第八章 离散选择模型――Logist回归.doc

第八章 离散选择模型—Logistic回归 基于logistic回归模型的企业信用评价 ——以材料和机械制造行业上市公司为例 一、引言 中国市场经济制度的日益健全与完善以及证券债券等金融市场的逐步建立与发展，信用成为经济交往、债务形成的一个重要的基础，信用风险越来越受到市场交易者的关注。信用风险是指借款人、证券发行人或交易方由于各种原因不愿或无能力履行商业合同而违约，致使债权人、投资者或交易方遭受损失的可能性。对于上市公司而言，这种违约行为经常表现为拖欠账款、资不抵债以及以发行证券或债券进行圈钱等失信行为。对这种违约失信的可能性的度量显得十分重要。怎样分析公司的信用状况，对信贷管理者如何分析企业的信用，对证券投资者如何衡量投资项目的风险和价值以及企业家如何评价自己管理的公司，都有极大的价值。 自上世纪中期以来，国内外以计算违约率(本文计算守信率,守信率=1-违约率)对信用风险进行评价和度量的方法和模型得到了迅速发展。对企业的信用评价主要是基于综合财务指标特征计算违约风险并用来划分等级。以综合财务指标为解释变量，运用计量统计方法建立模型，分析信用在金融和学术界成为主流，并且评价效果显著。特别对于logistic回归模型效果更好，因为该模型没有关于变量分布的假设，也不要求假设指标存在多元正态分布。最早有Martin（1977）建立logistic回归模型预测公司的破产以及违约的概率。Madalla(1983)建立logistic回归模型来区分违约和非违约贷款申请人，并确认0.551为两者的分界线。比如在我国，张后启等（2002），杨朝军等（2002），应用Logistic模型研究上市公司财务危机，得出有效结论等等。 面对我国在深沪两家证券市场上市的一千多家上市公司，由于公司体制和管理机制缺陷，或者自身利益最大化利益驱使，或者多部分有国企改制而来等各种原因，信用风险程度变的更大。若能够应用一个较简单的计量模型对他们的信用状况进行评价，对债权人选择贷款对象，投资者投资和交易方的选取都有较大帮助。本文则利用上市公司综合财务数据，运用主成分分析，建立logistic回归模型。并为了消除行业因素的影响，仅对材料和机械制造行业的100家上市企业作为样本进行建立模型，对于其他行业可依次方法进行评价。 二、指标选取与数据搜集 logistic回归模型的特征，为了使守信率更趋近于0和1，选取两组两端（较好和较坏）作为样本数据，一组为正常上市公司（信用状况较好），选取被证券之星网站排名在材料行业前30名和机械制造行业前20名的公司，共计50家；另一组为非正常公司（信用状况较坏），因财务异常而被特别处理（ST）的公司，选取材料和机械制造行业被特别处理的公司和注册会计师给以“拒绝表示意见”的审计报告的公司共计50家。 三、logistic回归模型分析 ㈠数据的初始处理和主成分分析 设选取的原始数据为其中: 先消除量纲的影响,先对样本数据进行标准化: 其中: . 标准化后的数据记为 (i=1,2,…８)。 为了消除logistic回归模型分析中各变量存在的多重共线性，并对选取的指标进行分类，对8个指标进行采取主成分分析法进行因子分析，即寻找因子保持原始的信息，并且互不相关。 先求出相关系数矩阵 ， (i,j=1,2,...８) 计算相关系数矩阵的特征值，和特征向量，所求特征值依大小顺序排列为，对应的特征向量为，主成分为＝. 主成分的贡献率为　．这样可只考虑少数几个主成分而不损失较多信息，抓住主要矛盾，揭示规律性。并对其通过方差最大化法进行正交因子旋转。旋转过程对主成分提取的结果只改变信息量在不同主成分之间的分布，从而可以找到合理的经济解释。 采用SPSS11.5统计软件中Analyze→Data Reduction→Factor…进行因子分析, 前4个主成分的特征值的累计贡献率已经达到了78.58%,选取F1,F2,F3,F4作为最终指标进行分析,可以分别有原来8个指标表示为： 由上表达式可以看出，F1主要表达了X1、X2、X3等三个指标的信息量，反映的是企业的偿债能力, F2主要表达了X4、X5等指标的信息量，反映的是企业的营运能力, F1主要表达了X6、X8等指标的信息量，反映的是企业的还款意愿和总盈利能力, F1主要表达了X7等指标的信息量，反映的是企业的净盈利能力。 ㈡logistic回归分析 建立logistic回归模型表述如下： 其中： 其中为企业信用风险评定的影响变量, (j=0,1,2…m)为需要判定的系数。P的函数对象呈s型分布，且为递增函数，p∈(0,1)，因为 。 对于各公司i,(i=1,2,…n)若p≈0,表明信用状况较差，若p≈1,表