MODELLING ABNORMAL RETURN: A REVIEW ARTICLE

Oleh Norman Strong

Overview
Paper ini memberikan panduan untuk metodologi event study dan menguraikan prosedur
pemodelan return abnormal dan masalah yang terkait.
Event Study
Event study adalah nama yang diberikan pada penelitian empiris atas hubungan antara
harga sekuritas dengan kejadian ekonomi (economic events).
Kebanyakan event study memfokuskan pada perilaku harga saham dalam rangka untuk
menguji apakah perilaku stokastik mereka dipengaruhi oleh pengungkapan atas kejadian
khusus dalam perusahaan (firm specific events).
Untuk keperluan studi ini, bentuk paling umum dari hipotesis nol dan alternatif sebagai
berikut:
~ ~
HN : f( R jI yi) – f( R j) = 0 for all yi
~ ~
HA : f( R jI yi) – f( R j) ≠ 0 for at least one yi
Dimana: Rj adalah return sekuritas j pada periode event
yi adalah sinyal dari struktur informasi yang diumumkan dalam event dan
secara potensial mempengaruhi sekuritas j.
~
f( R jI yi) adalah distribusi Rj tergantung pada informasi sinyal yi dari
struktur informasi.
~
f( R j) adalah distribusi margin dari Rj
Struktur dasar bentuk standar event study dapat dilihat pada gambar berikut.
Struktur Dasar Analisis Residual
1. Identifikasi tanggal event untuk perusahaan sampel pada pengungkapan item bunga
(seperti pengumuman laba), dan mengelompokkan pengamatan menjadi event time
umum.
2. Dalam keseluruhan test period (TP) of interest atau periode pengujian bunga, hitunglah
(estimasi) return abnormal untuk masing-masing perusahaan dan untuk setiap periode
di sekitar tanggal pengumuman: u^ jt = Rjt – E (Rjt) t €TP
3. Hitung mean return abnormal jarak lintas perusahaan dalam sampel, barangkali
terakumulasi di sepanjang TP, sebagai sebuah estimasi/perkiraan E(^uj yi) dan pengujian
apakah E(^uj yi) = 0 menggunakan pengujian statistik dengan formula:
 meanabnormal return
standard deviation
Desain Event Studies
1. Matrik Alternatif Return Abnormal
a. Perhitungan Return
Terdapat dua pilihan, menghitung return discrete (terpisah) atau return logaritmik.
b. Interval Pengukuran
Berbagai macam pengukuran interval telah digunakan dalam literatur untuk
menghitung return, yang paling banyak digunakan adalah interval bulanan,
mingguan, dan harian.
c. Patokan untuk return abnormal
Sejumlah spesifikasi patokan return yang diharapkan yang telah banyak digunakan
dalam literatur antara lain:
Model A: Mean Adjusted Return
Mengasumsikan bahwa ex ante expected return (return yang diharapkan sebelum
tanggal event) untuk sekuritas j adalah konstan, dan bervariasi antar perusahaan.
Formula yang dapat dibentuk: E(Rj) = kj untuk semua t
The ex post predicted return untuk sekuritas j pada periode t, dengan ketiadaan
pengungkapan berita diberikan oleh kj dan abnormal return terprediksi diberikan
oleh selisih antara return aktual sekuritas j dan kj: Ujt = Rjt - kj
Model B: Market Adjusted Return
Mengasumsikan bahwa ex ante expected return (return yang diharapkan sebelum
tanggal event) adalah sama untuk semua sekuritas dan oleh karena itu sama pada
semua periode untuk return pasar yang diharapkan dalam periode tersebut:
E(Rj) = E (Rm) untuk semua j
Ex post return abnormal (return abnormal setelah tanggal event) sekuritas j pada
periode t yang mengendalikan pengaruh pasar: Ujt = Rjt - Rmt
Model C: Capital Asset Pricing Model Benchmark
Ex ante expected return untuk sekuritas j pada periode t adalah:
E(Rjt) = (1-βj) Rft + β jE(Rmt)
Dimana Rft adalah return pada sekuritas bebas resiko pada periode t dan βj adalah
resiko sistematis sekuritas j pada indeks pasar. Untuk mengimplementasikan metode
ini, βj harus diestimasikan. Abnormal return terprediksi diformulasikan sbb:
 Ujt = Rjt – (1- βj)Rft-βjRmt

Model D: The Matched/Control Portofolio Benchmark

Sekuritas ampel yang tunduk pada peristiwa pengungkapan dibentuk menjadi
sebuah portofolio, p. Portofolio kedua, q, ditarik secara independen atas item
pengungkapan bunga. Return abnormal adalah selisih antara return portofolio p dan
q:
Upt = Rpt - Rqt
Versi lain dari metode ini menghitung return abnormal untuk sekuritas individual
sebagai selisih antara return aktual sekuritas dan return atas portofolio referensi pada
resiko decile beta yang sama.
Model E: The Market Model Benchmark
Merupakan model paling populer yang digunakan dalam event study.
Mengasumsikan bahwa return dihasilkan berdasar atas mekanisme: Rjt = αj + βnRmt
+Ujt
d. Pilihan Periode Estimasi dan Periode Pengujian
Return histori untuk tiap sekuritas dibagi menjadi estimation period (EP) dan test
period (TP).

EP TP

t = -T t = -s Event date
t=r
t=0
Untuk estimasi parameter model pasar, jumlah pengamatan yang digunakan dalam
praktek sangat bervariasi. Contohnya, pada data harian Lambert dan Larcker (1985)
menggunakan 60 pengamatan, sementara Dodd et al. (1984) menggunakan 600
pengamatan. Pada data mingguan jumlah pengamatan cenderung untuk berjarak
antara dua sampai tiga tahun, sementara data bulanan normanya lima tahun.
e. Pilihan Index Pasar
Indeks pasar dapat dibedakan dalam istilah jenis dan jumlah sekuritas konstituen,
bobot yang terlampir pada sekuritas, dan bagaimana harga sekuritas di rata-rata
untuk membentuk index.
f. Mengakumulasi return abnormal sepanjang waktu
 Hampir semua event study meminta return abnormal untuk diakumulasi selama
sejumlah periode dalam rangka untuk menangkap secara penuh pengaruh sebuah
event pada harga saham, atau untuk mengakomodasi ketidakpastian sepanjang
tanggal tepat suatu event. Sebagai alternatif, sejumlah studi menganalisa hubungan
antara pengungkapan akuntansi dan perilaku harga sekuritas selama periode sampai
tanggal pengungkapan.
Dua metode pengakumulasian return abnormal yang paling populer sepanjang
waktu adalah Cumulative Abnormal Return (CAR) dan the Abnormal Performance

1 1
Index (API). CAR = ∑ N ∑ u jt (Fama et al. 1969) dan API =
N
∑∏
te TP
( 1+u jt ) −1
te TP j j

(Ball and Brown 1968).

Interpretasi dari pengukuran ini tergantung pada apakah return telah diukur secara
kontinyu (logaritmik) atau dengan waktu terpisah (discrete) (Ohison, 1978; dan
Watts dan Zimmerman, 1986). Dalam waktu yang berkelanjutan CAR mewakili
return abnormal pada portofolio yang menyeimbangkan kembali setiap periode
untuk memberikan bobot yang sama pada tiap sekuritas. Dalam waktu yang
terpisah, API memberikan return abnormal dari investasi pertama kali dengan sama
pada tiap sekuritas dan kemudian menahan sekuritas tersebut selama periode
akumulasi. (Roll, 1983; Blume and Stambaugh, 1983; dan Dims on and Marsh,
1986, membahas kemungkinan bias diperkenalkan dengan menggunakan metode
CAR).
2. Bukti pada Efisiensi dan Kekuatan Metode
Terdapat sejumlah studi simulasi atas berbagai macam metodologi event study. Yang
paling berpengaruh dari semua metodologi itu merupakan studi yang dipelopori oleh
Brown dan Warner (1980) dalam data bulanan, dan artikel oleh Brown dan Warner
(1985), Dyckman et al. (1984) dan Jain (1986), semuanye merupakan perluasan studi
asli Brown dan Warner menjadi data harian.
Dalam simulasi studi return abnormal yang khas secara artifisial ditambahkan ke dalam
return aktual sekuritas. Peneliti kemudian menganalisis kemungkinan bahwa, dalam
mendeteksi return abnormal, metodologi event study alternatif membawa pada eror
Tipe I dan Tipe II; yang artinya, bahwa mereka akan menolak hipotesis null ketika
return abnormalnya adalah nol, dan bahwa mereka akan gagal untuk menolak null jika
return abnormal bukan nol.
Pengujian yang menghasilkan eror Tipe I yang berlebihan dikatakan misspecified.
Ceteris Paribus, sebuah pengujian yang lebih kuat dipilih (satu yang memiliki tingkat
error Tipe II yang lebih rendah untuk tingkat error baku Tipe I).
Studi simulasi telah menganalisa pengaruh variasi jumlah dimensi rancangan event
study termasuk:(1) patokan yang diharapkan; (2) ukuran sampel sekuritas yang
ditujukan pada event; (3) ukuran jendela event untuk pengakumulasian return
abnormal; (5) panjang EP, (6) pembobotan index pasar, (7) pilihan statistik untuk
pengujian konten informasi, sebagai contoh, apakah sebaiknya parametrik atau non
parametrik; (8) interval pengukuran untuk menghitung return; (9) derajat
pengelompokan tanggal event dalam waktu kalender; dan (10) derajat pengelompokan
dimensi pasar ekstra yang lain. Semua studi simulasi yang telah dipublikasi yang
dipertimbangkan berikut telah dilakukan dalam data US. Oleh karena itu, kehati-hatian
beberapa mungkin diperlukan dalam menerapkan hasil ke pengaturan Inggris.
BW menemukan bahwa meskipun return sekuritas harian dan return abnormal secara
khas berangkat dari normalitas, mean abnormal return lintas sekuritas konvergen
terhadap normalitas sebagaimana ukuran sampel meningkat.
Penemuan Dyckman, Philbrick dan Stephan (DPS) pada data harian menguatkan
penemuan BW. Secara khusus, DPS menemukan sedikit perbedaan untuk model pasar
melalui prosedur lain dan mereka menemukan bahwa return abnormal harian non
normalitas apapun memiliki pengaruh sedikit pada pengujian event study.
Baik Brown and Warner (1985) dan Dickman et al. (1984) menemukan hasil data
harian dalam pengujian statistik yang lebih kuat dibanding yang ditemukan untuk
simulasi data bulanan dalam Brown dan Warner (1980). Sebagai contoh, bendingkan
tabel 3 pada Brown dan Warner (1980) dengan Tabel 3 dalam Brown dan Warner
(1985) dapat dilihat bahwa dengan tidak adanya tanggal event ketidakpastian tingkat
penolakan untuk hipotesis batal ketika return abnormal satu persen adalah order dari
tiga kali lebih besar dengan data harian dibanding dengan data bulanan.
Penemuan BW dan DPS dalam event study menggunakan data bulanan dan harian
dengan jelas menunjukkan bahwa pengidentifikasian tanggal pengumuman dengan
akurat dan pengkonsentrasian pada return abnormal dalam sekecil mungkin event
window, menghasilkan pengujian hipotesis yang lebih kuat. Bagaimanapun, tidak
terlalu mengejutkan memberikan rancangan studi simulasi dimana return abnormal
dibibitkan menjadi return aktual dalam hari yang khusus.
3. Menguji Prosedur dan Masalah Khusus yang berhubungan dengan Estimasi
Thin Trading and Intervalling Effect on Estimated Beta
- Thin trading berpengaruh pada interval beta estimasi: beta estimasi saham yang
jarang diperdagangkan akan meningkat bersama dengan peningkatan interval,
begitu pula sebaliknya.
- saham yang jarang diperdagangkan memiliki sebuah estimasi beta yang bias turun,
sementara saham yang sering diperdagangkan bias naik.
- Penyimpangan/bias pada estimasi beta memiliki potensi untuk menyebabkan bias
estimasi atas return abnormal dan alhasil menyebabkan salah penentuan pengujian
statistik dalan event studies.
- Estimator beta The Scholes-William (SW) mengasumsikan meskipun perdagangan
tidaklah sinkron, sebuah transaksi terjadi di setiap pengukuran interval sedangkan
estimator Dimson Aggregate Coefficients (DAC) tidak mengharuskan bahwa
perdagangan terjadi di tiap interval return.
Thin Trading and Event Studies
Baik BW maupun DPS, pada studi sebelumnya dimaksudkan untuk melaporkan hasil
untuk dampak pada simulasi event study menggunakan data harian untuk memperbaiki
thin trading. BW mereplikasi semua eksperimennya dengan menggunakan metode SW
dan DAC dan juga melaporkan hasil untuk populasi sekuritas yang kurang sering
diperdagangkan. Mereka menemukan bahwa menggunakan SW ataupun DAC
mengurangi bias pada estimasi beta Ordinary Least Square tetapi tidak menghasilkan
peningkatan baik dalam spesifikasi maupun kekuatan pengujian event study.
4. Prosedur Pengujian Alternatif dan Pelanggaran atas Asumsi Independen
Prosedur pengujian yang paling naif adalah menghitung rata-rata return abnormal dan
standar error lintas event sekuritas untuk mendapatkan statistik t. Koresponding
pengujian t mengasumsikan penarikan independen berasal dari populasi distribusi
normal yang identik. Maka secara implisit mengasumsikan bahwa pengaruh mean pada
event adalah identik lintas sekuritas. Sehingga dalam prosesnya akan membawa pada
hasil yang bias dan estimasi yang tidak efisien atas mean return abnormal.
Prosedur pengujian yang lebih halus yang telah digunakan dalam sejumlah event study,
yaitu pengujian Patell Standardised Residual (PSR). PSR berdasar pada model pasar,
return abnormal sekuritas i pada peiode teTP dihitung berdasar model pasar.
5. Mengendalikan Extra Market Factor
Dalam praktek mayoritas event study menghitung return abnotmal menggunakan
CAPM atau model patokan pasar. Implisit dalam penggunaan dari baik patokan-
patokan tersebut adalah sebuah asumsi bahwa satu-satunya faktor sistematis yang
terlibat dalam mekanisme penghasilan sekuritas adalah return pasar. Dukungan untuk
pendekatan ini pada pemilihan sampel secara acak atas sekuritas telah disediakan oleh
studi simulasi BW dan DPS.
Extra market factor yang telah didokumentasikan karena mungkin masuk dalam
mekanisme penghasilan return adalah dividend yield, klasifikasi industri, resiko
sistematis, dan resiko residual. Event study dapat memberikan hasil yang palsu juka
sampelnya tidak representative sehubungan dengan indeks pasar.
Peraturan empiris yang telah banyak mendapat perhatian karena memiliki dampak
potensial pada event study adalah size effect. Yang dimaksudkan di sini adalah
penemuan sejumlah negara yang kapitalisasi saham lebih kecil memiliki risk-adjusted
return yang lebih tinggi, rata-rata, dari pada kapitalisasi saham besar. Event study yang
berfokus pada perusahaan yang lebih kecil memiliki kemungkinan untuk meregister
return abnormal positif sehubungan dengan indeks pasar, bahkan dalam ketiadaan
sebuah event, hasil yang sebaliknya akan terjadi pada perusahaan lebih besar.
Dimson dan Marsh (1986 dan 1988) memberikan analisis yang jelas dan komprehensif
atas dampak potensial dari pengaruh ukuran dalam metodologi event study. Pendekatan
mereka untuk mengendalikan pengaruh ukuran juga digunakan oleh Foster et al. (1984)
dan menerima dukungan lebih jauh dari studi simulasi baru-baru ini oleh Kothari dan
Wasley (1989). Dimson dan Marsh (1986) menunjuk bahwa jika patokan expected
return gagal mencerminkan size effect, maka estimasi return abnormal akan
bias/menyimpang untuk kedua saham kapitalisasi baik besar maupun kecil. Meskipun
begitu, bias pada mean return abnormal lintas sekuritas dapat dieliminasi jika event
sekuritas cocok dengan indeks pasar dalam istilah kapitalisasi. Selain itu, jika TP untuk
return abnormal kumulatif terlalu pendek (beberapa hari atau satu bulan), bias
diperkenalkan oleh salah penentuan patokan mungkin menjadi relatif kecil untuk tiap
event yang berhubungan dan noise.
Kesimpulan
1. Jika sekuritas sampel tidak memiliki paparan yang tidak representatif pada extra
market factor dan tanggal event secara membaur tersebar dalam waktu kalender untuk
sekuritas sampel, maka menghitung return abnormal menggunakan model pasar
ordinary least square dan menggunakan pengujian statistik parametrik tampaknya
adalah prosedur yang benar (well-specified).
2. Dimana pengelompokan tanggal event adalah masalah maka beberapa pembenaran
untuk dependensi cross-sectional seharusnya digunakan.
3. Perlakuan khusus harus diambil untuk mengecek apakah sampel event sekuritas tidak
representatif lintas dimensi extra market, pada ukuran tertentu, dan jika diperlukan,
beberapa bentuk pendekatan portofolio kontrol sebaiknya digunakan.
4. Kemammpuan mendeteksi konten informasi dalam sebuah event study mungkin dapat
dipertimbangkan untuk ditingkatkan jika hari event yang tepat untuk sekuritas sampel
dapat dibangun. Secara serentak, ini mengurangi kemungkinan pengaruh atas
menghilangkan faktor non pasar dari mekanisme penghasilan return sekuritas. Pada
banyak praktek event study, akurasi tanggal event mungkin lebih penting daripada
kecanggihan dalam permodelan atau statistikal.
Critical Review
1. Terdapat beberapa istilah asing yang sulit dipahami bagi pembaca artikel yang awam
akan metode ini.
2. Banyaknya formula atau model yang ditawarkan memerlukan intelejensi tertentu untuk
benar-benar memahami dan memilah, manakah metode yang paling baik untuk
digunakan dalam mengukur suatu return abnormal untuk mengidentifikasi konten
informasi yang ada dalam suatu peristiwa.
 CRITICAL REVIEW ARTIKEL METODE PENELITIAN

MODELLING ABNORMAL RETURN: A REVIEW ARTICLE

Oleh Norman Strong

Untuk memenuhi tugas individu mata kuliah metode penelitian

Pengampu: Dra. Y Anni Aryani, M.Proff Acc, Ph.D, Ak

Disusun oleh:
Swety Retna
S4310019

PROGRAM STUDI MAGISTER AKUNTANSI

FAKULTAS EKONOMI
UNIVERSITAS SEBELAS MARET
SURAKARTA
2010