R语言事件研究如何将聚合、t检验等步骤集成到自定义函数自动输出结果表

1. 函数重构核心思路 #

• 输入参数保留原有event_up的必要参数，新增s（评级变动阈值）、event_window（事件窗口，传入起止元组更灵活，例如(-2,2)代表事件日前2天到后2天）、target_table（目标表格的引用，方便直接写入计算结果）
• 内部逻辑按你提到的分析步骤模块化封装，避免重复编写冗余代码

2. 重构后的event_up函数代码示例 #

import pandas as pd
from scipy import stats

def event_up(raw_data, s, event_window, est_window=(-120,-11), target_table=None):
    # raw_data：原始数据集，需包含ISIN、事件日、相对时间、个股收益率、市场收益率等必要字段
    # s：评级变动阈值，仅保留评级变动绝对值≥s的事件样本
    # event_window：事件窗口元组，例如(-2,2)代表事件日前后2天的窗口
    # est_window：估计窗口元组，默认用事件日前120天到前11天计算正常收益
    # target_table：预设结构的TR_CAAR_table数据框，用于存储最终结果

    # 步骤1：按评级变动阈值筛选有效事件
    filtered_events = raw_data[raw_data['评级变动绝对值'] >= s].copy()
    # 步骤2：ISIN维度聚合收益率数据
    isin_grouped = filtered_events.groupby(['ISIN', '事件日', '相对时间'], as_index=False)[['个股收益率', '市场收益率']].mean()
    # 步骤3：删除冗余列，仅保留分析用字段
    isin_grouped = isin_grouped[['ISIN', '事件日', '相对时间', '个股收益率', '市场收益率']]

    # 步骤4：基于估计窗口拟合市场模型计算正常收益
    est_sample = isin_grouped[(isin_grouped['相对时间'] >= est_window[0]) & (isin_grouped['相对时间'] <= est_window[1])]
    def calc_normal_return(group):
        # 拟合市场模型R_i = α + β*R_m
        beta, alpha = stats.linregress(group['市场收益率'], group['个股收益率'])[0:2]
        # 给当前事件所有时间点拼接正常收益
        event_all = isin_grouped[(isin_grouped['ISIN'] == group.name[0]) & (isin_grouped['事件日'] == group.name[1])].copy()
        event_all['正常收益'] = alpha + beta * event_all['市场收益率']
        return event_all
    ar_df = est_sample.groupby(['ISIN', '事件日']).apply(calc_normal_return).reset_index(drop=True)

    # 步骤5：计算异常收益AR、累计异常收益CAR
    ar_df['AR'] = ar_df['个股收益率'] - ar_df['正常收益']
    window_sample = ar_df[(ar_df['相对时间'] >= event_window[0]) & (ar_df['相对时间'] <= event_window[1])]
    car_df = window_sample.groupby(['ISIN', '事件日'], as_index=False)['AR'].sum().rename(columns={'AR': 'CAR'})

    # 步骤6：计算累计平均异常收益CAAR + 单样本t检验
    caar = car_df['CAR'].mean()
    t_stat, p_value = stats.ttest_1samp(car_df['CAR'], popmean=0)
    sample_n = len(car_df)

    # 步骤7：自动写入目标TR_CAAR_table
    if target_table is not None:
        row_loc = (target_table['评级变动阈值'] == s) & (target_table['事件窗口'] == f"{event_window[0]}~{event_window[1]}")
        target_table.loc[row_loc, 'CAAR'] = round(caar, 4)
        target_table.loc[row_loc, 't统计量'] = round(t_stat, 4)
        target_table.loc[row_loc, 'p值'] = round(p_value, 4)
        target_table.loc[row_loc, '有效样本量'] = sample_n
    
    # 所有中间结果返回供额外分析使用
    return {'CAAR': caar, 't_stat': t_stat, 'p_value': p_value, 'sample_n': sample_n, 'CAR明细': car_df, '更新后目标表': target_table}

3. 批量调用示例 #

# 第一步：按预设结构初始化目标表格TR_CAAR_table
TR_CAAR_table = pd.DataFrame(columns=['评级变动阈值', '事件窗口', 'CAAR', 't统计量', 'p值', '有效样本量'])
# 填入所有需要测试的阈值+窗口组合
test_params = [(1, (-1,1)), (1, (-2,2)), (2, (-1,1)), (2, (-2,2))]
for s, w in test_params:
    TR_CAAR_table.loc[len(TR_CAAR_table)] = [s, f"{w[0]}~{w[1]}", None, None, None, None]

# 第二步：批量执行分析，自动填充结果
for s, w in test_params:
    res = event_up(raw_data=你的原始数据集, s=s, event_window=w, target_table=TR_CAAR_table)
    TR_CAAR_table = res['更新后目标表']

# 查看最终填充完成的表格
print(TR_CAAR_table)

4. 适配注意事项 #

• 代码中的字段名（例如评级变动绝对值、个股收益率、相对时间等）需要和你实际数据集的字段名保持一致，不匹配的话提前修改对应字段名称即可
• 如果你已经提前算完正常收益，可以删除函数内拟合市场模型的模块，直接用你预处理好的AR数据计算即可
• 如果需要用非参数检验替代默认的t检验，把stats.ttest_1samp替换为对应的非参数检验方法（例如秩和检验）即可

内容的提问来源于stack exchange，提问作者antonia_pi