根据上面均值差异性检验和相关性检验选定的4个变量，采用信息技术业ST当年至ST前5年的数据，利用SPSS16.0进行Logisitic回归分析，回归结果如表7-26所示。

表7-26　信息技术业财务比率Logisitic回归结果

根据表7-26可以形成信息技术业财务危机预警模型：

log［p/（l-p）］=3.258-0.564×1-1.145×2-0.476×5-3.919×14

该模型包括4个变量，分别属于偿债能力、获现能力、现金结构。变量的系数均为负值，说明这4个变量值越小，公司被ST的概率越高，这与前面财务比率分析的结果一致。根据Wald统计量来看，反映现金结构的经营现金流出结构比率（X14）对模型的贡献度最大。

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7-27至表7-31。

表7-27　信息技术业Logistic回归模型在ST前1年的回判结果

表7-28　信息技术业Logistic回归模型在ST前2年的回判结果(www.daowen.com)

表7-29　信息技术业Logistic回归模型在ST前3年的回判结果

表7-30　信息技术业Logistic回归模型在ST前4年的回判结果

表7-31　信息技术业Logistic回归模型在ST前5年的回判结果

从表7-27至表7-31的回判结果可以看出：在ST前1年至ST前5年，信息技术业Logistic回归模型对于开发样本判定的综合正确率分别为81.82%、86.15%、81.82%、59.10%、59.10%，都高于设定的先验概率，判定结果都可以接受。除ST前2年稍有异常外，判定结果基本上可以得出离财务危机发生的时间越远、模型判定准确率越低的结论。并且从ST前4年开始，开发样本判定的综合正确率显著降低。

ST前2年和ST前4年，信息技术业Logistic回归模型对于开发样本判定的二类错误的概率均高于一类错误的概率。因此，从回判结果来看，信息技术业Logistic回归模型在ST前2年和ST前4年均有判别财务危机的能力，实用价值也比较高，具有较好的预测能力。