201504 - page 62

北京工商大学学报( 社会科学版)摇 摇 摇 摇 2015 年摇 第 4 期
5郾 主要工具变量
分析师覆盖和企业绩效可能存在内生性关
系, 故引入市场信息不对称程度指标———CAPM
模型的 R2 以及个股是否属于沪深 300 指数的哑
变量来控制内生性。 由于波动率是一个绝对指
标, 本文选用相对指标 R2 来代替它: R 2 越大 , 说
明个股收益率越容易被市场收益率解释, 从而信
息不对称程度比较低,否则越高。
( 二 ) 主要变量的差值检验
未报告的基本统计量表结果表明, 在本文选
取的样本中, 分析师覆盖的并购数和分析师非覆
盖的并购数之比为 2颐 1,因此样本的对比性较强 。
市场绩效[ CAR ( - 5,1)] 的分析师覆盖组和分析
师非覆盖组的基本统计量区分不是很明显( 见表
3), 即大样本性质显示其分布特征比较接近, 其
中均值和中位数均为正数, 表明窗口期市场表现
为正;经济绩效[驻ROA( - 1,1)] 也具有类似的分
布性质, 但中位数和均值取值为负,表明并购后公
司的经营绩效并没有得到改善。 上述两个绩效指
标的两总体差值检验表明,即使在 10% 的检验水
平下,也没用足够的证据表明它们在两组中具有
显著的差异。 而成长性[驻Tobin蒺sQ( - 1,1)] 的差
值却在 1% 的检验水平上显著, 表明覆盖组和非
覆盖组具有显著差异。 并购特征指标中, 资产目
标( UnderlyingAsset) 在分析师覆盖组和分析师非
覆盖组取值没有显著差异,占比均为 42% 。 其他
的企业并购特征指标的两总体差值检验显著: 覆
盖组的溢价( MergerPremium) 要高于非覆盖组, 可
能源于对分析师的溢价补偿;覆盖组的关联交易
( Relevance) 比例要低于非覆盖组 , 可见分析师可
能倾向于选择非关联企业作为覆盖对象; 分析师
覆盖组的重大重组 ( MajorRestructuring) 比例是非
覆盖组比例的 2 倍, 可见分析师倾向于选择重大
重组企业作为覆盖对象; 现金支付 ( CashPay ) 的
比例上, 也是分析师覆盖组高于覆盖组,表明分析
师可能更愿意选择现金支付方式的企业作为覆盖
对象。 有政府持股 ( StateO ) 的比例都在 43% 左
右, 两组间在统计上没有显著差异。 此外, 控制变
量两组差值检验在统计上具有显著差异 愚, 表明
有必要将它们纳入回归分析。
表 3摇 主要变量的差值检验
变量 样本量 均值之差 t 值或卡方值 F 统计量
CAR( - 5,1 ) 4 583 0郾 001 0郾 480 1郾 290 ***
驻ROA ( - 1,1 ) 4 583 0郾 000 0郾 290 1郾 320 ***
驻Tobin蒺sQ ( - 1,1 ) 4 583 - 0郾 088 - 3郾 430 *** 1郾 050
MergerPremium 4 583 0郾 001 34郾 160 *** 1郾 150 ***
UnderlyingAsset 4 583 0郾 000 0郾 209 /
Relevance 4 583 0郾 000 69郾 213 *** /
MajorRestructuring 4 583 0郾 000 12郾 156 *** /
CashPay 4 583 0郾 000 51郾 053 *** /
StateO 4 583 0郾 000 0郾 861 /
摇 摇 注:变量为哑变量时 ,选用卡方检验; 变量为定量数据时, 选用两总体均值之差 t 检验, 其中 F 统计量用于检验两总
体是否存在异方差, 存在均值检验使用 Satterthwaite 方法, 否则使用 Pooled 方法。 * 、 **、 ***分别表示在 10% 、5% 、 1% 的检
验水平上显著。 均值之差是指覆盖组减去非覆盖组。
五、 实证结果分析
( 一 ) 分析师覆盖的交互效应分析
本文探讨分析师和并购特征之间的交互作用
( 见表 4),以进一步探讨分析师是否有能力区分
和使用这些信息。
在表 4 中 , 根据分析师覆盖哑变量 ( 覆盖时
取值为 1,否则取值为 0) 和资产目标、 关联并购、
重大重组、现金支付、明星分析师和国有持股哑变
量的组合各自分成了三组,以资产目标为例分别是:
Group1( AnalystCoverage = 1, UnderlyingAsset = 1)
表示该组由分析师覆盖了资产目标的并购案组
成;Group2 ( AnalystCoverage = 1, UnderlyingAsset =
·26·