（撰稿：吴玥明，摄影：刘荣光）“一些人使用统计就像喝醉鬼使用街灯柱一样——支撑功能多于照明功能。”郑德渊老师开篇就引用了一句名人名言，告诉我们数量分析方法不仅是一门有着深厚底蕴的学科，它更是辅助专业研究的工具，我们要学会用它，更要用好它。郑老师不光把统计学的理论知识传授给我们，还告诉我们如何将这些知识应用在会计、金融、经济乃至社会学领域。光说不练是行不通的，紧接着赵春光老师利用SPSS软件生动地演绎了实证论文中描述性统计、假设检验和回归分析等到底是如何实现的，比如按照企业规模分类的股权收益率ROE在长期将会趋于一致，再如通过多元回归研究找出显著影响股价的主要因素到底有哪些等。下面本文将从三个方面带您领略数量分析方法的奥秘。

一、描述性统计

我们在本科阶段对描述性统计就有所了解了，但这次郑老师从数据的四种类型——定类型数据、定序型数据、定距型数据和定比型数据讲起，再引入四分位数、标准差、奇异值等常见统计量。当然，郑老师不仅仅满足于告诉我们这些公式，他还举了一些例子让我们加深印象。比如，我们都知道金融产品都是高风险高收益的，那么如何从量化的指标进行解释呢？郑老师引用了伊博森公司根据资产类别分类统计的收益率（如图1-1所示），用数据说话证实了高收益对应着高风险。

图1-1  按资产类型分类的收益率图

此外，统计指标在社会学方面也有所运用，比如在美国有做过一种调查，凶手的肤色与被判死刑是否有关。研究先对1976年至1977年佛罗里达州29个地区凶杀案件进行调查，结果如图1-2所示。把凶手分为白人和黑人后，判决死刑的比例分别为11.9%和10.2%，仅仅相差了1.7个百分点。

图1-2  分类一判决死刑比例图

但如果将被害人也分类为白人和黑人后再进行统计，发现了很有意思的现象。如图1-3所示，在被害人是黑人的情况下凶手被判决死刑的比例普遍低于被害人是白人的情形，其中，在被害人是黑人的情形下白人凶手可以免于死刑。

图1-3  分类二判决死刑比例图

郑老师反复告诫我们，运用数量分析工具不能忘记研究最初的目标，要对数据结果有一个预判，这样样本分层和统计指标才会有意义。

另外，赵老师还手把手地教我们如何用SPSS软件描述会计领域的统计量。首先，赵老师教我们如何用国泰安CSMAR数据库搜集上市公司财务报表科目数据以及常用的财务指标。其次，告诉我们如何把数据从Excel导入SPSS。再次，老师教会我们怎么把不同数据进行整合，指标的计算以及剔除计算值等。我们研究出我国上市公司的ROE在零左右的表现是截然不同的。如图1-4所示，ROE为略小于零的上市公司是很少的，而ROE为略大于零的上市公司却特别多。这说明，上市公司宁愿微盈而不愿意微亏。

图1-4  上市公司ROE分布直方图

二、相关性分析

郑老师从我们熟悉的协方差和皮尔逊相关系数，引申到如何在研究中计算截面数据相关系数、时序相关系数和面板数据相关系数。另外，我们在检验相关性时还需要注意在描述性统计中所说的数据类型的问题，不同的数据类型需要使用不同的相关系数，这样才能体现学术研究的严谨性（如图2-1）。

图2-1  数据类型与相关系数对应图

在相关性方面，郑老师给我们介绍了金融研究中比较著名的两个效应，分别是惯性效应和动量效应。以反转效应为例，它指的是在一段较长的时间内，表现差的股票在其后的一段时间内有强烈的趋势经历相当大的逆转，要恢复到正常水平，而在给定的一段时间内，最佳股票则倾向于在其后的时间内出现差的表现。如图2-2所示：

图2-2  反转效应图

三、事件研究法

事件研究法由Ball & Brown以及Fama et al.开创，其原理是根据研究目的选择某一特定事件，研究事件发生前后样本股票收益率的变化，进而解释特定事件对样本股票价格变化与收益率的影响，主要被用于检验事件发生前后价格变化或价格对披露信息的反应程度。

郑老师从现阶段的一些研究告诉我们，一些重大事件的公布会对上市公司股价有实质性或者重大影响。这些事件可以分为宏观事件、监管政策和公司自身事件，宏观事件有美国两党之争、7.23动车相撞；监管政策有FDA批准药物上市与否、IPO重新启动；公司自身事件有王石登山、首发红利：微软公司。另外，郑老师还告诉我们要注意，处理时要注意提出窗口期其他事件的干扰以及停牌时的处理。

赵老师从软件的角度教会我们实际研究应该如何处理。首先，要选择一个重大事件，如万科更换公司首义执行官。其次，确定估计窗口期，如图3-1所示。估计窗口为事件公告前255天至公告前5天，事件窗口期为公告前5天至公告后5天，事件后窗口为公告后5天至公告后255天。

图3-1  事件窗口期图

再次，根据估计窗口期的指数收益率和个股收益率进行回归，计算出截距项α和β值。基于此，计算出事件窗口的正常收益。

最后，根据个股的实际收益率和正常收益率计算的差额计算出超额收益率，同时计算出累积超额收益率CAR。

四、多元回归分析

郑老师先带着我们回顾了区间估计和假设检验的基本知识，随后引入多元回归分析。老师以薪资的影响因素讲起，结合最小二乘法OLS理论，选择年龄、受教育程度、任期作为解释变量，选择薪资金额为被解释变量，利用Stata进行回归，并对回归结果进行解释（如图4-1所示）。图中，t值越大越拒绝系数为零的原假设，P值越小越拒绝原假设。另外，R平方指标还有预测的功能，R平方越大拟合度越好，预测的效果越好。

图4-1  薪资影响因素回归分析结果图

最后，郑老师还向我们介绍了解决内生性问题的方法之一——倍差法（Difference-in-Difference）。郑老师讲述了一个焚烧炉的修建对房价影响的例子：1978年底，谣传要修建焚烧炉，1981年动工，我们想用倍差法解释焚烧炉是否拉低了房价。图4-2展示了倍差法的具体做法。

图4-2  倍差法解释图

那么对于倍差法最好的解释就是：距垃圾焚烧炉远的房子，1981年价格高于1978年价格。同样，距垃圾焚烧炉近的房子，1981年价格高于1978年价格，该价格差异中，一部分由时间推移引致，一部分由兴建垃圾焚烧炉引致。假定由时间推移的部分恰好等于远距离房子在两年间的价格差异，则剩余价格差异由兴建垃圾焚烧炉所致。

在课程中，两位老师一再告诫，数量分析方法是一种工具，一定要自己动手操作才能体会到数据处理的诀窍。老师们还叮嘱我们“起点要低，最终定位要高”，说的是我们先应该从最基础的知识学起，但最后应用的时候要有高瞻远瞩的视野。这门课对今后的论文撰写和实习工作都有很大的帮助，使我们受益匪浅。