选了combobox里的选项后没激发change事件

选了combobox里的选项后没激发change事件_stata 事件分析法

前言：

因为一些原因，国庆节期间学的。学习过程很酸爽，自己并没有很多统计学及其相关软件的经验，网上相关资料也不是很多。我在微信公众号、知网、经管之家、B站、百度文库等很多平台找了各式的资料来学（花了70大洋去买代码，本学生穷得叮当响），最终有了一个简单的成果（当然，在数据的处理上还比较粗糙，没有剔除ST，事件窗口也只有一个）。进一步的成果涉及到一些东西，就无法发出了。

希望能给像我一样的小白一些帮助（本来想写一个教程，但原谅我太懒了）。另外，请大佬们多多指导！

正文：

事件分析法：见百度 https://baike.baidu.com/item/事件分析法/2871756

1. 定义事件：上海自贸区成立
2. 样本选取范围：2013年8月22日前位于上海的上市公司的所有A股
3. 考察：2013年8月22日上海自贸区成立当日，位于上海上市公司的短期市场反应
4. 数据来源：CSMAR
5. 事件窗口：以2013年8月22日为事件日，（-5，+5）为研究期间
6. 估计窗口：（-155，-6）
7. 估计模型：市场模型
8. 估计正常表现
9. 异常表现和累计超额回报
10. 显著性检验
11. 全部事件交叉检验
12. 结论：上海自贸区成立对位于上海的上市公司的所有A股有显著的市场效应

1.导入数据

/*首先在CSMAR下载（2013.03.20-2013.8.22）（上海市）（所有A股）的股票代码、交易日期、考虑了现金分红的日收益率，和（2013.03.20-2013.8.22）（沪深300指数）的交易日期、考虑了现金分红的日收益率，下载数据类型为excel类型；

然后，用vlookup函数处理两个excel表格，根据交易日期，把沪深300指数的日收益率对应到上海市A股日收益率后；

接着，增加event_date这一列；

接着，把股票代码由文本类型转换成常规类型。*/

/*将处理好的excel复制到Data Editor里，保存到路径里（查看路径用pwd），保存为event_study.dta。*/

//调用时：

use event_study.dta

2.数据处理

//将日期从字符串型转换为数值型：

set matsize 500
cap gen event_date1=date(event_date,"YMD")
drop event_date
rename event_date1 event_date
format event_date %dCY-N-D
set matsize 500
cap gen trade_date1=date(trade_date,"YMD")
drop trade_date
rename trade_date1 trade_date
format trade_date %dCY-N-D

//关闭more选项，使一次全部输出：

set more off

3.估计正常收益

sort stk_id trade_date //按股票代码、交易日进行排序 
by stk_id:gen datenum=_n //对每一股票按交易日从1开始计数：1、2、3、4……用来计算每一个股票有多少行数据
by stk_id:gen target=datenum if trade_date==event_date //针对每只股票，生成target变量，并且如果交易日=事件日，对target变量赋值上datenum变量的数值
by stk_id: replace target=datenum if trade_date-event_date<=1 & trade_date-event_date>=-1 //针对每只股票，对发行公告日前后1天有交易的行数据，用datenum变量的数值覆盖target变量的数值
egen td1=mean(target),by(stk_id) //针对每只股票生成变量td1，并赋值target的均值
gen td2=round(td1) //生成td2变量并赋值td1的四舍五入数值
gen dif=datenum-td2 //生成dif变量，并赋值datenum-td2，该数值代表以事件日为起点，向前/后开始计数的天数
by stk_id: gen event_window=1 if dif>=-5 & dif<=5 //针对每只股票，生成事件窗口变量并赋值“1”，dif变量大于-5小于5表示事件窗口为（-5,5）
egen count_event_obs=count(event_window), by(stk_id) //针对每只股票生成计算事件窗口天数的变量
by stk_id:gen estimation_window=1 if dif>=-155 & dif<-6 //针对每只股票，生成估计窗口变量并赋值“1”，dif变量大于-155小于-6表示估计窗口为（-155,-6）
egen count_est_obs=count(estimation_window), by(stk_id) //针对每只股票生成计算估计窗口天数的变量
replace event_window=0 if event_window==. //如果事件窗口为空值，则赋值“0”
replace estimation_window=0 if estimation_window==. //如果估计窗口为空值，则赋值“0”
gen predicted_return=. //生成估计收益变量并赋值空值
egen id=group(stk_id) //重新定义公司代码为1，2，3...,便于执行循环
forvalues id=1(1)194 {
reg stk_chg zs_chg if id==i & estimation_window==1 //得到全样本范围内的正常回报率
predict p if id==i //在事件窗口内计算正常回报率
replace predicted_return = p if id==i & event_window==1
drop p
}

/*通过上述id，可知共194个样本股票，对1-194个股票的估计窗口内的数据进行回归，股票涨跌幅为因变量，指数涨跌幅为自变量，并对每只股票用回归方程结果计算其预期收益。

对每只股票的事件窗口（-5,5），用预期收益覆盖predicted_return变量的空值。该方法为用市场模型计算事件窗口期内的预期收益。*/

4.超额收益和累计超额收益

sort id trade_date //按id、交易日排序
gen AR=stk_chg-predicted_return if event_window==1 //计算每个公司在事件期内的日非正常报酬率
by id:egen car=sum(AR) //计算每个公司在事件窗口内的累计非正常报酬率（固定值）
gen car_date=.
forvalues id=1(1)194 {
replace car_date=sum(AR) if (id==i & event_window==1)
} //每个公司在事件窗口内逐日累加得到的累积回报率

5.显著性检验

/*其中AR是超额收益，ar_sd是超额收益的标准差。如果test的绝对值大于1.96，则每只股票的平均超额收益在5%的显著性水平上异于0。*/

sort id trade_date //按id、交易日排序
by id:egen ar_sd=sd(AR) //对每个公司求超额收益的标准差
gen test=(1/sqrt(11))*(car/ar_sd) //生成test统计量
list stk_id car test if dif==0 //列出发生事件的公司代码，累计超额收益，test统计量

//输出excel表格：

outsheet stk_id trade_date car test using car_test.csv if dif==0,comma names

6.在整个事件期内进行稳健性检验

reg car if dif==0, robust

/*由p值可知，我们可以在1%水平上拒绝这194家公司的累积超常回报率为0的原假设（在1%的显著性水平下显著，car在整个事件期内稳健）。*/

7.事件期内car的走势图（看两点之差）

//注：这一步是我乱加的。

preserve
keep if event_window==1
bysort dif:egen car_t=mean(car_date)
keep dif car_t //计算每天的平均累积超常回报率
duplicates drop //仅保留事件期的观察值
twoway connect car_t dif //绘制时序图
restore