位点( 0.6)在10%水平下显著,系数也都为正值,说明公司上市前受到的预测次数对MARIR 的正向影响产生在中低、中高分位点,在高分位点均不显著。该变量对上市首日收益率的正 向影响与本文假设一致,说明较多分析师对未上市新股的关注的确对上市日二级市场股价构 成了正向影响,并对该股上市首日初始收益率产生正向影响。 260 平均预测期(LNA_FP)这一指标在中低分位点( 0.1、0.2、0.5)在5%水平下显著, 在 0.4 是10%水平下显著,是一个负向的影响,且这种负向的影响是随着分位点的增高先 减小后增大,也即平均预测期越长,新股MARIR 就会越低,这点与论文假设一致,也即预 测期越长,投资者会更加理性,市场对分析师关注的股票反应也就越冷淡,初始收益率越低。 公司上市前一年度的资产总额(LNASSETS)这一指标在除去 0.9 以外的各个分位点均 265 是显著的,与初始收益率显著负相关,并且这种影响大致表现出先下降,在高分位点又逆转 上升。这一变量对MARIR 的影响亦与假设一致,需要注意的是其影响程度的变化趋势。 分析师关注的股票数(N_STOCK)这一指标在低分位点( 0.1)以及高分位点( 0.8) 在10%水平下显著,均表现为负向影响,表明分析师精力的分散程度也确实会对初始收益 率产生影响。 270 分析师人数(NUM)指标在所有分位点均不显著。由此可以看出预测次数、分析师人 数这两个变量虽然有一定的相关性,但对MARIR 在不同的分位水平下的影响程度有很大差 异,与假设不一致,可以解释的一种可能性就是样本中存在不少分析师在同一时间段内对同 一家上市公司做出多次预测,且预测的次数显著大于分析师人数,从而其影响作用超过了预 测人数的作用。 275 行业属性(INDUSTRY)这一指标是在前文的普通最小二乘法中表现出对新股初始收益 率在平均水平上有负向影响,但在各个分位点的影响都是不显著的。 4 研究结论(Conclusions) 本文首先对公司上市前分析师不同预测期的预测误差、预测分歧度进行了描述性统计分 析,发现分析师存在普遍意义上的乐观倾向,对于新股长期盈利预测过于乐观,但在样本中 280 新股在长期又大多表现不佳;预测误差随着预测期的增加而增加,各期预测均表现出较高的 一致性。接着运用最小二乘法、加权最小二乘法,以及分位数回归方法,研究了在公司上市 前分析师的行为对IPO 初始收益率的影响。 从实证结果来看,无论是最小二乘法还是加权最小二乘法都仅能反映解释变量在均值条 件下的一般影响结果,而分位数回归则能更深层次地挖掘各解释变量对新股初始收益率在不 285 同分位数上的具体关系。可以看到,本文设计的各项描述分析师行为的指标在不同的分位点 对因变量产生不同程度的影响,研究结论基本符合研究假设。其中,在中低分位点预测次数、 平均预测期、公司规模以及分析师精力分散程度这些因素能较多地对新股初始收益率产生显 著性影响,而在高分位点则主要体现为公司规模与分析师精力分散程度两个因素表现出显著 性的影响。且模型的设计在低分位点,亦即初始收益率低的水平更具有解释力度。尤为需要 290 关注的是分析师跟进人数与分析师的预测次数这两个指标,可以看到前者对新股初始收益率 的影响不如后者,这应该与样本中有许多分析师在同时期对一家公司做出多次预测有关。 基于得到的结论,我们认为分析师作为我国证券市场新兴的特殊群体,在新股上市前的 盈利预测行为确实能对初始收益率造成影响,因此应该以更加谨慎尽责的态度做出盈利预 测,为广大投资者提供更有效的投资建议,尤其要提高长期盈利预测能力,对不同时期的预 295 测也需有所侧重。分析师各期预测的意见分歧较小,一方面说明我国分析师意见较为一致, 从另一反面也表明其应提高自身预测的独立性,真正做出自己的预测。 本文也还存在诸多不足,如样本数据仅包括了深交所的数据,研究结论不能反映我国上 市公司的整体情况;样本数据涉及的年度较少;对预测误差、意见分歧只是做了简单的描述 性统计分析,分析师行为的变量选取考虑有限。但从这一视角的研究应该对于理解、控制 300 IPO 初始收益率还是有一定的理论和实践意义。 学术论文网Tag:代写经济论文 论文发表 代发论文 职称论文发表 |