0-1变量的回归模型.pptVIP

logit模型整体显著性的检验 比较下面两个模型：空模型和全模型，对其进行方差分析： probit模型整体显著性的检验 参数估计：Logistic 参数估计：Probit 参数估计 从变量的显著性检验中可以得到如下结论： 应收账款与总资产比例（ARA）和被ST与否高度相关，且其值越高，被ST可能性越大； 债务资产比率（LEV）和被ST与否高度相关，且其值越高，被ST可能性越大； 在probit模型中，销售收入增长率（GROWTH）和被ST与否高度相关，其值越低，被ST可能性越大。 没有证据表明其他因素对ST与否有显著影响。 变量选择：logit 剔除掉不显著的变量，得到： 变量选择：probit 剔除掉不显著的变量，得到： 模型的选择 对比线性模型下的AIC和BIC函数： 使用step函数自动选择：logit 使用step函数自动选择：logit 使用step函数自动选择：probit 使用step函数自动选择：probit 未来被ST的概率为： logit模型： probit模型： 前面估计出的参数： 将某样本值代入得： 该公司被ST的概率为： 使用该模型对a2中所有数据预测 从该表中可以看出，共有699+47个样本，其中699个成功被预测成为ST=0，47个被错误的预测成为ST=0。所以预测精度达到93.7%。但是注意，所有的预测值都为0，也就是说没有预测出任何一家公司被ST，显然这不是我们需要的。 定义两种不同的分类错误P(ST=1|X)0.4 True Response 0 1 Predict- ion 0 697 46 1 2 1 False Positive Rate（FPR） = 2/(697+2)=0.29% True Positive Rate（TPR） = 1/(46+1)=2.12% 定义两种不同的分类错误P(ST=1|X)0.3 True Response 0 1 Predict- ion 0 692 45 1 7 2 False Positive Rate = 7/(692+7)=1.00% True Positive Rate = 2/(45+2)=4.25% 定义两种不同的分类错误P(ST=1|X)0.1 True Response 0 1 Predict- ion 0 655 36 1 44 11 False Positive Rate = 44/(655+44)=6.29% True Positive Rate = 11/(36+11)=23.40% 回头看我们的数据： 训练样本: Year = 1999 (ST 时间 = 2002) 样本容量: 684 ST 案例: 36/684=5.26% 检验样本: Year = 2000 (ST 时间 = 2003) 样本容量: 746 ST 案例: 47/746=6.30% R Code glm1=glm(ST~ARA+ASSET+ATO+GROWTH+LEV+ROA+SHARE,family=binomial(link=logit),data=a1) glm2=glm(ST~ARA+ASSET+ATO+GROWTH+LEV+ROA+SHARE,family=binomial(link=probit),data=a1) Logistic Regression Probit Regression Best Logit Model (AIC) Best Logit Model (BIC) Best Probit Model (AIC) Best Probit Model (BIC) Form a Prediction Rule Whenever P(ST=1|X)0.50, we predict future observation ST=1. Is 0.50 the only choice? The prediction accuracy Take logit full model as an example The overall misclassification rate = 6.3% Question: is this good? * 0-1变量的回归模型 0-1变量 实际工作中我们经常需要研究某种事物状态变量的影响因素。如： 通过财务信息预测公司是否破产 通过驾驶纪录预测驾驶员是否会出事故 通过购物和还款记录预测信用卡持卡人是否诚信 这类变量都具有如下特征 变量值只有0和1两种状态 变量值没有任何数量意义 0和1分别代表了事物的两种状态 什么是ST ST是特殊处理（Special Treatment）的缩写，是我国股票市场一项特有的，旨在保护投资者利益的政策。 如果上市公司的财务数据出现异常，则证监会将对其