一、案例綜述

案例編號(hào)：

101003

案例名稱：

財(cái)務(wù)管理領(lǐng)域的應(yīng)用——上市公司財(cái)務(wù)指標(biāo)綜合分析

作者姓名（或單位、或來源）：

劉莎莎

案例所屬行業(yè)：

69 證券

案例所用軟件：

SPSS

案例包含知識(shí)點(diǎn)：

因子分析  度量尺度變量轉(zhuǎn)化為有序尺度變量、對(duì)應(yīng)分析回歸分析   OLS  VIF  方差膨脹因子 多重共線性個(gè)案選擇  logistic回歸分析   二元選擇模型  離散因變量模型 逐步回歸 多重貢獻(xiàn)性 樣本外預(yù)測  樣本內(nèi)預(yù)測 模型預(yù)測 隨機(jī)選擇樣本  過濾變量的生成

案例描述：

財(cái)務(wù)管理是指在一定的整體目標(biāo)下，關(guān)于資產(chǎn)的購置（投資），資本的融通（籌資）和經(jīng)營中現(xiàn)金流量（營運(yùn)資金），以及利潤分配的管理。財(cái)務(wù)管理是現(xiàn)代企業(yè)管理的重要組成部分，它是根據(jù)財(cái)經(jīng)法規(guī)制度，按照財(cái)務(wù)管理的原則，組織安排企業(yè)財(cái)務(wù)活動(dòng)，處理財(cái)務(wù)關(guān)系的一項(xiàng)經(jīng)濟(jì)管理工作。

在財(cái)務(wù)管理領(lǐng)域的專業(yè)高效數(shù)據(jù)分析可以使企業(yè)經(jīng)營決策者充分地利用企業(yè)財(cái)務(wù)資源，了解企業(yè)經(jīng)營現(xiàn)狀，獲得進(jìn)一步做出正確的經(jīng)營決策的依據(jù), 進(jìn)而加強(qiáng)企業(yè)成本控制、改善財(cái)務(wù)狀況、提高企業(yè)經(jīng)營效益以增強(qiáng)企業(yè)市場競爭力。

本案例的數(shù)據(jù)文件說明：數(shù)據(jù)文件名字為caiwu.sav。該數(shù)據(jù)為2014年49家公司的年報(bào)財(cái)務(wù)指標(biāo)。變量包括st狀態(tài)、股票代碼，公司簡稱、公司全稱、包括資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、加權(quán)凈資產(chǎn)收益率、攤薄總資產(chǎn)報(bào)酬率、毛利率、凈利率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)天數(shù)、營業(yè)收入增長率、總資產(chǎn)增長率、資本積累率、觀測值編號(hào)。

選取的49家公司里面既有st公司又有非st公司，這樣選取的目的是為了能夠使得數(shù)據(jù)適合建立logistic回歸模型，進(jìn)而起到預(yù)測的目的。本案例的分析目的是用現(xiàn)在擁有的一些上市公司財(cái)務(wù)指標(biāo)數(shù)據(jù)起到探索指標(biāo)間的關(guān)系及預(yù)測的目的。

本案例共包含四個(gè)知識(shí)點(diǎn):

第1個(gè)知識(shí)點(diǎn)用因子分析對(duì)14個(gè)財(cái)務(wù)指標(biāo)進(jìn)行降維，將14個(gè)財(cái)務(wù)指標(biāo)降為4個(gè)因子（盈利能力、發(fā)展能力、資本結(jié)構(gòu)、資本周轉(zhuǎn)），計(jì)算各個(gè)因子的得分形成四個(gè)新的變量。

第2個(gè)知識(shí)點(diǎn)用第一個(gè)知識(shí)點(diǎn)中得到的盈利能力、發(fā)展能力兩個(gè)因子進(jìn)行對(duì)應(yīng)分析。通過對(duì)應(yīng)分析發(fā)現(xiàn)，盈利能力高的公司，可能發(fā)展能力只是中上水平。盈利能力中上的企業(yè)，發(fā)展能力可能比較差。盈利能力中下的企業(yè)可能發(fā)展能力更強(qiáng)。盈利能力差的發(fā)展能力也較差。

第3個(gè)知識(shí)點(diǎn)用線性回歸分析方法研究其他財(cái)務(wù)指標(biāo)對(duì)凈利率的影響。首先把“資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)天數(shù)”幾個(gè)變量全部作為解釋變量加入到回歸方程里面，接著根據(jù)變量的顯著性和方差膨脹因子判定多重共線性問題，然后去掉可能引起共線性的變量，最終得到一個(gè)比較簡潔的方程。發(fā)現(xiàn)資產(chǎn)負(fù)債率和存貨周轉(zhuǎn)天數(shù)對(duì)凈利率影響為正，產(chǎn)權(quán)比率和應(yīng)收賬款周轉(zhuǎn)天數(shù)對(duì)凈利率影響為正。

第4個(gè)知識(shí)點(diǎn)從49個(gè)公司樣本中，用隨機(jī)抽樣，抽取80%的公司樣本（45個(gè)公司）作為建模樣本，用logistic回歸方法進(jìn)行模型估計(jì)，研究各財(cái)務(wù)指標(biāo)對(duì)公司st狀態(tài)的影響，進(jìn)而對(duì)參與建模的45個(gè)公司和未參與模型估計(jì)的4個(gè)公司的st狀態(tài)均作出預(yù)測（對(duì)45個(gè)公司的預(yù)測稱為樣本內(nèi)預(yù)測，對(duì)4個(gè)公司的預(yù)測稱為樣本外預(yù)測）。然后對(duì)兩類樣本的預(yù)測效果作出評(píng)價(jià)。樣本內(nèi)預(yù)測的準(zhǔn)確率為88.9%，樣本外預(yù)測的準(zhǔn)確率為75%。

案例執(zhí)行形式：

單人上機(jī)

二、案例知識(shí)點(diǎn)

知識(shí)點(diǎn)1：

知識(shí)點(diǎn)名稱：基于因子分析的財(cái)務(wù)指標(biāo)的隱藏因素挖掘

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)分析

知識(shí)點(diǎn)背景：

因子分析是一種從大量數(shù)據(jù)中由表及里、去粗取精尋找隱性解釋變量的統(tǒng)計(jì)分析技術(shù)。

知識(shí)點(diǎn)描述

我們可以使用因子分析來對(duì)多個(gè)相關(guān)性比較強(qiáng)的指標(biāo)進(jìn)行數(shù)據(jù)降維、分析挖掘潛在變量。

知識(shí)點(diǎn)關(guān)鍵詞：

因子分析

知識(shí)點(diǎn)所用軟件：

Spss

操作目的：

對(duì)數(shù)據(jù)進(jìn)行降維分析，將多個(gè)相關(guān)性比較強(qiáng)的指標(biāo)濃縮為比較少的幾個(gè)指標(biāo)。

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

caiwu.sav

操作步驟:

? 執(zhí)行“分析”，“降維”，“因子分析”命令，彈出“因子分析”對(duì)話框；

? 將資產(chǎn)負(fù)債率變量到資本積累率變量拉入“變量”選擇框里，點(diǎn)擊“抽取”選項(xiàng)，保持默認(rèn)設(shè)置，即公因子提取方法為主成分法。按照特征值大于1的原則來提取主因子個(gè)數(shù)，點(diǎn)擊“繼續(xù)”按鈕；點(diǎn)擊“旋轉(zhuǎn)”選項(xiàng)，是對(duì)主因子進(jìn)行旋轉(zhuǎn)，目的是公因子的含義更加明確。選擇“最大方差法”，勾選“載荷圖”，點(diǎn)擊“繼續(xù)”按鈕；

? 點(diǎn)擊“得分”選項(xiàng)卡，勾選“保存為變量”，方法選擇“回歸”，勾選“顯示因子得分系數(shù)矩陣”，可以看到因子的得分系數(shù)。也可以不看，我們這里不勾選，點(diǎn)擊“繼續(xù)”按鈕；

? 點(diǎn)擊“確定”按鈕。

 

圖4 總方差解釋圖

可以看到按照特征根大于1的原則來提取主因子，共提取了4個(gè)因子，但是在因子分析的過程中，提取的主因子的累計(jì)貢獻(xiàn)率一般需要達(dá)到85%，但是在分析不同的問題時(shí)可以按照分析目的稍微調(diào)整，能夠達(dá)到分析目的的要求即可。若是要求必須在85%以上，則在SPSS操作中可通過自行設(shè)置主因子的個(gè)數(shù)，使其累計(jì)貢獻(xiàn)率達(dá)到85%。這里我們僅按照特征值大于1的規(guī)則提取四個(gè)因子。

圖5 成分矩陣

圖5輸出結(jié)果是因子載荷矩陣，表示四個(gè)因子在各個(gè)變量上的載荷。數(shù)值絕對(duì)值越大說明這個(gè)因子負(fù)載的某個(gè)變量的信息越多。

 

圖6 旋轉(zhuǎn)后的成分矩陣

上述輸出結(jié)果是旋轉(zhuǎn)之后的各個(gè)變量與四個(gè)主因子之間的關(guān)系，前面已經(jīng)提到，進(jìn)行旋轉(zhuǎn)的目的是為了是各個(gè)因子的系數(shù)盡量接近于0或者是1，以期能夠得到含義更加明確的因子的意義。

 

圖7 因子得分系數(shù)矩陣

上表為因子得分系數(shù)矩陣，是用來計(jì)算各因子的得分的，因?yàn)?span>更多的時(shí)候我們需要將公因子表達(dá)為各變量的線形形式。主因子1就可表示為：F1= -0.271*流動(dòng)負(fù)債率-0.094*流動(dòng)比率-0.1*速動(dòng)比率-0.382*產(chǎn)權(quán)比率+0.284*加權(quán)凈資產(chǎn)收益率+0.075*攤薄總資產(chǎn)報(bào)酬率+0.038*毛利率+0.171*凈利率+0.081*總資產(chǎn)周轉(zhuǎn)率+0.054*應(yīng)收賬款周轉(zhuǎn)天數(shù)+0.156*存貨周轉(zhuǎn)天數(shù)-0.191*營業(yè)收入增長率-0.196*總資產(chǎn)增長率+0.134*資本累積率

SPSS中勾選了“保存為為變量”這一選項(xiàng)，在原始的數(shù)據(jù)中，四個(gè)因子的名字自動(dòng)存為FAC1_1、FAC2_1、FAC3_1、FAC4_1， 第一個(gè)因子可以定義為盈利能力因子，第二個(gè)公因子主要反映了公司未來增長和發(fā)展趨勢的，因此可以定義為發(fā)展能力因子，第三個(gè)因子為公司資本結(jié)構(gòu)因子，第四個(gè)因子定義為資本周轉(zhuǎn)因子。

操作結(jié)果：

將上面生成的因子得分變量保存在文件夾中存為caiwu1.xlsx，以備后續(xù)使用。

知識(shí)點(diǎn)小結(jié)：

因子分析的目的主要是為了降維，把比較多的變量變成比較少的變量，如果變量之間的相關(guān)性比較強(qiáng)才適合進(jìn)行因子分析。通過觀察第一因子得分發(fā)現(xiàn)南寧化工股份有限公司、云南景谷林業(yè)股份有限公司、上海超日太陽能科技股份有限公司這三家公司的得分負(fù)值比較大，確實(shí)這幾家公司的盈利能力比較差。

知識(shí)點(diǎn)2：

知識(shí)點(diǎn)名稱：公司的盈利能力和發(fā)展能力的對(duì)應(yīng)分析

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)分析

知識(shí)點(diǎn)背景：

如果想要對(duì)兩個(gè)分類變量或者是兩個(gè)定序尺度變量的相關(guān)性進(jìn)行分析則可以采用對(duì)應(yīng)分析。

知識(shí)點(diǎn)描述

對(duì)應(yīng)分析是研究兩個(gè)分類變量之間的關(guān)系，主要是采用圖形化展示結(jié)果。

知識(shí)點(diǎn)關(guān)鍵詞：

度量尺度變量轉(zhuǎn)化為有序尺度變量、對(duì)應(yīng)分析

知識(shí)點(diǎn)所用軟件：

SPSS

操作目的：

對(duì)兩個(gè)定序尺度變量進(jìn)行對(duì)應(yīng)分析。

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

Caiwu1.sav

數(shù)據(jù)中的FAC1_1、FAC2_1、FAC3_1、FAC4_1四個(gè)變量，分別為為盈利能力因子、發(fā)展能力因子、公司資本結(jié)構(gòu)因子、資本周轉(zhuǎn)因子。

操作步驟:

操作步驟：

? 打開caiwu1.sav

? 將度量尺度變量轉(zhuǎn)化為名義尺度變量。

我們根據(jù)因子分析部分提取的公因子FAC1_1，對(duì)個(gè)案進(jìn)行分類，共分成4類，F(xiàn)AC1_1<-0.5為類別1，-0.5=0.5為類別4。可以看到類別4的第一因子得分>類別3的第一因子得分>類別2的第一因子得分>類別1的第一因子得分。這是我們?cè)O(shè)定的第一個(gè)分類變量，起名為盈利能力。

我們根據(jù)因子分析部分提取的公因子FAC2_1，對(duì)個(gè)案進(jìn)行分類，共分成4類，F(xiàn)AC1_1<-0.5為類別1，-0.5=0.5為類別4?？梢钥吹筋悇e4的第一因子得分>類別3的第一因子得分>類別2的第一因子得分>類別1的第一因子得分。這是我們?cè)O(shè)定的第二個(gè)分類變量，起名為發(fā)展能力。

? 執(zhí)行“轉(zhuǎn)換”，“重新編碼為不同的變量”命令；

? 將FAC1_1選入右側(cè)框中，將輸出變量的名稱框里寫上盈利能力。然后點(diǎn)擊“更改”

 

 

 

? 點(diǎn)擊“舊值和新值”按照FAC1_1<-0.5為類別1，-0.5=0.5為類別4，將FAC1_1的輸出變量名定義為盈利能力；

? 點(diǎn)擊繼續(xù)

? 將FAC1_1選入右側(cè)框中，將輸出變量的名稱框里寫上盈利能力。然后點(diǎn)擊“更改”

? 

? 點(diǎn)擊“舊值和新值”按照FAC2_1<-0.5為類別1，-0.5=0.5為類別4，將FAC2_1的輸出變量名定義為發(fā)展能力，進(jìn)行舊值與新值的替換。

? 點(diǎn)擊“繼續(xù)”

 

? 點(diǎn)擊“確定”

? 可以看到盈利能力和發(fā)展能力兩個(gè)變量生成成功。

? 執(zhí)行“分析”，“降維”，“對(duì)應(yīng)分析”命令；

? 將盈利能力變量選入“行”框里，發(fā)展能力選入“列”框里。

 

圖10 對(duì)應(yīng)分析

? 點(diǎn)開“行”下面的“定義范圍”，最小值設(shè)定為1，最大值設(shè)為4，點(diǎn)擊“更新”按鈕；

? 點(diǎn)擊“繼續(xù)”按鈕；

? 點(diǎn)擊“列”下面的“定義范圍”，最小值設(shè)定為1，最大值設(shè)為4，點(diǎn)擊“更新”按鈕；

? 點(diǎn)擊“繼續(xù)”按鈕；

點(diǎn)擊“statistics”選項(xiàng)，勾選“行點(diǎn)概覽”及“列點(diǎn)概覽”選項(xiàng)，其他默認(rèn)，點(diǎn)擊“繼續(xù)”按鈕，然后點(diǎn)擊“確定”，輸出結(jié)果如下：

 

圖11 對(duì)應(yīng)表

上述輸出的是對(duì)應(yīng)表，即兩變量的行*列表。對(duì)應(yīng)分析后續(xù)的計(jì)算就是基于這個(gè)表格進(jìn)行的。

圖14摘要

上述輸出的是對(duì)應(yīng)分析的結(jié)果匯總表，給出所提取的每個(gè)維度所攜帶的信息量，從而幫助確定需要使用多少個(gè)維度對(duì)結(jié)果進(jìn)行解釋。從左到右的前6個(gè)指標(biāo)依次是維數(shù)、奇異值、慣量、總的卡方檢驗(yàn)及P值、方差解釋比例。

奇異值的平方就等于慣量，相當(dāng)于因子分析中常說的特征根，用于說明對(duì)應(yīng)分析各個(gè)維度的結(jié)果能夠解釋列表中兩變量聯(lián)系的程度。所有維度慣量的總和可以用來表示總信息量的大小。

卡方檢驗(yàn)及P值用來檢驗(yàn)行變量與列變量指甲是否存在關(guān)聯(lián)，被看作是對(duì)應(yīng)分析適用條件的檢驗(yàn)，只有放行變量與列變量有關(guān)聯(lián)時(shí)，才需要使用對(duì)應(yīng)分析進(jìn)行詳細(xì)分析。這里我們的卡方統(tǒng)計(jì)量對(duì)應(yīng)的相伴概率為0.19，說明兩個(gè)變量的相關(guān)性不是很強(qiáng)，不是特別適合進(jìn)行對(duì)應(yīng)分析。

圖 行點(diǎn)總覽結(jié)果圖

上述輸出結(jié)果為行變量盈利能力的各類別的分析結(jié)果概況。上述輸出結(jié)果為行變量（盈利能力）各類別的分析結(jié)果概況，主要給出了各類別在各維度上的評(píng)分，以及相應(yīng)的信息貢獻(xiàn)量兩大類信息。Mass（質(zhì)量）是指行變量各類別的構(gòu)成比，例如類別1占總數(shù)的比為16.3%；Score in Dimension（維中的得分）給出行變量各類別在相關(guān)維度上的評(píng)分，也就是行變量各狀態(tài)在二維圖中的坐標(biāo)值；Inertia（慣量）反映的是總慣量中分別由各行變量類別所提供的部分，數(shù)值越大，說明該類別對(duì)總慣量的貢獻(xiàn)越大；Contribution（貢獻(xiàn)）分為點(diǎn)對(duì)維數(shù)的慣量和維數(shù)對(duì)點(diǎn)的慣量。點(diǎn)對(duì)維數(shù)的慣量說的是行變量各類別對(duì)每一個(gè)維度特征值的貢獻(xiàn)。維數(shù)對(duì)點(diǎn)的慣量說的是每一個(gè)維度對(duì)行變量各類別特征值的貢獻(xiàn)。由此可以更好的理解維度的來源及意義。

比如從點(diǎn)對(duì)維數(shù)的慣量部分，我們看到第一維度的信息主要被2類別和4類別攜帶，即這兩個(gè)類別在第一維度上的區(qū)分度較好。我們看到第二維度的信息主要被1類別和3類別攜帶，即這兩個(gè)類別在第二維度上的區(qū)分度較好。

比如從維數(shù)對(duì)點(diǎn)的慣量部分，我們看到第一維度對(duì)3 4兩個(gè)類別貢獻(xiàn)比較大（或者說第3 4兩個(gè)類別的大部分信息由第一維度解釋），第二維度對(duì)2類別貢獻(xiàn)比較大，2個(gè)維度對(duì)類別2總的解釋度只能達(dá)到70.2%，可以考慮是否加入第三維度。兩個(gè)維度對(duì)類別1的貢獻(xiàn)度差異不大。

圖列點(diǎn)總覽表結(jié)果圖

上述輸出結(jié)果為列變量（發(fā)展能力）各類別的分析結(jié)果概況，主要給出了各類別在各維度上的評(píng)分，以及相應(yīng)的信息貢獻(xiàn)量兩大類信息。

Mass（質(zhì)量）是指列變量各類別的構(gòu)成比，例如類別1占總數(shù)的比為34.7%；Score in Dimension（維中的得分）給出列變量各類別在相關(guān)維度上的評(píng)分，也就是列變量各狀態(tài)在二維圖中的坐標(biāo)值；Inertia（慣量）反映的是總慣量中分別由各列變量類別所提供的部分，數(shù)值越大，說明該類別對(duì)總慣量的貢獻(xiàn)越大；Contribution（貢獻(xiàn)）分為點(diǎn)對(duì)維數(shù)的慣量和維數(shù)對(duì)點(diǎn)的慣量。點(diǎn)對(duì)維數(shù)的慣量說的是列變量各類別對(duì)每一個(gè)維度特征值的貢獻(xiàn)。維數(shù)對(duì)點(diǎn)的慣量說的是每一個(gè)維度對(duì)列變量各類別特征值的貢獻(xiàn)。由此可以更好的理解維度的來源及意義。

比如從點(diǎn)對(duì)維數(shù)的慣量部分，我們看到第一維度的信息主要被類別和4類別攜帶，即這兩個(gè)類別在第一維度上的區(qū)分度較好。我們看到第二維度的信息主要被1類別和2類別攜帶，即這兩個(gè)類別在第二維度上的區(qū)分度較好。

比如從維數(shù)對(duì)點(diǎn)的慣量部分，我們看到第一維度對(duì)3 4兩個(gè)類別貢獻(xiàn)比較大，第二維度對(duì)2類別貢獻(xiàn)比較大。兩個(gè)維度對(duì)類別1的貢獻(xiàn)度差異不大。前兩個(gè)維度對(duì)每個(gè)類別的解釋程度都超過了95%，說明兩個(gè)維度對(duì)各類別的解釋度是比較大的，不需要加入第三維度。

散點(diǎn)圖

上圖中各類別散點(diǎn)在空間中的距離和位置就反映了各自間的關(guān)系，多數(shù)分析報(bào)告均只使用這張圖進(jìn)行描述。從上面的圖形可以看出，盈利能力最高的公司，可能發(fā)展能力只是中上水平。盈利能力中上的企業(yè)，發(fā)展能力可能最差。盈利能力中下的企業(yè)可能發(fā)展能力最強(qiáng)。盈利能力最差的發(fā)展能力中下。

操作結(jié)果：

將上面整理的結(jié)果保存在文件夾中存為caiwu2.xlsx，以備后續(xù)使用。

知識(shí)點(diǎn)小結(jié)：

如果想對(duì)連續(xù)變量進(jìn)行對(duì)應(yīng)分析先要將變量轉(zhuǎn)化為定序尺度變量或者名義尺度變量，再進(jìn)行對(duì)應(yīng)分析。如果兩個(gè)變量本來就是名義尺度變量則可以直接進(jìn)行對(duì)應(yīng)分析操作。

知識(shí)點(diǎn)3：

知識(shí)點(diǎn)名稱：凈利率的影響因素分析

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)分析

知識(shí)點(diǎn)背景：

想研究哪些因素對(duì)公司凈利率有影響，可以進(jìn)行回歸分析建模。

知識(shí)點(diǎn)描述

研究多個(gè)變量對(duì)一個(gè)變量的影響分析。

知識(shí)點(diǎn)關(guān)鍵詞：

回歸分析   OLS  VIF  方差膨脹因子 多重共線性

知識(shí)點(diǎn)所用軟件：

SPSS

操作目的：

對(duì)數(shù)據(jù)進(jìn)行回歸分析，并進(jìn)行顯著性檢驗(yàn)。具體`來講我們研究資產(chǎn)負(fù)債率，流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)天數(shù)對(duì)凈利率的影響。

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

Caiwu.sav

操作步驟:

操作步驟：

? 啟動(dòng)spss

? 打開caiwu.sav

? 執(zhí)行“分析”,“回歸”，“線性”命令； 

? 將凈利率拉入“因變量”框里；

? 將“資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)天數(shù)”拉入“自變量”框里，其他默認(rèn)；

? 點(diǎn)擊“statistics”選項(xiàng)，選中“共線性診斷”，點(diǎn)擊“繼續(xù)”按鈕。點(diǎn)擊“確定”按鈕。

圖18 方差分析結(jié)果圖

由上述分析結(jié)果可知，回歸方程整體顯著性的統(tǒng)計(jì)檢驗(yàn)量F值為12.098，其相應(yīng)的P值遠(yuǎn)小于0.05，表明在0.05的顯著性水平下，整個(gè)回歸方程是顯著的。 

圖19系數(shù)輸出結(jié)果

上述的輸出結(jié)果為各個(gè)變量的系數(shù)顯著性t檢驗(yàn)以及系數(shù)值。由輸出結(jié)果可知，資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、總資產(chǎn)周轉(zhuǎn)率這幾個(gè)變量都不顯著，但是上一步的輸出結(jié)果表明，整個(gè)方程又是顯著的，分析原因可能是多重共線性引起的，因?yàn)檫@幾個(gè)解釋變量的方差膨脹因子（VIF）比較大，一般VIF值超過10，就表明存在共線性。解決的方案是：將變量速動(dòng)比率、流動(dòng)比率、總資產(chǎn)周轉(zhuǎn)率按照VIF值的大小，首先將VIF值最大的變量從方程中去掉，重新估計(jì)方程，直到所有的變量都顯著為止。除了直接刪除變量之外，存在多重共線性的情況下，還可以使用偏最小二乘估計(jì)，嶺回歸、lasso等方法進(jìn)行處理。我們在這里采用的是刪除變量的方法。結(jié)合變量的經(jīng)濟(jì)意義，經(jīng)過反復(fù)修改，我們最終得到的模型結(jié)果如下：

   圖20 方差分析結(jié)果

 

圖21 系數(shù)結(jié)果圖

上述輸出結(jié)果為最終的回歸結(jié)果，可以看出，整個(gè)方程通過了顯著性檢驗(yàn)，所有的變量都通過了系數(shù)的顯著性檢驗(yàn)，資產(chǎn)負(fù)債率前面的系數(shù)為正，說明資產(chǎn)負(fù)債率越高，則凈利率越高。產(chǎn)權(quán)比率前面的系數(shù)為負(fù)，說明產(chǎn)權(quán)比率越高，則凈利率越低，應(yīng)收賬款周轉(zhuǎn)天數(shù)越長，則凈利率越低，存貨周轉(zhuǎn)天數(shù)越長，則凈利率越高。系數(shù)的解釋為：在其他條件不變時(shí)，每增加1單位的資產(chǎn)負(fù)債率，則凈利率平均增加0.408個(gè)單位。其他變量的解釋均可以以此類推。

操作結(jié)果：

該知識(shí)點(diǎn)的操作沒有產(chǎn)生新的變量。

知識(shí)點(diǎn)小結(jié)：

如果解釋變量是數(shù)值變量可以直接加入到回歸模型中進(jìn)行回歸分析，如果模型存在嚴(yán)重的共線性問題，可以采用刪除變量的方法克服共線性問題。

知識(shí)點(diǎn)4：

知識(shí)點(diǎn)名稱：上市公司ST狀態(tài)預(yù)測——Logistic回歸

知識(shí)點(diǎn)所屬工作角色：

數(shù)據(jù)分析

知識(shí)點(diǎn)背景：

如果模型被解釋變量是0 1變量即被解釋變量只有兩個(gè)取值，則不適合建立普通回歸模型，建議建立logistic回歸模型。

知識(shí)點(diǎn)描述

如果被解釋變量只有0，1兩個(gè)取值，這樣的離散被解釋變量不再適合普通的回歸，需要采用logistic回歸進(jìn)行分析，在本案例中，被解釋變量為st狀態(tài)，0表示非st狀態(tài)，1表示st狀態(tài)。

知識(shí)點(diǎn)關(guān)鍵詞：

個(gè)案選擇  logistic回歸分析   二元選擇模型  離散因變量模型 逐步回歸 多重貢獻(xiàn)性

樣本外預(yù)測  樣本內(nèi)預(yù)測 模型預(yù)測 隨機(jī)選擇樣本  過濾變量的生成

知識(shí)點(diǎn)所用軟件：

SPSS

操作目的：

研究資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、加權(quán)凈資產(chǎn)收益率、攤薄總資產(chǎn)報(bào)酬率、毛利率、凈利率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)天數(shù)、營業(yè)收入增長率、總資產(chǎn)增長率、資本積累率等指標(biāo)對(duì)公司st狀態(tài)的影響。

知識(shí)點(diǎn)素材（包括數(shù)據(jù)）：

Caiwu.sav

操作步驟:

? 啟動(dòng)spss

? 打開caiwu.sav

? 依次點(diǎn)擊“數(shù)據(jù)”，“選擇個(gè)案”，在選擇欄的“隨機(jī)個(gè)案樣本”對(duì)話框中改為大約80所有個(gè)案的%，在輸出欄中選擇“過濾掉未選定的個(gè)案”，點(diǎn)擊“確定”；

? 然后再次點(diǎn)擊“數(shù)據(jù)”，“選擇個(gè)案”，在選擇欄中選擇“全部個(gè)案”，點(diǎn)擊“確定”；

? 依次點(diǎn)擊“分析”，“回歸”，“二元logistic回歸”，將ST狀態(tài)拉入“因變量”框里, “資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、加權(quán)凈資產(chǎn)收益率、攤薄總資產(chǎn)報(bào)酬率、毛利率、凈利率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)天數(shù)、營業(yè)收入增長率、總資產(chǎn)增長率、資本積累率”拉入“協(xié)變量”框里。考慮到解釋變量之間可能存在多重共線性問題，在“方法”選項(xiàng)框后選擇“向前LR”方法，將“大約個(gè)案的80%(sample)[filter_$]”拉入“選擇變量”框里，點(diǎn)擊規(guī)則按鈕，值改為1，點(diǎn)擊“繼續(xù)”；

? 點(diǎn)擊“保存”按鈕，勾選“概率”和“組成員”，點(diǎn)擊“繼續(xù)”

? 點(diǎn)擊“確定”按鈕。

回歸經(jīng)過4步的變量添加，最終得到的方程step3,模型中僅包含攤薄總資產(chǎn)報(bào)酬率、存貨周轉(zhuǎn)天數(shù)、營業(yè)收入增長率三個(gè)變量。回歸結(jié)果見圖23。

圖23 方程式中的變量

我們只需要看圖23步驟3對(duì)應(yīng)的回歸分析結(jié)果（因?yàn)閺牟襟E0到步驟3是一個(gè)逐步添加變量的過程），從這個(gè)回歸結(jié)果可以看出，最終選擇的3個(gè)變量的系數(shù)2個(gè)通過了顯著性檢驗(yàn)，存貨周轉(zhuǎn)天數(shù)雖然沒有通過顯著性檢驗(yàn)，但是也被保留下來，說明其在提高模型擬合度上起了一些作用。攤薄總資產(chǎn)報(bào)酬率前面的系數(shù)在1%顯著性水平下顯著為負(fù)，說明攤薄總資產(chǎn)報(bào)酬率越大，則被st的可能性越小。營業(yè)收入增長率前面的系數(shù)在1%顯著性水平下顯著為負(fù)，說明營業(yè)收入增長率越大，則被st的可能性越大。雖然有的變量前面的系數(shù)符號(hào)和單個(gè)變量的相關(guān)性的系數(shù)符號(hào)可能不一樣，但是我們考慮的是方程的整體性，因此這種差異是可以接受的。

觀察數(shù)據(jù)集會(huì)發(fā)現(xiàn)數(shù)據(jù)中多了一個(gè)變量PGR_1,這是對(duì)st狀態(tài)的預(yù)測。我們還可以在輸出結(jié)果部分看到模型的預(yù)測效果，見圖24。

圖24 模型預(yù)測效果

從圖24可以看出,從步驟1到步驟3，模型的樣本內(nèi)預(yù)測效果不斷提升，分別為84.4%、86.7%、88.9%。模型樣本內(nèi)的預(yù)測效果確是步驟1的準(zhǔn)確率達(dá)到100%，步驟2和3準(zhǔn)確率反而有所下降將為了75%。原因?yàn)槲覀兊?/span>4個(gè)樣本的挑選有一定的隨機(jī)性，隨著預(yù)測樣本的增加，這種情況會(huì)明顯好轉(zhuǎn)的。整體來看，無論是樣本內(nèi)還是樣本外我們的預(yù)測效果都是比較好的。        

操作結(jié)果：

將上面生成的過濾變量和預(yù)測結(jié)果變量保存在文件夾中存為caiwu4.xlsx，以備后續(xù)使用。

知識(shí)點(diǎn)小結(jié)：

如果被解釋變量只有兩個(gè)取值，則可以建立二元選擇模型，如果模型存在嚴(yán)重的共線性問題，可以采用逐步回歸的方法克服共線性問題。為了檢驗(yàn)?zāi)Ｐ偷臉颖就忸A(yù)測能力，可以將數(shù)據(jù)分成兩部分，一部分作為訓(xùn)練集，一部分作為測試集，訓(xùn)練集用來估計(jì)模型參數(shù)，測試集用來檢驗(yàn)?zāi)Ｐ偷臉颖就忸A(yù)測效果。將數(shù)據(jù)分成兩部分的時(shí)候可以用隨機(jī)選擇樣本的方式生成一個(gè)過濾變量。

學(xué)數(shù)據(jù)分析技能一定要了解的大廠入門券，CDA數(shù)據(jù)分析師認(rèn)證證書！

CDA（數(shù)據(jù)分析師認(rèn)證），與CFA相似，由國際范圍內(nèi)數(shù)據(jù)科學(xué)領(lǐng)域行業(yè)專家、學(xué)者及知名企業(yè)共同制定并修訂更新，迅速發(fā)展成行業(yè)內(nèi)長期而穩(wěn)定的全球大數(shù)據(jù)及數(shù)據(jù)分析人才標(biāo)準(zhǔn)，具有專業(yè)化、科學(xué)化、國際化、系統(tǒng)化等特性。

同時(shí)，CDA全?？荚嚥季趾驼J(rèn)證體系已得到教育部直屬中國成人教育協(xié)會(huì)認(rèn)可，并由為IBM、華為等提供全球認(rèn)證服務(wù)的Pearson VUE面向全球提供靈活的考試服務(wù)。

報(bào)名方式

登錄CDA認(rèn)證考試官網(wǎng)注冊(cè)報(bào)名>>點(diǎn)擊報(bào)名

報(bào)名費(fèi)用

Level Ⅰ：1200 RMB

Level Ⅱ：1700 RMB

Level Ⅲ：2000 RMB

考試地點(diǎn)

Level Ⅰ：中國區(qū)30+省市，70+城市，250+考場，考生可就近考場預(yù)約考試 >看看我所在的地哪里報(bào)名<

Level Ⅱ+Ⅲ：中國區(qū)30所城市，北京/上海/天津/重慶/成都/深圳/廣州/濟(jì)南/南京/杭州/蘇州/福州/太原/武漢/長沙/西安/貴陽/鄭州/南寧/昆明/烏魯木齊/沈陽/哈爾濱/合肥/石家莊/呼和浩特/南昌/長春/大連/蘭州>看看我所在的地哪里報(bào)名<

報(bào)考條件

業(yè)務(wù)數(shù)據(jù)分析師 CDA Level I >了解更多<

? 報(bào)考條件：無要求。

? 考試時(shí)間：隨報(bào)隨考。

建模分析師 CDA Level II >了解更多<

? 報(bào)考條件（滿足任一即可）：

1、獲得CDA Level Ⅰ認(rèn)證證書；

2、本科及以上學(xué)歷，需從事數(shù)據(jù)分析相關(guān)工作1年以上；

3、本科以下學(xué)歷，需從事數(shù)據(jù)分析相關(guān)工作2年以上。

? 考試時(shí)間：

一年四屆 3月、6月、9月、12月的最后一個(gè)周六。

大數(shù)據(jù)分析師 CDA Level II >了解更多<

? 報(bào)考條件（滿足任一即可）：

1、獲得CDA Level Ⅰ認(rèn)證證書；

2、本科及以上學(xué)歷，需從事數(shù)據(jù)分析相關(guān)工作1年以上；

3、本科以下學(xué)歷，需從事數(shù)據(jù)分析相關(guān)工作2年以上。

? 考試時(shí)間：

一年四屆 3月、6月、9月、12月的最后一個(gè)周六。

數(shù)據(jù)科學(xué)家  CDA Level III >了解更多<

? 報(bào)考條件（滿足任一即可）：

1、獲得CDA Level Ⅱ認(rèn)證證書；

2、本科及以上學(xué)歷，需從事數(shù)據(jù)分析相關(guān)工作3年以上；

3、本科以下學(xué)歷，需從事數(shù)據(jù)分析相關(guān)工作4年以上。

? 考試時(shí)間：

一年四屆 3月、6月、9月、12月的最后一個(gè)周六。

（備注：數(shù)據(jù)分析相關(guān)工作不限行業(yè)，可涉及統(tǒng)計(jì)，數(shù)據(jù)分析，數(shù)據(jù)挖掘，數(shù)據(jù)庫，數(shù)據(jù)管理，大數(shù)據(jù)架構(gòu)等內(nèi)容。）

——熱門課程推薦：

想學(xué)習(xí)PYTHON數(shù)據(jù)分析與金融數(shù)字化轉(zhuǎn)型精英訓(xùn)練營，您可以點(diǎn)擊>>>“人才轉(zhuǎn)型”了解課程詳情；

想從事業(yè)務(wù)型數(shù)據(jù)分析師，您可以點(diǎn)擊>>>“數(shù)據(jù)分析師”了解課程詳情；

想從事大數(shù)據(jù)分析師，您可以點(diǎn)擊>>>“大數(shù)據(jù)就業(yè)”了解課程詳情；

想成為人工智能工程師，您可以點(diǎn)擊>>>“人工智能就業(yè)”了解課程詳情；

想了解Python數(shù)據(jù)分析，您可以點(diǎn)擊>>>“Python數(shù)據(jù)分析師”了解課程詳情；

想咨詢互聯(lián)網(wǎng)運(yùn)營，你可以點(diǎn)擊>>>“互聯(lián)網(wǎng)運(yùn)營就業(yè)班”了解課程詳情； 

想了解更多優(yōu)質(zhì)課程，請(qǐng)點(diǎn)擊>>>