本篇文章以台灣股票市場的日報酬率為研究對象，利用有母數方法、無母數方法及摺刀法，模擬樣本數在 25 及 50 的情況下檢定事件日是否會產生異常報酬，並以人為的方式在事件期增加不同水準異常報酬，分別探討各檢定方法在顯著水準 α 為 0.05 及 0.1 的檢定力。
假設當事件發生時不會引起事件期異常報酬率的變異數改變的情況下，除了符號檢定法的檢定大小在小樣本底下低估發生型 I 誤的機率，而在大樣本底下則有過度拒絕虛無假設的情況外，其他檢定方法的檢定大小及檢定力表現都很好，其中以 Delete-one 摺刀法最佳；當事件發生時會引起事件期異常報酬率的變異數改變情況下， 以Christie 變異數增加模式及 Beaver 變異數增加模式模擬結果，不管在小樣本或大樣本及兩種變異數增加模式下都以 Delete-one 摺刀法檢定能力較穩健；另外比較 Christie 變異數增加模式及 Beaver 變異數增加模式的模擬結果，以 Beaver 變異數增加模式在增加不同水準異常報酬率底下的檢定力較 Christie 變異數增加模式佳。

                             表單編號：ATRX-Q03-001-FM030-01

The thesis aims to compare the performance of event study tests using daily return rates of Taiwan’s stock market. Under the number of simulated samples of 25 and 50 securities for each portfolio, respectively, parametric, non-parametric and jackknife methods are studied on testing whether the abnormal return is statistically significant on the event day. In order to investigate the power of the test methods under significant levels of 0.05 and 0.1, different levels of abnormal returns are artificially added. Assume that there is no change of the abnormal returns variance during the event period, most of the tests have certain power of detecting the abnormal return, especially, delete-one jackknife method outperforms the event study test methods in terms of size and power. Except it shows that sign test underestimates the occurrence of type I error probability (namely size) for small sample size and over rejects it for large sample size. Furthermore, two types of variance changes cases adopting Christie's (1983) model and Beaver's (1968) model are also studied. The simulation results also shows the delete-one jackknife method still outperforms the rest of the event study test methods and robust even under the variance changes cases in terms of the size and power.  

                             表單編號：ATRX-Q03-001-FM031-01

目次
第一章緒論. . . . . . . . . . . . . . . . . . . . . . . . 1
  第一節研究背景與動機. . . . . . . . . . . . . . . . . . 1
  第二節研究目的. . . . . . . . . . . . . . . . . . . . . 1
  第三節研究對象與限制. . . . . . . . . . . . . . . . . . 2
  第四節研究架構與流程. . . . . . . . . . . . . . . . . . 2
第二章文獻回顧與探討. . . . . . . . . . . . . . . . . . . 4
  第一節事件研究法介紹. . . . . . . . . . . . . . . . . . 4
  第二節事件研究法相關文獻. . . . . . . . . . . . . . . . 7
  第三節摺刀抽樣方法介紹. . . . . . . . . . . . . . . . . 9
第三章研究方法. . . . . . . .  . . . . . . . . . . . . . 12
  第一節個別證券報酬率的定義. . . . . . . . .  . . . . . 12
  第二節各種異常報酬率檢定方法介紹. .  . . . . . . . . . 13
  第三節摺刀事件研究法.. . . . . . . . . . . . . . . . . 18
  第四節實驗設計. . . .  . . . . . . . . . . . . . . . . 21
第四章實證分析與模擬結果........ . . . . . . . . . . . . 24
  第一節事件期異常報酬率之變異數未增加. . . . .  . . . . 25
  第二節事件期異常報酬率的變異數增加. . . . . .  . . . . 36
第五章結論與建議. . . . . . . . . . . . . . . . . . . .  76
參考文獻. . . . . . . . . . . . . . . . . . . . . .. . . 78

                            表次
表3.1 假設檢定決策結果. . . . . . . . . . . . . .  . . . 22
表4.1 發生型I誤差的機率之90%信賴區間. . . . .  . . . . . 24
表4.2 在顯著水準為0.05的情況下小樣本(N=25)的檢定結果 . . 28
表4.3 在顯著水準為0.1的情況下小樣本(N=25)的檢定結果. . . 30
表4.4 在顯著水準為0.05的情況下大樣本(N=50)的檢定結果.... 32
表4.5 在顯著水準為0.1的情況下大樣本(N=50)的檢定結果. . . 34
表4.6 Christie 模式增加50 %標準差在顯著水準為0.05 的情況下小樣本(N = 25)的檢定結果. . . . . . . . . . . . . . . . .. 39
表4.7 Christie模式增加56%變異數在顯著水準為0.1的情況下小樣本(N =25)的檢定結果. . . . . . . . . . . . . . . . . . . . 41
表4.8 Christie 模式增加56% 變異數在顯著水準為0.05 的情況下大樣本(N = 50)的檢定結果. . . . . . . . . . . . .. . . . . 43
表4.9 Christie模式增加56%變異數在顯著水準為0.1的情況下大樣本(N =50)的檢定結果. . . . . . . . . . . . . . . . . . . . 45
表4.10 Christie 模式增加125%變異數在顯著水準為0.05的情況下小樣本(N = 25)的檢定結果. . . . . . . . . . . . . . . . .  47
表4.11 Christie 模式增加125% 變異數在顯著水準為0.1 的情況下小樣本(N = 25)的檢定結果. . . . . . . . . .. . . . . . . 49
表4.12 Christie 模式增加125%變異數在顯著水準為0.05的情況下大樣本(N = 50)的檢定結果. . . . . . .. . . . . . . . . . . 51
表4.13 Christie 模式增加125% 變異數在顯著水準為0.1 的情況下大樣本(N = 50)的檢定結果. . . . . .. . . . . . . . . . . 53
表4.14 Beaver 模式增加56% 變異數在顯著水準為0.05 的情況下小樣本(N = 25)的檢定結果. . . . . . . . . . . . . . . . .  58
表4.15 Beaver模式增加56%變異數在顯著水準為0.1的情況下小樣本(N =25)的檢定結果. . . . . . .  . . . . . . . . . . .. . 60
表4.16 Beaver 模式增加56% 變異數在顯著水準為0.05 的情況下大樣本(N = 50)的檢定結果. . . . .  . . . . . . . . . . . . 62
表4.17 Beaver模式增加56%變異數在顯著水準為0.1的情況下大樣本(N =50)的檢定結果. . . . . . . . . . . . . . . . . . . . 64
表4.18 Beaver 模式增加125% 變異數在顯著水準為0.05 的情況下小樣本(N = 25)的檢定結果. . . . . . . . . . . . . . . . .  66
表4.19 Beaver 模式增加125% 變異數在顯著水準為0.1 的情況下小樣本(N = 25)的檢定結果. . . . . . . . . . . . . . . . .  68
表4.20 Beaver 模式增加125% 變異數在顯著水準為0.05 的情況下大樣本(N = 50)的檢定結果. . . . . . . .  . . . . . . . . . 70
表4.21 Beaver 模式增加125% 變異數在顯著水準為0.1 的情況下大樣本(N = 50)的檢定結果. . . . . . . . . .  . . . . . . . 72
表4.22 小樣本底下各檢定方法檢定大小的表現. . . . . . . . 74
表4.23 大樣本底下各檢定方法檢定大小的表現. . . . . . . . 75

                            圖次
圖1.1 研究流程結構圖. . . . . . . . . . . . . . . . . . . 3
圖2.1 事件研究法時間線. . . . . . . . . . . . . . . . . . 5
圖3.1 事件研究期間示意圖. . . . . . . . . . . . . . . .  12
圖4.1 顯著水準0.05及樣本數為25下各檢定方法模擬1000次的折線圖. . 29
圖4.2 顯著水準0.1及樣本數為25下各檢定方法模擬1000次的折線圖. . 31
圖4.3 顯著水準0.05及樣本數為50下各檢定方法模擬1000次的折線圖. . 33
圖4.4 顯著水準0.1及樣本數為50下各檢定方法模擬1000次的折線圖. . 35
圖4.5 顯著水準0.05 及樣本數為25 下各檢定方法以Christie 模式增加56%變異數模擬1000次的折線圖. . . . . . . .  . . . .. 40
圖4.6 顯著水準0.1及樣本數為25下各檢定方法以Christie模式增加56%
變異數模擬1000次的折線圖. . . . . . . . . . . . . . . .  42
圖4.7 顯著水準0.05 及樣本數為50 下各檢定方法以Christie 模式增加56%變異數模擬1000次的折線圖. . . . . . . . . . . . . 44
圖4.8 顯著水準0.1及樣本數為50下各檢定方法以Christie模式增加56%變異數模擬1000次的折線圖. . . . . . . . . . . . . . . 46
圖4.9 顯著水準0.05 及樣本數為25 下各檢定方法以Christie 模式增加125%變異數模擬1000次的折線圖. . . . . . . .  . . . . 48
圖4.10 顯著水準0.1及樣本數為25下各檢定方法以Christie模式增加125%變異數模擬1000次的折線圖. . . . . . . . . . . . . . .50
圖4.11 顯著水準0.05 及樣本數為50 下各檢定方法以Christie 模式增加125%變異數模擬1000次的折線圖. . . . . . . . .  . . . 52
圖4.12 顯著水準0.1及樣本數為50下各檢定方法以Christie模式增加125%變異數模擬1000次的折線圖. . . . . . . . . . . . . .  54
圖4.13 顯著水準0.05及樣本數為25下各檢定方法以Beaver模式增加56%變異數模擬1000次的折線圖. . . . . . . .  . . . . . .. 59
圖4.14 顯著水準0.1及樣本數為25各檢定方法以Beaver模式增加56%變異數模擬1000次的折線圖. . . . . . . . . . . . . . .  . 61
圖4.15 顯著水準0.05及樣本數為50下各檢定方法以Beaver模式增加56%變異數模擬1000次的折線圖. . . . . . . . . . .  . . .  63
圖4.16 顯著水準0.1及樣本數50下各檢定方法以Beaver模式增加56%變異數模擬1000次的折線圖. . . . . . . . . . . . .  . . . 65
圖4.17 顯著水準0.05及樣本數為25下各檢定方法以Beaver模式增加125%變異數模擬1000次的折線圖. . . . . . . . . . . . . .  67
圖4.18 顯著水準0.1及樣本數為25下各檢定方法以Beaver模式增加125%變異數模擬1000次的折線圖. . . . . . . . . . . . . .  69
圖4.19 顯著水準0.05及樣本數為50下各檢定方法以Beaver模式增加125%變異數模擬1000次的折線圖. . . . . . . . . . . . . .. 71
圖4.20 顯著水準0.1及樣本數為50下各檢定方法以Beaver模式增加125%變異數模擬1000次的折線圖. . . . . . . . . . . . . .  73

沈中華與李建然(2000)。事件研究法: 財務與會計實證研究必備。華泰文化事業公司。
范懷文(2001)。事件研究法: 母數、無母數與拔靴複製法之比較。中央大學財務管理研究所碩
士論文。
Beaver, W. H. (1968). The information content of annual earnings announcements.
Journal of Accounting Research, supplement 6, 67–92.
Boehmer, E., Musumeci, J., and Poulsen, A. B. (1991). Event-study methodology under
condition of event-induced variance. Journal of Financial Economics 30, 253–272.
Brown, S. J. and Warner, J. B. (1980). Measuring security price performance. Journal of
Financial Economics 8, 205–258.
Brown, S. J. and Warner, J. B. (1985). Using daily stock return: The case of event studies.
Journal of Financial Economics 14, 3–31.
Christie, A. (1983). On information arrival and hypothesis testing in event studies.
Working paper, University of Rochester, NY.
Chuang, C. C. and Chuang, S. L. (2005). The impacts of warrants issuance on the price
and trading volumes of the underlying stock: The call warrants case of taiwan stock
exchange. Information and Management Sciences 16, 17–34.
Corrado, Charles J. and Zivney, Terry L. (1992). The specification and power of the sign
test in event study hypothesis tests using daily stock returns. Journal of Financial and
Quantitative Analysis 27, 465–478.
Dimson, E. (1979). Risk measurement when shares are subject to infrequent trading.
Journal of Financial Economics 7, 197–226.
Efron, B. and Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman &
Hall/CRC.
Giaccotto, C. and Sfiridis, J. M. (1996). Hypothesis testing in event studies: The case of
variance changes. Journal of Economics and Business 48(4), 349–370.
Patell, J. M. (1976). Corporate forecasts of earnings per share and stock price behavior:
Empirical test. Journal of Accounting Research 14(2), 246–276.
Peterson, P. P. (1989). Event study: A review of issues and methodology. Quater Journal of
Business and Economics 28, 36–66.
Quenouille, M. H. (1949). Approximate tests of correlation in time-series. Journal of the
Royal Statistical Society, Ser. B 11, 68–84.
Scholes,M. andWilliam, J. (1977). Estimating betas from nonsychronous data. Journal of
Financial Economics 5, 309–328.
Shao, J. (1991). Consistency of jackknife variance estimators. Statistics 22, 49–57.