LOGISTIC回归模型的构建与检验

　　5.2 Logistic 回归模型的构建

　　5.2.1 构建基于纯财务指标的 Logistic 回归模型

　　鉴于第四部分因子分析法提取的反映企业各方面信息的公共因子 F1、F2、F3、F4为变量，原始数据为事先选取的 T-2 年样本数据中的 7 家 ST 公司和 34 家非 ST公司组成的两组样本，构建出基于纯财务指标的 Logistic 回归模型。通过 SPSS 19.0统计软件得出的结论如下表所示：【1】

　　
　　在 Logistic 回归模型中，Wald 统计量主要用于对回归系数显着性的检验，即判断一个变量在 Logistic 回归模型中所起作用的大小。通常来讲，Sig.显着性水平与 Wald 统计量的值呈负相关性，Wald 统计量越大，Sig.值越小；Sig.显着性水平与变量在模型中所起能到的作用呈负相关性，Sig.值越小，表示作用越加显着，越应该保留在 Logistic 回归模型中；反之，就应该从模型中将该变量去除掉。表 5.9的回归结果表明，四个因子变量 Sig.显着性水平都很小，说明在回归模型中这四个因子变量的作用都很明显，所以应该在模型中保留这四个因子[36].常量的 Sig.显着性水平也很小，在回归模型中的作用很重要，所以在模型中应该保留，因此得到的 Logistic 回归预警模型如下所示：【2】

　　
　　5.2.2 构建加入非财务指标的 Logistic 回归模型

　　通过第四部分对非财务变量进行 Wilcoxon 秩和检验，对筛选出来的公共因子进行 Logistic 回归分析，构建出加入非财务指标的综合预警模型。以公共因子 F1、F2、F3、F4、Y3（管理费用率）、Y5（审计意见类型）为变量，构建基于财务指标和非财务指标的综合 Logistic 回归预警模型。运用 SPSS 19.0 统计软件得出的具体结果如下表所示：【3】

　　
　　从表 5.10 看出，六个因子变量 Sig.显着性水平都很小，说明在 Logistic 回归模型中这六个因子变量的作用十分重要，所以在模型中均应该保留。常量的 Sig.显着性水平也很小，在回归模型中的作用同样很重要，所以在模型中同样应该保留，因此得到的 Logistic 回归预警模型如下所示：【4】

　　
　　5.3 Logistic 回归模型的检验

　　5.3.1 基于纯财务指标的 Logistic 回归模型的检验

　　利用 SPSS 19.0 统计软件，在所建立的基于纯财务指标的 Logistic 回归模型当中引入事先确定的 T-2 年的指标数据，检验的结果如下表所示：【5】

　　
　　从检验结果可知，以 0.5 为预测阀值，在 34 个非 ST 公司中，有 6 家公司被误判为财务危机公司，误判率为 17.66%,准确率为 82.34%;在 7 家 ST 公司中，有 2 家公司误判为非财务危机公司，误判率为 28.57%,准确率为 71.43%.因此，所建立的基于财务指标的 Logistic 回归预警模型在阀值为 0.5 为的假设下，回判检验效果较好。

　　5.3.2 加入非财务指标的 Logistic 回归模型的检验

　　利用 SPSS 19.0 统计软件，在所建立的加入非财务指标的 Logistic 回归模型当中带入事先确定的 T-2 年的指标数据，检验的结果如下表所示：【6】

　　
　　从检验结果可知，以 0.5 为预测阀值，在 34 个非 ST 公司中，有 4 家公司被误判为财务危机公司，误判率为 11.77%,准确率为 88.23%;在 7 家 ST 公司中，有 1 家公司误判为非财务危机公司，误判率为 14.28%,准确率为 85.72%.因此，所建立的基于财务指标的 Logistic 回归预警模型在阀值为 0.5 的条件下，回判检验效果较好。