利用上面均值差异性检验和相关性检验选定的7个变量,采用制造业ST当年至ST前5年的数据,利用SPSS16.0进行前项逐步进入回归,最后确定了预测精度较高的5个变量。具体回归结果如表7-2所示。
表7-1 制造业的现金流量指标相关性检验
续表
表7-2 制造业财务比率Logisitic回归结果
根据表7-2可以形成回归方程,即制造业财务危机预警模型:
log[p/(1-p)=-2.481-3.679×1-7.499×2-5.249×5-18.275×6-4.073×17
该模型包括5个变量,分别属于偿债能力、获现能力、现金结构。变量的系数为负值,说明变量值越小,公司被ST的概率越高,这与前面财务比率分析的结果一致。从Wald统计量来看,反映获现能力的每股经营活动现金流量(X5)和反映偿债能力的现金比率(X1)对模型的贡献度最大。该模型仅包括5个变量,未能包含差异性也比较显著的其他7个变量,这并非是因为其他变量不重要,而是因为财务比率之间相互影响,模型中增加较多的变量不但增加预测的成本,还会降低模型的预测精度。
根据上面回归所得的Logistic方程,对ST前1年至前5年的数据进行回代判定,结果见表7-3至表7-7。
表7-3 制造业Logistic回归模型在ST前1年的回判结果
(www.daowen.com)
表7-4 制造业Logistic回归模型在ST前2年的回判结果
表7-5 制造业Logistic回归模型在ST前3年的回判结果
表7-6 制造业Logistic回归模型在ST前4年的回判结果
表7-7 制造业Logistic回归模型在ST前5年的回判结果
从预防财务危机的角度来说,将危机公司误判为正常公司的一类错误的成本远大于将正常公司误判为危机公司的二类错误成本。Altman(2000)估计一类错误的成本大概是二类错误成本的31倍。因此,一类错误概率较高的模型的实用性将大大降低。
从以上回判结果可以发现:在ST前1年至ST前5年,制造业Logistic回归模型对于开发样本判定的综合正确率分别为80.2%、69.31%、60.9%,63.37%、58.91%,都高于设定的先验概率,判定结果都可以接受。因此,除ST前3年稍微异常外,从其他各年度可以得出结论:离财务危机发生的时间越远,模型判定准确率越低。
在ST前1年和ST前2年,制造业Logistic回归模型对于开发样本判定的一类错误概率分别14.85%、22.77%,二类错误的概率分别为24.75%、38.61%,二类错误的概率远高于一类错误的概率。而在ST前3年、ST前4年、ST前5年,对于开发样本判定的一类错误概率分别为45.54%、45.54%、41.09%,二类错误的概率分别为32.67%、27.72%、29.7%,一类错误的概率远高于二类错误的概率。因此,从回判结果来看,制造业Logistic回归模型在ST前1年和ST前2年误判率较低,实用性也比较强。
另外,虽然制造业Logistic回归模型的判定准确率要高于设定的先验概率,模型可以接受,但误判率仍高于传统财务指标的误判率。[1]
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。