1.2　研究思路与方法

1.2.1　研究思路

本书借鉴Baker和Wurgler的股利迎合理论及其相应的实证分析方法，结合我国资本市场发展现状，在强化现金分红政策、股权分置改革的背景下，以现金分红和送转两种主要的股利政策形式为研究对象，对股利政策“支付与否”“支付多少”“支付形式”等问题进行实证分析，并挖掘股利溢价、股利支付意愿及股利支付情况的公司治理因素，以及其他发展特征因素，检验股利迎合理论的适用性及股利异象的成因，并提出相应对策和建议，进而为优化公司治理结构，规范股票分配形式，健全投资者利益保护机制提供有益参考。

第一，结合研究背景归纳研究主题及目的；第二，通过文献综述梳理理论基础，揭示传统理论解释力的不足及股利迎合理论的先进性；第三，总结我国上市公司股利分配的现状及相关的政策，为研究奠定现实基础；第四，构建研究解释框架，即结合股利迎合理论及我国上市公司股利政策特征，归纳股利政策的迎合行为特性及其治理优化机制；第五，对强化现金分红政策、股权分置改革等外部规制影响下的现金分红进行迎合检验，对股权分置改革后不同板块、不同层次的上市公司送转股行为的迎合特征与治理动因进行检验，并对现金分红和送转股进行联合检验，验证迎合理论解释力并找到我国上市公司股利迎合行为的治理缺陷；第六，从监管机构、上市公司管理者与大股东、中小投资者等层面提出股利政策迎合行为治理优化的对策，如图1-1所示。

1.2.2　研究方法

本书在研究过程中注重理论推演与现实分析相结合、定性与定量分析相结合、规范与实证分析相结合，对上市公司股利政策的迎合行为及其治理进行研究。在理论分析上，本书以股利政策理论的重要文献为基础，结合我国强化现金分红政策、股票股利政策等外部治理约束和特殊股利形式对股利迎合理论进行推演，结合我国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点和决策动因。

本书在强化现金分红政策、股权分置改革、高送转及股利政策的背景下，采用应用计量方法对股利政策迎合行为及其治理因素进行实证分析，计量方法主要采用Logit模型、面板数据模型、Tobit模型。

1. Logit模型

假设个体只有两种选择，即y=1，或y=0。为了使y的预测值介于[0，1]，在给定x的情况下，得出y的两点分布概率，即

当F（x，β）为逻辑分布（Logistic Distribution）的累积分布函数时，即

该模型为Logit模型。式（1-2）中逻辑分布的累积分布函数的图形与标准正态分布的图形比较相似，其密度函数关于原点对称，期望值为0，方差为π2/3（大于标准正态的方差），具有厚尾（Fat Tails）特征，更接近自由度为7的t分布。

2. 面板数据模型

本书所用的面板数据为短面板（大n小T），运用的估计策略：假设个体的回归方程拥有相同的斜率，但可以有不同的截距项，以此捕捉异质性，构建的模型为

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

该模型为个体效应模型（Individual-specific Effects Model）。其中，z′_i是不随时间改变的个体特征（z_it=z_i，∀t），而x′_it可随个体和时间改变。扰动项由（u_i+ε_it）两部分构成，称为复合扰动项，故式（1-3）也称为复合扰动项模型（Error Components Model）。其中，u_i为代表个体异质性的截距项，是不可观测的随机变量，因而式（1-3）也可称为不可观测效应模型（Unobser ved Effects Model）；ε_it为随个体与时间改变的扰动项，并假设其独立同分布，且与u_i不相关。

（1）固定效应模型（Fixed Effects Model, FE）。如果u_i与某个解释变量相关，则可把式（1-3）称为固定效应模型。对于固定效应模型，运用OLS估计是不一致的，故将通过消去u_i获得一致估计量。具体做法如下。

将式（1-3）两边对时间取平均可得

将式（1-3）减去式（1-4），得到原模型的离差形式，即

令，，，则

在式（1-6）中，由于已将u_i消去，如果与不相关，则可以用OLS一致估计β，称为固定效应估计量（Fixed Effects Estimator），记为。由于主要使用了每个个体的组内离差信息，因此也称为组内估计量（Within Estimator）。该模型的优势在于即使个体特征u_i与解释变量x_it相关，仍可以得到一致估计。但由于作离差转换时消去了z′_iδ，故无法估计δ。与此同时，固定效应模型存在扰动项必须与各期解释变量均不相关的较强假设。

（2）随机效应模型。在式（1-3）中，如果u_i与所有解释变量（x′_it，z′_i）均不相关，则把式（1-3）称为随机效应模型（Random Effects Model, RE）。由于扰动项由（u_i+ε_it）组成，不是球型扰动项，因此OLS估计不是最有效率的。假设不同个体之间的扰动项互不相关，由于u_i的存在，因此同一个体不同时期的扰动项之间存在自相关，即

式中，为u_i的方差，不随i变化；为ε_it的方差，不随i和t变化。当t≠s时，其自相关系数为

由式（1-8）可知，同一个体不同时期的扰动项之间的自相关系数ρ不随时间距离（t-s）改变，因此随机效应模型也称等相关模型（Equicorrelated Model）。ρ越大，复合扰动项（u_i+ε_it）中个体效应部分（u_i）越重要。

由于OLS估计是一致的，且其扰动项为（u_i+ε_it），因此可用OLS的残差估计。此外，FE也是一致的，其扰动项为，可用FE的残差估计。然后，使用可行广义最小二乘法（FGLS）估计原模型，得到随机效应估计量（Random Effects Estimator），记为。

（3）豪斯曼检验。处理面板数据面临使用固定效应模型或随机效应模型的选择，为此可通过豪斯曼检验（Hausman, 1978）进行判断。提出原假设：“H₀：u_i与x_it，z_i不相关”（随机效应模型为正确模型）。

无论原假设是否成立，FE都是一致的。如果原假设成立，则RE 比FE更有效；如果原假设不成立，则RE不一致。因此，如果H₀成立，则FE与RE的估计量将共同收敛为真实参数值，。反之，二者的差距过大，则倾向于拒绝原假设。

豪斯曼检验的统计量为

其中，K为的维度，即x′_it中所包含的随时间改变的解释变量个数。如果该统计量大于临界值，则拒绝H₀，选择用固定效应模型。

3. Tobit模型

本书构建的Tobit模型为Tobit两部分模型，可分别进行估计（通常假设两部分独立），第一部分的二值选择可用全样本进行Probit或Logit估计，第二部分可由相应子样本进行OLS估计，涉及的具体方法与上述Logit模型及面板数据模型一致。