研究概述

財務危機(Financial crisis)又稱財務困境(Financial distress)，是指企業由于營銷、決策或不可抗拒因素的影響，使經營循環和財務循環無法正常持續或陷于停滯的狀態，具體表現包括持續性虧損、無償付能力、違約和破產等。

研究意義

財務危機將給投資者、債權人以及銀行等金融機構帶來風險，所以他們都希望在投資決策時就能得到關于財務危機的警示。財務危機給企業和社會帶來了嚴重的影響，適時、準確地對企業財務危機進行預測分析是市場競爭機制的客觀要求。因此利用相關信息構建有效的財務危機預警模型，獲得上市公司財務狀況惡化的預警信號，對于投資者、債權人、經營者以及監管者等諸多方面都具有重要的現實意義。

判別分析

判別分析方法是英國統計學家Fisher最先建立的一種統計方法。在財務危機預測研究中，該方法使用多個變量進行判定分析，是多元統計分析中用于判別樣本所屬類型的一種統計方法。判別分析模型主要解決的問題是，在已知某些研究對象的分類情況后，再利用這些已知類別的樣本生成一種判別標準，用以確定新的樣本屬于已知類別中的哪一類。兩分類判別分析模型的思想，是通過將多維數據投影到某個方向上，投影的原則是將類與類盡可能地分開，然后再選擇合適的判別規則，將待判的樣品進行分類判別。

數據來源

打開數據概覽如下所示：

依次單擊菜單“分析—分類—判別式”執行判別分析過程。選擇分組變量及自變量，并定義分組變量的范圍是0到1。

單擊統計量按鈕，依次勾選如下三個復選框：博克斯(協方差檢驗)、費希爾(判別系數)、未標準化。點擊“繼續按鈕”返回主面板。

單擊“方法”按鈕，依次勾選如下三個復選框：威爾克(判別統計量)、使用F的概率、步驟摘要(輸出選項)，單擊“繼續”按鈕返回主面板。

單擊“分類”按鈕，依次勾選根據組大小計算、分組、摘要表(分類結果摘要)，單擊“繼續”按鈕返回主面板。

設置完畢后，點擊確定，生成結果。

結果分析

“分類案例處理摘要”表格給出參與分析的數據信息，有效案例為185例，無缺失數據。

典型判別函數的檢驗。由于只有一個典型判別函數，所以它解釋了所有的變異，并記錄在了“特征值”表格里。而Wilks'Lambda檢驗的Sig遠小于0.01，表示這個判別函數的判別作用是顯著成立的。

變量選擇過程的輸出。給出了變量篩選的過程，在第1步加入了資產收益率變量，在第5步加入了總資產變量，并且每一步的wilks'Lambda檢驗都很顯著(Sig值均遠小于0.01)，這說明每一步加入的變量對正確判斷分類都是有顯著作用的。

標準化的典型判別系數。“系數”表格輸出的是判別函數中各個變量的標準化系數，由此可以判斷各函數主要受哪些變量的影響。“結構矩陣”表格給出的是判別變量和標準化判別函數之間的相關性數據，同樣可以用來判斷判別函數受哪些變量的影響較大。綜合這兩個表格的數據，認為此判別函數與資產收益率、存貨流動負債比率、總資產的相關性較大。

Fisher判別系數。使用典型判別系數(標準化的或未標準化的)時，對每個觀測先要計算出平面(或直線)坐標值，然后比較與類別重心的距離，再進行判別歸類。相比而言，使用Fisher判別函數就要簡單得多，對每個觀測直接利用Fisher判別函數計算其屬于各類的得分，并把此觀測歸入得分最高的一個類別即可。

最終判別的結果總結表。“分類結果”表格給出了典型判別函數的判別效果。首先，此判別模型對所有案例的分類準確率達到了93%，初始模型的92.4%的分類準確率有所提高，由此說明使用Separate-groups選項還是較為合理的；其次，93%的判斷準確率也是比較高的，說明此判別分析模型能很好的用來預測上市公司的財務預警問題。

具體看來，原始數據里未ST的159家公司，經過模型判別有156家(98.1%)仍判定為未ST的；原始數據里的首ST的26家公司，經過模型判別有16家(61.5%)仍判定為首ST的，有10家首ST公司的財務狀況預測錯誤。從后驗概率的角度看，預測出19家財務危機預警的上市公司里，有16家(84.2%)是真的發生了財務危機。

總結

以上是生活随笔為你收集整理的单变量和多变量财务预警模型_SPSS数据分析，基于判别分析上市公司财务危机预警分析...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。