8 イベント・スタディ

8.1 イベント・スタディと因果推論

伝統的なイベント・スタディ（MacKinlay, 1997など）と、近年計量経済学で急速に発展している因果推論（Causal Inference）の枠組みは、実は密接に関連しており，「イベント・スタディは、ファイナンス分野で独自に発展した因果推論の一形態」といえます。近年の因果推論の枠組み、特に潜在的結果アプローチ（Potential Outcomes Framework）を用いてイベント・スタディを再解釈することで、その仮定や限界がより明確になります。

8.1.1 反事実の構築

因果推論の核心は、「もしイベントが起きなかったらどうなっていたかという反事実」(Counterfactual)をいかに推定するかにあります。したがって，イベント・スタディにおける，イベントが発生していない状態時における収益率とイベントが発生した状態の収益率の差として定義される異常収益率(Abnormal Return: AR)の計算プロセスは、Rubinの因果モデルと完全に一対一で対応します。

因果推論の用語（Rubin流）	イベント・スタディの用語	意味
処置群の潜在的結果 (Y_{1})	実際の収益率 (R_{it})	イベント発生時の実際のデータ
反事実の潜在的結果 (Y_{0})	正常収益率 (E[R_{it} \| X_t])	イベントが起きなかったと仮定した場合の期待値
因果効果 (Y_{1} - Y_{0})	異常収益率 (AR_{it})	イベントによって生じた追加的なリターン

つまり、伝統的なイベント・スタディで計算している異常収益率（AR）とは、因果推論における「処置群に対する平均処置効果（ATT）」そのものであり，イベント・スタディとは、「マーケットモデルやCAPMなどの資産価格モデルを使って、観測できない反事実（Y_0）を予測（推定）する手法」と再定義できます。

8.1.2 手法の違い：モデルベース vs デザインベース

因果推論と伝統的なイベント・スタディは「反事実」を作るアプローチが異なります。

8.1.2.1 伝統的イベント・スタディ（モデルベース）

CAPMやマーケットモデルといった理論・統計モデルを信頼し、過去のデータから推定したパラメータ（\alpha, \beta）を用いて正常収益率を予測します。株式市場はノイズ（分散）が大きいため、市場全体の動き（R_m）で調整するマーケットモデルは分散を劇的に減らし、統計的検出力を高めることができます。

以下のようなモデルを考えます。

\underbrace{R_{i, t+1}}_{\text{将来リターン}} = \underbrace{\Theta_{i,t}}_{\text{正常リターン}} + \underbrace{u_{i, t+1}}_{\text{誤差項}}

この正常リターンをモデル，例えばマーケットモデルで推定し，実際のリターンとの差分を異常リターン（AR）として計算します。この手法は短期のイベント分析では依然として強力なツールです。しかし正常リターンを推定するモデルの誤設定（Joint Hypothesis Problem）の影響を大きく受けます。また、長期間の分析ではモデル化の誤差が蓄積しやすくなります。

8.1.2.2 近年の因果推論（デザインベース）

差分の差分法（DiD）のように、モデルに過度に依存せず、適切な対照群（コントロール企業）を見つけて比較することで、共通のトレンドを排除しようとします。

イベント・スタディも「イベント前後の変化から、市場全体の変化を引く」という意味で、広義のDiDとみなせます。長期のパフォーマンス分析や制度変更の分析では、マーケットモデルへの依存を減らし、マッチング法やDiDを用いて厳密なコントロール群を設定するアプローチが増えています。

8.1.3 近年の発展と融合

伝統的手法の弱点を補うために、新しい因果推論の手法がファイナンス研究にも導入されています。

Staggered DiDとイベント・スタディ : 近年、処置のタイミングが企業によって異なる（Staggered）場合、従来の「双方向固定効果モデル（TWFE）」による回帰分析はバイアスを生むことが明らかになりました（Goodman-Bacon, 2021など）。

ここで再評価されているのが、イベント・スタディの考え方です。個社ごとにイベント時を t=0 に揃えてARを計算し、推移をプロットするイベント・スタディ・プロット（Event Study Plot）は、処置前のトレンド（Pre-trend）の平行性と、処置後の動的な効果を視覚的に確認できるため、現代の計量経済学においても推奨される手法となっています。

合成コントロール法（Synthetic Control Method: SCM） 「特定の1社だけがイベント（例：不祥事）を経験した」ようなケースでは、通常の統計的検定が困難です。合成コントロール法では、市場インデックスを使う代わりに、「処置企業と似た動きをする複数の企業の加重平均」を使って、人工的に「イベントが起きなかった場合の自社（合成コントロール）」を作成します。これは、伝統的なマーケットモデルの「ベータ（\beta）による調整」を、「データ主導で最適なウェイトを決めるマッチング」に置き換えたものと解釈でき、特定のイベント事例研究において利用が拡大しています。

## イベント・スタディ ## イベント・スタディと因果推論伝統的なイベント・スタディ（MacKinlay, 1997など）と、近年計量経済学で急速に発展している因果推論（Causal Inference）の枠組みは、実は密接に関連しており，**「イベント・スタディは、ファイナンス分野で独自に発展した因果推論の一形態」**といえます。近年の因果推論の枠組み、特に**潜在的結果アプローチ**（Potential Outcomes Framework）を用いてイベント・スタディを再解釈することで、その仮定や限界がより明確になります。 ### 反事実の構築因果推論の核心は、**「もしイベントが起きなかったらどうなっていたかという反事実」**(Counterfactual)をいかに推定するかにあります。したがって，イベント・スタディにおける，イベントが発生していない状態時における収益率とイベントが発生した状態の収益率の差として定義される**異常収益率**(Abnormal Return: AR)の計算プロセスは、Rubinの因果モデルと完全に一対一で対応します。 | 因果推論の用語（Rubin流） | イベント・スタディの用語 | 意味 | | :--- | :--- | :--- | | **処置群の潜在的結果** ($Y_{1}$) | **実際の収益率** ($R_{it}$) | イベント発生時の実際のデータ | | **反事実の潜在的結果** ($Y_{0}$) | **正常収益率** ($E[R_{it} | X_t]$) | イベントが起きなかったと仮定した場合の期待値 | | **因果効果** ($Y_{1} - Y_{0}$) | **異常収益率** ($AR_{it}$) | イベントによって生じた追加的なリターン | つまり、伝統的なイベント・スタディで計算している**異常収益率（AR）とは、因果推論における「処置群に対する平均処置効果（ATT）」そのもの**であり，イベント・スタディとは、「マーケットモデルやCAPMなどの資産価格モデルを使って、観測できない反事実（$Y_0$）を予測（推定）する手法」と再定義できます。 ### 手法の違い：モデルベース vs デザインベース因果推論と伝統的なイベント・スタディは<span class="markp">「反事実」を作るアプローチが異なります</span>。 #### 伝統的イベント・スタディ（モデルベース） CAPMやマーケットモデルといった**理論・統計モデル**を信頼し、過去のデータから推定したパラメータ（$\alpha, \beta$）を用いて正常収益率を予測します。株式市場はノイズ（分散）が大きいため、市場全体の動き（$R_m$）で調整するマーケットモデルは分散を劇的に減らし、統計的検出力を高めることができます。以下のようなモデルを考えます。 $$ \underbrace{R_{i, t+1}}_{\text{将来リターン}} = \underbrace{\Theta_{i,t}}_{\text{正常リターン}} + \underbrace{u_{i, t+1}}_{\text{誤差項}} $$ この正常リターンをモデル，例えばマーケットモデルで推定し，実際のリターンとの差分を異常リターン（AR）として計算します。この手法は短期のイベント分析では依然として強力なツールです。しかし正常リターンを推定するモデルの誤設定（Joint Hypothesis Problem）の影響を大きく受けます。また、長期間の分析ではモデル化の誤差が蓄積しやすくなります。 #### 近年の因果推論（デザインベース）差分の差分法（DiD）のように、モデルに過度に依存せず、**適切な対照群（コントロール企業）**を見つけて比較することで、共通のトレンドを排除しようとします。イベント・スタディも「イベント前後の変化から、市場全体の変化を引く」という意味で、広義のDiDとみなせます。長期のパフォーマンス分析や制度変更の分析では、マーケットモデルへの依存を減らし、マッチング法やDiDを用いて厳密なコントロール群を設定するアプローチが増えています。 ### 近年の発展と融合伝統的手法の弱点を補うために、新しい因果推論の手法がファイナンス研究にも導入されています。 - **Staggered DiDとイベント・スタディ** : 近年、処置のタイミングが企業によって異なる（Staggered）場合、従来の「双方向固定効果モデル（TWFE）」による回帰分析はバイアスを生むことが明らかになりました（Goodman-Bacon, 2021など）。ここで再評価されているのが、イベント・スタディの考え方です。個社ごとにイベント時を $t=0$ に揃えてARを計算し、推移をプロットする**イベント・スタディ・プロット（Event Study Plot）**は、処置前のトレンド（Pre-trend）の平行性と、処置後の動的な効果を視覚的に確認できるため、現代の計量経済学においても推奨される手法となっています。 - **合成コントロール法（Synthetic Control Method: SCM）** 「特定の1社だけがイベント（例：不祥事）を経験した」ようなケースでは、通常の統計的検定が困難です。合成コントロール法では、市場インデックスを使う代わりに、**「処置企業と似た動きをする複数の企業の加重平均」**を使って、人工的に「イベントが起きなかった場合の自社（合成コントロール）」を作成します。これは、伝統的なマーケットモデルの「ベータ（$\beta$）による調整」を、「データ主導で最適なウェイトを決めるマッチング」に置き換えたものと解釈でき、特定のイベント事例研究において利用が拡大しています。