关于影响大公偏离度的可调节的N维指数的建模介绍.docVIP

——关于影响偏离度的可调节的N维指数的建模 路璐 引言 专家评估系统将众因子放在同个平台测算后，综合归一为偏离度，衡量企业或行业的信用级别。根据主体资源多少，可以通过调节N维指数来改变偏离度，从而影响主体的信用级别。如何确立N维指数，如何确定指数与偏离度的关系，如何建立指数间的关系，显出重要意义。 如果偏离度集合具有正态性线性关系，那么用结构方程模型分析其多指标变量间关系结构；如果偏离度集合是非线性关系，那么设法进行线性转换或加入非线性约束，或者用路径抽样的方法结合合适的算法对模型进行贝叶斯估计。这次的技术总结只考虑偏离度集合为线性结构条件的建模。 在大公评级原理所涉及到的众多因子和指数中，偏离度是灵魂，占据核心地位。把偏离度设为因变量，N维指数设为自变量。根据多元线性回归基本模型： Yi=B0+B1X1i+B2X2i+…BkXki+ui。其中Y是因变量偏离度，X1、X2、…Xk是自变量,B1,B2,…Bk是偏回归系数。这里的自变量是：财富创造能力指数，经常性收入指数，信用关系安全指数，债务净盈利指标，存量债务期限结构指数，可变现净资产指数，债务管理安全指数。本模型采用标准的最小二乘法对方程进行估计，目标是求参数使得残差平方和最小。 以上建模缺点是：没有考虑潜在变量，大公原理无法证明只存在7个维度调整指数；测量过程中需要苛刻严谨的数据限制，否则无法建立模型，测量过程中产生的误差被排除在外，无法评估测量的置信度和有效度；只能分析一个因变量，而在大公原理中，处处体现出多个因变量，而且需要比较他们的相互影响。 为了确立N维指数，确定指数与偏离度的关系和建立指数间的关系，采用最大似然法将新模型中所有参数同时进行估计，通过比较理论模型的协方差与实际观测得到的协方差的差异,从整体上来考虑模型的拟合优度。拟合原理是：首先依据输入的数据获得相关矩阵S;通过数学方法和原先假定的模型,得到相关矩阵（再生矩阵X）。通过迭代的方法,在满足X最大程度接近S的情况下,得到系数矩阵。通过调整模型系数,使得模型反映的变化最大程度接近真实的变化。 如表所示，模型中各要素的定义。 潜变量 字母表达 显变量 字母表达 偏离度 Y1 财富创造能力指数 X1 总债务偿还能力 Y2 债务管理安全指数 X2 存量债务偿还能力 Y3 可变现净资产指数 X3 新增债务偿还能力 Y4 信用关系安全指数 X4 外生显变量与外生潜变量之间的关系,是外生显变量在外生潜变量上的因子负荷矩阵 Lx 存量债务期限结构指数 X5 内生显变量与内生潜变量之间的关系,是内生显变量在内生潜变量上的银子负荷矩阵 Ly 经常性收入指数 X6 外生显变量误差项 d 债务净盈利指标 X7 内生显变量误差项 e 内生潜变量 q 外生潜变量 p 内生潜变量之间的关系 B 外生潜变之间的关系 T 结构方程的残差项,反映了;q在方程中未解释的部分 u 对于显变量与潜变量的关系，测量模型如下： X1= Lx1+d1; X2= Lx2+d2; X3= Lx3+d3; X4= Lx4+d4; X5= Lx5+d5; X6= Lx6+d6; X7= Lx7+d7; Y1= Ly1+e1; Y2= Ly2+e2; Y3= Ly3+e3; Y4= Ly4+e4; Y2= Y3+Y4; 对于潜变量间的关系，如下形式： q(y1)=Bq(y1)+Tp(y2)+Tp(y3)+Tp(y4)+u 如果所示，偏离度和N维指数结构模型。 输入样本数据，本科以上的高数水平可以解出以上的联立方程，通过几次迭代后，使模型达到拟合，各个显变量因子负荷属于正常水平，并且显著不为0，卡方值和p值在可接受范围内，RMSEA小于0.1。为了省时省力，现在可以选择Amos,Eqs软件，分析偏离度方程模型。 无论是哪种计算方法，都涉及到原始数据库标准化处理，我是通过专家系统原理得到标准化数据；还涉及到因子间确定权重的问题，我采用的方法是：预先随机定义一个初始权重集合,随机地抽取一个问卷的数据,将加权后的输入值加总,并将它们归入各自的结构变量中。将加总值用一个非线形的S函数进行变形处理,把处理结果向前传入下一层的并发潜在变量中去。然后在所有的隐层重复这一处理过程,最终数据会流向体现标识值的输出层。期望输出与实际输出的差异引导着学习的过程。每个权重值都会随着学习的速度和失败的次数而不断更新,其初始值也是影响总体差异的一个因素。在这种数据处理方式下,数据每经过一次前馈处理后,就会随之产生一次偏差纠正过程的反向传播。 通过软件的分析结果，可以确立N维指数，得到指数与偏离度的联立方程组，确认了指数间的关系。 二〇一五年五月十