Appendiks A Anvendte test statistikker

Relaterede dokumenter
Analysestrategi. Lektion 7 slides kompileret 27. oktober :24 p.1/17

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som

Oversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode

Forelæsning 11: Kapitel 11: Regressionsanalyse

Appendiks Økonometrisk teori... II

To samhørende variable

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Anvendt Statistik Lektion 8. Multipel Lineær Regression

Økonometri Lektion 1 Simpel Lineær Regression 1/31

Økonometri: Lektion 6 Emne: Heteroskedasticitet

Normalfordelingen og Stikprøvefordelinger

Kvantitative metoder 2

Simpel Lineær Regression

Lagrange multiplier test. Økonometri: Lektion 6 Håndtering ad heteroskedasticitet. Konsekvenser af Heteroskedasticitet

Multipel Lineær Regression

Bilag 12 Regressionsanalysens tabeller og forklaringer

Økonometri: Lektion 6 Emne: Heteroskedasticitet

Statistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test

Stikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader

Løsning til eksaminen d. 29. maj 2009

Reminder: Hypotesetest for én parameter. Økonometri: Lektion 4. F -test Justeret R 2 Aymptotiske resultater. En god model

Kvantitative metoder 2

Konfidensintervaller og Hypotesetest

Økonometri: Lektion 4. Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater

Eksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet

! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

En Introduktion til SAS. Kapitel 5.

Statistik kommandoer i Stata opdateret 16/ Erik Parner

Anvendt Statistik Lektion 6. Kontingenstabeller χ 2 -test [ki-i-anden-test]

Normalfordelingen. Statistik og Sandsynlighedsregning 2

Løsning eksamen d. 15. december 2008

Produkt og marked - matematiske og statistiske metoder

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18

Statistik kommandoer i Stata opdateret 22/ Erik Parner

Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning

Anvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]

Økonometri: Lektion 2 Multipel Lineær Regression 1/27

Lineære normale modeller (4) udkast

Løsning til eksaminen d. 14. december 2009

Lineær regression. Simpel regression. Model. ofte bruges følgende notation:

Hypoteser om mere end to stikprøver ANOVA. k stikprøver: (ikke ordinale eller højere) gælder også for k 2! : i j

Statistik Lektion 16 Multipel Lineær Regression

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

De variable, som er inkluderet i de forskellige modeller, er følgende:

Ikke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test

grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen

PhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006

Simpel Lineær Regression: Model

Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning

a) Har måleresultaterne for de 2 laboranter samme varians? b) Tyder resultaterne på, at nogen af laboranterne måler med en systematisk fejl?

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller

Kapitel 11 Lineær regression

Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Statistiske modeller

Økonometri lektion 5 Multipel Lineær Regression. Inferens Modelkontrol Prædiktion

Normalfordelingen. Statistik og Sandsynlighedsregning 2

Fagplan for statistik, efteråret 2015

Modul 11: Simpel lineær regression

! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse

1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ

Modul 7: Eksempler. 7.1 Beskrivende dataanalyse Diagrammer. Bent Jørgensen. Forskningsenheden for Statistik ST501: Science Statistik

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.

Opsamling Modeltyper: Tabelanalyse Logistisk regression Generaliserede lineære modeller Log-lineære modeller

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Skriftlig Eksamen ST501: Science Statistik Tirsdag den 8. juni 2010 kl

Tema. Dagens tema: Indfør centrale statistiske begreber.

Multipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression

Statistik Formelsamling. HA Almen, 1. semester

Økonometri: Lektion 2 Multipel Lineær Regression 1/33

Modul 6: Regression og kalibrering

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Økonometri B i R. Sebastian Barfort.

Dagens Emner. Likelihood teori. Lineær regression (intro) p. 1/22

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse

Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.

OR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere

Transkript:

Appendiks A Anvendte test statistikker Afhandlingen opdeler testene i henholdsvis parametriske og ikke-parametriske test. De første fire test er parametriske test, mens de ikke-parametriske test udgør de sidste tre. Afhandlingen anvender i alt 7 forskellige test til at teste effekten af M&A markedet i Skandinavien. Parametriske test Test 1: Cross Sectional Dependence (Brown and Warner, 1980, 1985) Test 2: Cross Sectional Independence (Brown and Warner, 1980, 1985) Test 3: Adjusted Cross Sectional Independence (Brown and Warner, 1980, 1985 and Patell, 1976) Test 4: Adjusted Standardized Abnormal Return (Brown and Warner, 1985; Patell, 1976) Ikke-parametriske test Test 5: Rank Test (Corrado, 1989; and Zivney, 1992) Test 6: Sign Test (Corrado and Zivney, 1992) Test 7: Generalised Sign Test (Cowan, 1992; Cowan and Sergeant, 1996) Parametriske tests Test 1 Cross-sectionel afhængighed Denne metode estimerer variansen på tværs af stikprøven, over tid. Metoden finder sin anvendelse i tilfælde hvor flere events forekommer i den samme kalenderperiode kan der være cross-sectionel korrelation mellem de anormale afkast. For at kunne beregne standardafvigelsen er der nogle step man skal igennem. Første step er beregningen af det gennemsnitlige anormale afkast på tværs af stikprøven: =, (A.1) Efterfølgende beregnes gennemsnittet af de gennemsnitlige anormale afkast på tværs af stikprøven i estimationsperioden T:

= (A.2) Metoden estimerer variansen ved: = ( ) (A.3) = ( ) ~ (0,1) (A.4) Test 2 Cross-Sectionel uafhængighed Denne er en alternativ til cross-sectionel afhængighed. Forskellen består i at man her ser uafhængigt på de enkelte observationer i stikprøven. Denne metode mener, at der ikke forekommer korrelation på tværs af stikprøven. Første step er beregningen af det gennemsnitlige anormale afkast på tværs af stikprøven på tilsvarende måde som i test 1: =, (A.5) Efterfølgende bestemmes estimationsperiodens standardafvigelse som: = ( ) (A.6) = ( ) ~ ( 1) (A.7) Test 3 Cross-sectionel uafhængighed med Patell s justeringsfaktor Denne er en alternativ metode til cross-sectionel uafhængighed test. Forskellen består i at der inddrages et ekstra led, som kaldes Patells justeringsfaktor, der tager højde for forecast error.

Første step er som foroven beregningen af det gennemsnitlige anormale afkast på tværs af stikprøven på tilsvarende måde som i test 1: =, (A.8) Efterfølgende bestemmes estimationsperiodens standardafvigelse for hver dag i event vinduet: = ( ) 1 + + (, ) (, ) (A.9) = ( ) (, ) (, ) ~ ( 1) (A.10) Test 4 Standardiseret cross-sectionel uafhængighed med Patell s justeringsfaktor Antagelsen om, at alle anormale afkast er identisk fordelte med identisk varians holder ikke altid. Dette kan variere, da nogle aktier er mere volatile end andre. Derudover tager metoden og hensyn til forskelle i varianser (forecast error). De standardiserede anormale afkast bestemmes ved at dividere de anormale afkast med de enkelte aktiers standardafvigelsen. Dette sker ved:, =, ( ) (A.11) Dette kan omskrives til:, =, ( ) (, ), (A.12) = ~ ( 1) (A.13)

Ikke-parametriske test Da anormale afkast ikke er normalfordelte, men fat-tailed, er de parametriske test statistikker ikke helt valide og dermed misspecificerede. Her finder ikke-parametriske test anvendelse, da test statistikkerne er bedre specificerede og mere kraftfulde. Test 5 Ranks test Metoden sammenligner rangeringerne i event perioden for hver aktie, med det forventede gennemsnitlige rang. Denne test rangerer de anormale afkast i estimationsperioden for hver transaktion, hvorefter de enkelte afkast standardiseres med T+1:, = (, ) (A.14), =, () (A.15) Det gennemsnits værdien ved rangering bliver:, = ( )()/() () = (A.16) På baggrund af ovenstående defineres standardafvigelsen som: = ( (. )) (A.17) = ( (. )) ~ (0,1) (A.18) Test 6 Sign test Sign testen tester om der forekommer lige mange negative som positive anormale afkast på event dagene. Den der baseret på fraktionen om at der forekommer positive anormale afkast i event perioden. Sign(x) kan antage værdien -1, 0, +1, og måler det anormale afkast fortegn. Det udtrykkes: (A.19), = (,, )

Standardafvigelsen for denne test er givet ved at kvadrere fortegnene og addere summen. () = ( (. )) (A.20) = ( ), () (A.21) Test 7 Generaliseret Sign test Sandsynligheden for et positivt anormalt afkast er i sign testen lig 0,5under nul hypotesen. ) = (, (A.22), = 1 hvis A i,t > 0 og ellers 0. Dette giver os følgende test statistik: = ( ) () (A.23)

Appendiks B Forudsætninger for multivariate regression Der gælder en række antagelser og forudsætninger for multiple regressionsanalyser, at kunne analysere de statistiske resultater af OLS estimaterne (Heij, 2004). Forudsætning 1: Simpel tilfældig udvalgt stikprøve Forudsætning 2: Variablen X er ikke stokastisk Forudsætning 3:, = 0 Forudsætning 4: Homoskedasticitet Forudsætning 5: Konstante parametre Forudsætning 6: Lineære sammenhæng mellem Y og X Forudsætning 7: Fejlleddene skal normalfordelte

Appendiks C Test for heteroskedacitet og normalitet Panel A Test for Heteroskedacitet for event vinduet [-10;+10] Breusch-Pagan test for heteroskedasticity chi2(1) = 58,55 Prob > chi2 = 0,0000 Panel B Test for Heteroskedacitet for event vinduet [-1;+1] Breusch-Pagan test for heteroskedasticity chi2(1) = 47,14 Prob > chi2 = 0,0000 Breusch-Pagan testen viser at der forekommer problemer med heteroskedacitet i afhandlingens anvendte stikprøve. Nul hypotesen om homoskedacitet afvises og der er dermed tegn på heteroskedacitet. På grund af dette problem er regressionerne kørt robuste i STATA. Panel C Histogram af residualerne for event vinduet [-10;+10]

Panel D Histogram af residualerne for event vinduet [-1;+1] Som det ses af panel A forekommer der outliers, hvilket ifølge teorien giver biased og misspecificerede resultater. Stikprøven vil dog ikke blive ændret. Ved at fjerne outliers, fortæller man at disse anormaliteter aldrig vil forekomme igen, og at det derfor blot er engangstilfælde. I stedet for at fjerne disse outliers køres regressionerne robuste der giver unbiased og bedre specificeret resultater.

Appendiks D Udvælgelseskriterier (Zephyr) Afhandlingen har anvendt følgende procedure i forbindelse med dataudvælgelses.: Geography country - Acquirer Sweden Deal location Scandinavia Denmark, Finland, Norway and Domestic/Cross Border Time Period 2000 2010 Current Deal Status Deal Type Method of Payment Completed Acquisition, Merger Cash/Shares Acquired stake Acquired Stake Min = 100 % Acquiring company Stock Exchange (Acquirer) Quoted Oslo Axess Stock Exchange NASDAQ OMX Copenhagen/Helsinki/Stockholm and

Appendiks F Cross-sectionel regressions resultater inkl. Ejerforhold Variabler [-10;+10] [-1;+1] Konstant 0,0816 0,0907* (0,35) (0,07) Handels - og markedsspecifikke variabler Kontantbetaling -0,0287-0,0090 (0,22) (0,54) Indenlandsk -0,0377 0,0013 (0,26) (0,94) Relateret 0,0208 0,0012 (0,39) (0,41) Finanskrise 0,0142-0,0051 (0,67) (0,74) Virksomhedsspecifikke variabler Opkøbers størrelse 0,0176-0,048 (0,76) (0,20) Relativ størrelse 0,0185* 0,0016 (0,06) (0,77) Kultur variabel Engelsktalende -0,0142 0,0226 (0,69) (0,29) Geografiske variabler Europa - Nordamerika -0,0521-0,0296 (0,29) (0,26) Asien 0,0155-0,0533 (0,79) (0,49) Øvrige -0,0360 0,0349 (0,52) (0,35) Ejer forhold Storaktionær 0,0075-0,0035 (0,72) (0,80) Industriklassifikation NACE kode 10-33: Produktion - - NACE kode 58-63: Information og kommunikation -0,0037-0,0219 (0,87) (0,23) NACE kode 64-66: Finans og forsikring 0,2305** 0,0957* (0,03) (0,10) NACE kode 69-75: Professionel, videnskabelig og teknisk 0,0626 0,0057 (0,24) (0,83) NACE kode: Andet -0,0345-0,0059 (0,25) (0,75) R(2) 5,32 % 11,83 % F-værdi 1,03 1,29