1.2　研究思路與方法

1.2.1　研究思路

本書借鑒Baker和Wurgler的股利迎合理論及其相應(yīng)的實(shí)證分析方法，結(jié)合我國資本市場(chǎng)發(fā)展現(xiàn)狀，在強(qiáng)化現(xiàn)金分紅政策、股權(quán)分置改革的背景下，以現(xiàn)金分紅和送轉(zhuǎn)兩種主要的股利政策形式為研究對(duì)象，對(duì)股利政策“支付與否”“支付多少”“支付形式”等問題進(jìn)行實(shí)證分析，并挖掘股利溢價(jià)、股利支付意愿及股利支付情況的公司治理因素，以及其他發(fā)展特征因素，檢驗(yàn)股利迎合理論的適用性及股利異象的成因，并提出相應(yīng)對(duì)策和建議，進(jìn)而為優(yōu)化公司治理結(jié)構(gòu)，規(guī)范股票分配形式，健全投資者利益保護(hù)機(jī)制提供有益參考。

第一，結(jié)合研究背景歸納研究主題及目的；第二，通過文獻(xiàn)綜述梳理理論基礎(chǔ)，揭示傳統(tǒng)理論解釋力的不足及股利迎合理論的先進(jìn)性；第三，總結(jié)我國上市公司股利分配的現(xiàn)狀及相關(guān)的政策，為研究奠定現(xiàn)實(shí)基礎(chǔ)；第四，構(gòu)建研究解釋框架，即結(jié)合股利迎合理論及我國上市公司股利政策特征，歸納股利政策的迎合行為特性及其治理優(yōu)化機(jī)制；第五，對(duì)強(qiáng)化現(xiàn)金分紅政策、股權(quán)分置改革等外部規(guī)制影響下的現(xiàn)金分紅進(jìn)行迎合檢驗(yàn)，對(duì)股權(quán)分置改革后不同板塊、不同層次的上市公司送轉(zhuǎn)股行為的迎合特征與治理動(dòng)因進(jìn)行檢驗(yàn)，并對(duì)現(xiàn)金分紅和送轉(zhuǎn)股進(jìn)行聯(lián)合檢驗(yàn)，驗(yàn)證迎合理論解釋力并找到我國上市公司股利迎合行為的治理缺陷；第六，從監(jiān)管機(jī)構(gòu)、上市公司管理者與大股東、中小投資者等層面提出股利政策迎合行為治理優(yōu)化的對(duì)策，如圖1-1所示。

1.2.2　研究方法

本書在研究過程中注重理論推演與現(xiàn)實(shí)分析相結(jié)合、定性與定量分析相結(jié)合、規(guī)范與實(shí)證分析相結(jié)合，對(duì)上市公司股利政策的迎合行為及其治理進(jìn)行研究。在理論分析上，本書以股利政策理論的重要文獻(xiàn)為基礎(chǔ)，結(jié)合我國強(qiáng)化現(xiàn)金分紅政策、股票股利政策等外部治理約束和特殊股利形式對(duì)股利迎合理論進(jìn)行推演，結(jié)合我國上市公司股利政策及治理的特殊性分析股利政策的迎合特點(diǎn)和決策動(dòng)因。

本書在強(qiáng)化現(xiàn)金分紅政策、股權(quán)分置改革、高送轉(zhuǎn)及股利政策的背景下，采用應(yīng)用計(jì)量方法對(duì)股利政策迎合行為及其治理因素進(jìn)行實(shí)證分析，計(jì)量方法主要采用Logit模型、面板數(shù)據(jù)模型、Tobit模型。

1. Logit模型

假設(shè)個(gè)體只有兩種選擇，即y=1，或y=0。為了使y的預(yù)測(cè)值介于[0，1]，在給定x的情況下，得出y的兩點(diǎn)分布概率，即

當(dāng)F（x，β）為邏輯分布（Logistic Distribution）的累積分布函數(shù)時(shí)，即

該模型為Logit模型。式（1-2）中邏輯分布的累積分布函數(shù)的圖形與標(biāo)準(zhǔn)正態(tài)分布的圖形比較相似，其密度函數(shù)關(guān)于原點(diǎn)對(duì)稱，期望值為0，方差為π2/3（大于標(biāo)準(zhǔn)正態(tài)的方差），具有厚尾（Fat Tails）特征，更接近自由度為7的t分布。

2. 面板數(shù)據(jù)模型

本書所用的面板數(shù)據(jù)為短面板（大n小T），運(yùn)用的估計(jì)策略：假設(shè)個(gè)體的回歸方程擁有相同的斜率，但可以有不同的截距項(xiàng)，以此捕捉異質(zhì)性，構(gòu)建的模型為

y_it=x′_itβ+z′_iδ+u_i+ε_it(i=1, …, n; t=1, …, T) (1-3)

該模型為個(gè)體效應(yīng)模型（Individual-specific Effects Model）。其中，z′_i是不隨時(shí)間改變的個(gè)體特征（z_it=z_i，?t），而x′_it可隨個(gè)體和時(shí)間改變。擾動(dòng)項(xiàng)由（u_i+ε_it）兩部分構(gòu)成，稱為復(fù)合擾動(dòng)項(xiàng)，故式（1-3）也稱為復(fù)合擾動(dòng)項(xiàng)模型（Error Components Model）。其中，u_i為代表個(gè)體異質(zhì)性的截距項(xiàng)，是不可觀測(cè)的隨機(jī)變量，因而式（1-3）也可稱為不可觀測(cè)效應(yīng)模型（Unobser ved Effects Model）；ε_it為隨個(gè)體與時(shí)間改變的擾動(dòng)項(xiàng)，并假設(shè)其獨(dú)立同分布，且與u_i不相關(guān)。

（1）固定效應(yīng)模型（Fixed Effects Model, FE）。如果u_i與某個(gè)解釋變量相關(guān)，則可把式（1-3）稱為固定效應(yīng)模型。對(duì)于固定效應(yīng)模型，運(yùn)用OLS估計(jì)是不一致的，故將通過消去u_i獲得一致估計(jì)量。具體做法如下。

將式（1-3）兩邊對(duì)時(shí)間取平均可得

將式（1-3）減去式（1-4），得到原模型的離差形式，即

令，，，則

在式（1-6）中，由于已將u_i消去，如果與不相關(guān)，則可以用OLS一致估計(jì)β，稱為固定效應(yīng)估計(jì)量（Fixed Effects Estimator），記為。由于主要使用了每個(gè)個(gè)體的組內(nèi)離差信息，因此也稱為組內(nèi)估計(jì)量（Within Estimator）。該模型的優(yōu)勢(shì)在于即使個(gè)體特征u_i與解釋變量x_it相關(guān)，仍可以得到一致估計(jì)。但由于作離差轉(zhuǎn)換時(shí)消去了z′_iδ，故無法估計(jì)δ。與此同時(shí)，固定效應(yīng)模型存在擾動(dòng)項(xiàng)必須與各期解釋變量均不相關(guān)的較強(qiáng)假設(shè)。

（2）隨機(jī)效應(yīng)模型。在式（1-3）中，如果u_i與所有解釋變量（x′_it，z′_i）均不相關(guān)，則把式（1-3）稱為隨機(jī)效應(yīng)模型（Random Effects Model, RE）。由于擾動(dòng)項(xiàng)由（u_i+ε_it）組成，不是球型擾動(dòng)項(xiàng)，因此OLS估計(jì)不是最有效率的。假設(shè)不同個(gè)體之間的擾動(dòng)項(xiàng)互不相關(guān)，由于u_i的存在，因此同一個(gè)體不同時(shí)期的擾動(dòng)項(xiàng)之間存在自相關(guān)，即

式中，為u_i的方差，不隨i變化；為ε_it的方差，不隨i和t變化。當(dāng)t≠s時(shí)，其自相關(guān)系數(shù)為

由式（1-8）可知，同一個(gè)體不同時(shí)期的擾動(dòng)項(xiàng)之間的自相關(guān)系數(shù)ρ不隨時(shí)間距離（t-s）改變，因此隨機(jī)效應(yīng)模型也稱等相關(guān)模型（Equicorrelated Model）。ρ越大，復(fù)合擾動(dòng)項(xiàng)（u_i+ε_it）中個(gè)體效應(yīng)部分（u_i）越重要。

由于OLS估計(jì)是一致的，且其擾動(dòng)項(xiàng)為（u_i+ε_it），因此可用OLS的殘差估計(jì)。此外，F(xiàn)E也是一致的，其擾動(dòng)項(xiàng)為，可用FE的殘差估計(jì)。然后，使用可行廣義最小二乘法（FGLS）估計(jì)原模型，得到隨機(jī)效應(yīng)估計(jì)量（Random Effects Estimator），記為。

（3）豪斯曼檢驗(yàn)。處理面板數(shù)據(jù)面臨使用固定效應(yīng)模型或隨機(jī)效應(yīng)模型的選擇，為此可通過豪斯曼檢驗(yàn)（Hausman, 1978）進(jìn)行判斷。提出原假設(shè)：“H₀：u_i與x_it，z_i不相關(guān)”（隨機(jī)效應(yīng)模型為正確模型）。

無論原假設(shè)是否成立，F(xiàn)E都是一致的。如果原假設(shè)成立，則RE 比FE更有效；如果原假設(shè)不成立，則RE不一致。因此，如果H₀成立，則FE與RE的估計(jì)量將共同收斂為真實(shí)參數(shù)值，。反之，二者的差距過大，則傾向于拒絕原假設(shè)。

豪斯曼檢驗(yàn)的統(tǒng)計(jì)量為

其中，K為的維度，即x′_it中所包含的隨時(shí)間改變的解釋變量個(gè)數(shù)。如果該統(tǒng)計(jì)量大于臨界值，則拒絕H₀，選擇用固定效應(yīng)模型。

3. Tobit模型

本書構(gòu)建的Tobit模型為Tobit兩部分模型，可分別進(jìn)行估計(jì)（通常假設(shè)兩部分獨(dú)立），第一部分的二值選擇可用全樣本進(jìn)行Probit或Logit估計(jì)，第二部分可由相應(yīng)子樣本進(jìn)行OLS估計(jì)，涉及的具體方法與上述Logit模型及面板數(shù)據(jù)模型一致。