如何在R中构建银行并购事件前后3年的时间序列用于回归分析

1. 数据准备与预处理 #

假设你的数据集存储为数据框bank_data，包含bank_name（银行名称）、t（年份）、Operation（并购虚拟变量）、asset_tot（总资产）字段。先加载常用工具包：

library(dplyr)
library(ggplot2)
library(fixest) # 用于固定效应回归，可选

处理多并购场景（按需选择） #

如果部分银行存在多次并购，需先明确分析目标：

• 仅分析首次并购：

# 提取每家银行的首次并购年份
first_merger <- bank_data %>%
  filter(Operation == 1) %>%
  group_by(bank_name) %>%
  summarise(merger_year = min(t)) %>%
  ungroup()

# 合并回原数据集
bank_data <- bank_data %>% left_join(first_merger, by = "bank_name")

• 分析所有并购事件（每个事件单独拆分）：

# 为每个并购事件生成唯一标识
bank_data <- bank_data %>%
  filter(Operation == 1) %>%
  group_by(bank_name) %>%
  mutate(event_id = row_number()) %>%
  ungroup() %>%
  right_join(bank_data, by = c("bank_name", "t", "Operation", "asset_tot")) %>%
  tidyr::fill(event_id, .direction = "downup")

2. 构建事件时间变量 #

计算每个观测值相对于并购年份的时间点：并购当年标记为0，并购前1-3年依次为-1/-2/-3，并购后1-3年依次为1/2/3，同时筛选事件前后3年的有效样本：

# 针对首次并购的场景
bank_data <- bank_data %>%
  mutate(event_time = t - merger_year) %>%
  filter(event_time >= -3 & event_time <= 3)

# 针对多事件场景
bank_data <- bank_data %>%
  group_by(bank_name, event_id) %>%
  mutate(event_time = t - t[Operation == 1]) %>%
  filter(event_time >= -3 & event_time <= 3) %>%
  ungroup()

3. 可视化并购前后总资产变化 #

用折线图直观展示趋势：

# 单银行个体趋势图
ggplot(bank_data, aes(x = event_time, y = asset_tot, group = bank_name)) +
  geom_line(alpha = 0.6) +
  geom_vline(xintercept = 0, linetype = "dashed", color = "red") +
  labs(x = "事件时间（并购当年=0）", y = "总资产", title = "银行并购前后3年总资产变化") +
  theme_minimal()

# 整体平均趋势图（带95%置信区间）
bank_data %>%
  group_by(event_time) %>%
  summarise(mean_asset = mean(asset_tot, na.rm = TRUE),
            se_asset = sd(asset_tot, na.rm = TRUE)/sqrt(n())) %>%
  ggplot(aes(x = event_time, y = mean_asset)) +
  geom_line(color = "blue") +
  geom_ribbon(aes(ymin = mean_asset - 1.96*se_asset, ymax = mean_asset + 1.96*se_asset), alpha = 0.2) +
  geom_vline(xintercept = 0, linetype = "dashed", color = "red") +
  labs(x = "事件时间（并购当年=0）", y = "平均总资产", title = "并购前后3年总资产平均变化趋势") +
  theme_minimal()

4. 回归分析实现 #

处理后的asset_tot可直接作为因变量，核心自变量可选择连续型event_time或分组虚拟变量：

示例1：线性固定效应回归 #

# 控制银行和年份固定效应，分析总资产随事件时间的线性变化
model <- feols(asset_tot ~ event_time | bank_name + t, data = bank_data)
summary(model)

示例2：分组虚拟变量回归（捕捉非线性趋势） #

先生成事件前后的分组虚拟变量（以并购当年为基准组）：

bank_data <- bank_data %>%
  mutate(
    pre3 = ifelse(event_time == -3, 1, 0),
    pre2 = ifelse(event_time == -2, 1, 0),
    pre1 = ifelse(event_time == -1, 1, 0),
    post1 = ifelse(event_time == 1, 1, 0),
    post2 = ifelse(event_time == 2, 1, 0),
    post3 = ifelse(event_time == 3, 1, 0)
  )

# 回归分析各时间点与并购当年的总资产差异
model <- feols(asset_tot ~ pre3 + pre2 + pre1 + post1 + post2 + post3 | bank_name + t, data = bank_data)
summary(model)

注意事项 #

• 若部分银行并购前后不足3年，filter步骤会自动剔除超出范围的观测；若需保留，可移除filter但需注意样本偏差。
• 存在缺失值时，可通过na.omit(bank_data)或dplyr::drop_na()处理。

内容的提问来源于stack exchange，提问作者Daniele