离散因变量回归案例分析.pptxVIP

离散因变量回归案例

ARA：应收账款与总资产的比例；

01

ASSET：资产规模的对数值；

02

ATO：资产周转率；

03

GROWTH：销售收入增长率；

04

LEV：负债资产比率；

05

ROA：资产收益率；

06

SHARE：最爱股东的持股比例；

07

有哪些财务指标可能与公司是否被特殊处理相关？

上市公司ST状态预测

01

02

解释变量（X）的观测值：

当X来自1999年，对应的Y是三年后(02年)是否被ST；

当X来自1999年，对应的Y是三年后(03年)是否被ST；

共有684个来自1999年的观测（用于建模）；

共有746个来自2000年的观测（用于评估模型的好坏）；

被解释变量（因变量Y）的观测值：

上市公司ST状态预测

空模型（只带常数项的回归模型）

01

全模型（引入全部7个自变量的回归模型）

02

选模型（引入部分自变量的回归模型）

03

另一个维度：模型的形式（Probit还是Logit）?

04

候选的模型：

上市公司ST状态预测

01

结合“似然比（LR）”与“Z检验”；

02

AIC准则；

03

BIC准则；

模型的选择：

上市公司ST状态预测

1

ARA：应收账款与总资产的比例；

GROWTH：销售收入增长率；

LEV：负债资产比率；

以AIC准则搜寻的最佳模型：

ARA：应收账款与总资产的比例；

（无论是Probit还是Logit模型，都是同样的结论）

以BIC准则搜寻的最佳模型：

2

上市公司ST状态预测

建立一个Logit模型之后；

要选择临界值，通常我们会设之为0.5；

但是，取0.5合适吗？？？

模型预测能力的评估：

上市公司ST状态预测

01

共有699+47=746个企业样本；

02

其中，699家是“非ST公司”；

03

其中，47家是“ST公司”；

训练样本的基本情况：

上市公司ST状态预测

上市公司ST状态预测

临界值取0.5的表现：

计算出的概率都小于0.5，于是我们得到

预测值

Y’=0

Y’=1

total

真实值

Y=0(非ST)

699

0

699

Y=1(ST)

47

0

47

total

746

0

746

总体预测的正确率=699/746=93.7%！！！

但显然我们不应为之高兴！

因为没有正确预测一家ST公司！

03

01

02

临界值取0.5的表现：

上市公司ST状态预测

上市公司ST状态预测

分析：

对0-1变量的预测，我们有两种错误：

弃真错误

取伪错误

定义两个指标，度量上述两种错误：

TruePositiveRate(TPR)成功取真率

越大越好。越大意味着“弃真错误”的概率越小。

分析：

上市公司ST状态预测

01

定义两个指标，度量上述两种错误：

03

越小越好。越小意味着“取伪错误”的概率越小。

02

FalsePositiveRate(FPR)取伪率

分析：

上市公司ST状态预测

上市公司ST状态预测

分析：

上例中两个指标分别为：

成功取真率TPR=0；（非常不好）

取伪率FPR=0；（非常好）

如果临界值取0，怎么样？

因为所有样本计算出的概率都大于零，所以

成功取真率TPR=100%；（非常好）

取伪率FPR=100%；（非常不好）

分析：

上市公司ST状态预测

分析：

01

01

02

03

由此，我们知道TPR与FPR是鱼和熊掌不可兼得的！！！

一个合理的预测方案应该是在二者之间取某种平衡！！！

02

03

上市公司ST状态预测

TPR

ROC曲线

(RECEIEROPERATINGCHARACTORISTICS)

FPR

如果A模型比B模型好，那么应该在任何一个FPR值下，A模型的TPR都比B模型的TPR大！

或者，

如果A模型比B模型好，那么应该在任何一个TPR值下，A模型的FPR都比B模型的FPR小！

02

01

03

一个判断模型好坏的标准：

上市公司ST状态预测

上市公司ST状态预测

01

02

Logit全模型、AIC搜寻得到的Logit模型，以及BIC搜寻得到的Logit模型；

Probit全模型、AIC搜寻得到的Probit模型，以及BIC搜寻得到的Probit模型；

共六种。

利用ROC曲线选择模型：

上市公司ST状态预测

利用ROC曲线选择模型：

结论：

BIC准则搜寻得到的Logit模型和Probit模型预测精度都差一些；

因为它们两的ROC曲线都在其他曲线的下方。

1

2

上市公司ST状态预测