【2022精编】上市公司财务预警模型的实证研究.docx

《【2022精编】上市公司财务预警模型的实证研究.docx》由会员分享，可在线阅读，更多相关《【2022精编】上市公司财务预警模型的实证研究.docx（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第23页 共23页全流通条件下上市公司财务危机预警模型的实证研究课题研究人：张宪、郝力平、涂春辉、王法力、洪明、刘年财选送单位：航空证券有限责任公司内容提要本文选择了在2006年1月至2006年6月期间，在2005年年报公布后，因财务状况异常而首次被ST 的53家上市公司，同时选取同行业（按证监会行业代码分类）、同规模的53家非ST公司作为配对样本。本文从财务指标的角度出发，在了解我国上市公司财务困难成因的基础上，探讨了各财务因素之间的关系以及它们对上市公司发生财务困难的预警作用。本文的创新点在于，采用了最新的公司财务数据，改进

2、了数据处理的方式，在因子分析的基础上利用二分类Logistic回归建立了财务困难的预警模型，该模型的预测效果优于现有的研究结论。同时，本文还针对全流通之后新的市场环境，将“股票总市值/负债总额”指标引入模型讨论。本文得到的结论如下。（1）从统计描述的角度，ST公司与非ST公司在已获利息倍数、销售净利率、资产净利率、净资产收益率、应收帐款周转、现金流动负债比等指标上有明显差异，而在速动比率、流动比率、销售毛利率、营业利润比重等指标上差距不大，且有交叉现象。（2） 从单变量分析的角度，已获利息倍数、资产负债率、流动比率、销售净利率、资产净利率、总资产周转率、存货周转率、销售现金比率、现金债务总额比

3、、全部资产现金回收率、现金流动负债比等指标，能在=0.05的较小显著性水平下与公司的财务困难情况显著相关。（3）从多元回归的角度，通过因子分析处理原始数据，然后利用二分类Logistic回归建立了财务困难的预警模型1，对现有数据的判断准确率为94.62%。考虑到全流通之后的市场现实，本文认为股票市值对上市公司的影响不容忽视，“股票总市值/负债总额”这一指标引入预测模型。同样是通过因子分析处理原始数据，利用二分类Logistic回归建立了财务困难的预警模型2，对现有数据的判断准确率为94.57%。这两个模型的预测效果都超过90%，准确率基本一致，优于目前的研究结论。本文认为，由于模型2的结果受到

4、了历史数据的局限，股票市值对于财务预警模型的作用尚未得到体现。未来随着全流通市场的进一步规范和成熟，市值考核为指标的股权价值激励政策的逐步推广，股票市值对于财务预警模型的作用继续值得今后进一步深入研究。目 录1、前言32、文献综述33、样本选取和研究方法 43.1研究样本43.2研究数据53.3研究变量53.4研究方法64、样本变量统计描述65、单变量研究75.1独立样本的均值比较方法75.2 T检验分析结果86、多元回归分析86.1样本及数据96.2 Logistic多元回归分析96.2.1多元回归方法选择96.2.2用因子分析对数据预处理96.2.3Logistic回归建立预警模型1116

5、.3将股票市值因素引入，建立预警模型2137结论181前言 财务危机给企业和社会带来了严重的影响，适时、准确地对企业财务危机进行预测分析是市场竞争机制的客观要求。因此，利用相关信息构建有效的财务危机预警模型，从而获得财务状况恶化的上市公司预警信号，对于投资者、债权人、经营者以及监管者等诸多方面无疑都具有重要的现实意义。财务危机（Financial crisis）又称财务困境（Financial distress），国外多数同类研究采用破产标准（Altman，1968；Ohlson，1971；Platt and platt，1990 and 1994）。但考虑到中国的实际情况，国内学者大都将特别

6、处理（ST）的上市公司作为存在财务危机的上市公司（陈静，1999；李华中，2001）。本文采用以上学者的思路，将ST公司作为研究样本，并将“财务危机”定义为“因财务状况异常而被特别处理（ST）”。本文在上市公司财务预警模型的构建中，首先以描述统计和单变量分析对影响企业的财务危机的因素做出初步判断，在此基础上建立多变量判断模型，通过因子分析处理数据，利用二分类Logistic回归建立财务困难的预警模型，对样本企业做出综合评判。同时，本文针对全流通之后的市场变化，对于股票市值在财务预警中的作用进行了积极的探讨。2文献综述国外关于财务失败预测研究影响最广泛的是威廉比弗（Willian Beaver）

7、的单一变量模型和阿尔特曼（Edward I .Altiman）的“Z-Score”模型。比弗通过对1945年1964年间79家失败企业和对应的79家成功企业的比较研究表明，下列财务比率对预测财务失败是最有效的：现金流量/债务总额，净收益/资产总额（资产收益率），债务总额/资产总额（资产负债率）。美国财务专家阿尔特曼（1968）提出的企业失败预测模型是以营运资金/资产总额、留存收益/资产总额、息税前利润/资产总额、普通股及优先股市价/负债总额、销售总额/资产总额等五项财务比率的加权平均数来测试财务失败的。该模型主要针对于上市公司，样本包括了1946年1965年间提出破产申请的33家公司和同样数量

8、的非破产公司。通过计算，该模型产生了一个总的判别分，成为Z值。Z值越低，企业发生财务失败的可能性就越大。同时确定了Z值实际截止点用以判断。阿尔特曼将各种有关的比率合并成单一的预测指数，克服了单个比率内容有限、无法全面揭示企业财务状况的缺点。奥尔逊（Ohlson，1980）提出一种logit模型。该模型建立在累积概率函数的基础上，而不需要满足自变量服从多元正态分布和两组协方差相等的条件。Logit模型另一个重要优点是在（0，1）上预测一个公司是否发生财务危机的几率。在国内，学者周首华等（1996）对阿尔特曼的“Z -score”模型进行了一定的拓展，建立了“F分数模式”，F分数模式的临界值是0.

9、0274，此数值上下0.0775为所谓的不确定区域，F分数越小，则公司发生财务危机的可能性越大。陈静（1999）根据1995年至1997年54家样本企业财务资料，分别进行了单变量和多变量分析，得出结论是在宣布前一年预警模型的成功率较高，离宣布日越远，则成功率越低。吴世农、卢贤义（2001）对上市公司财务危机预警研究成果表明：（1）我国上市公司财务困境具有可预测性。（2）在单变量模型中，净资产报酬率的判定效果较好。（3）多变量模型优于单变量判定模型。（4）比较多变量模型下的3种模型，logit模型的判定准确性最高。 李炳承（2004）选取了105家ST公司与105家非ST公司的配对样本进行均值和

10、总样本均值差异分析，研究发现，财务征兆主要表现为：留存收益和营运资本短缺、应收项目和短期借款多、营业利润低等。陈晓、陈治鸿（2000）以70家公司组成分析样本，通过每大类财务指标中分别选取一个指标来进行检验，认为营运资本与总资产比率、负债权益比、应收帐款周转率、主营利润与总资产比率、非主营利润与总资产比率、留存收益与总资产比率这6个指标的财务困境预测效果最好。3样本选取和研究方法3.1研究样本本文选择了在2006年1月至2006年6月期间，在2005年年报公布后，因财务状况异常而首次被ST 的53家上市公司，为了更好地研究样本的特征，我们同时选取同行业（按证监会行业代码分类）、同规模的53家非

11、ST公司作为配对样本。在选取样本时我们注意以下问题：（1）考虑到ST公司是由于2005年报公布后，连续2年亏损而导致被ST的。在选择观测年限时，取被ST前1年的财务年度的财务指标，即选择2004年的财务指标，对应的配对样本取同期的财务指标。（2）为了使样本更具有代表性，对非ST公司的选取是在保持同行业、同规模的原则下选取。（3）非ST的样本选取同行业为第一选择标准，即在资产规模不同的情况下，保持行业的一致性。（4）对ST样本的选择时，由于本文目的在于研究财务信息对财务预警的作用，因此剔除了有以下几种情况的公司：被注册会计师出具无法表示意见或否定意见的审计报告；追溯调整导致最近两年连续亏损；在法

12、定期限内未依法披露定期报告；在规定期限内未对存在重大会计差错或虚假财务会计报告进行改正；主营业务所属行业发生变化的，行业归属不符合证监会行业要求的。3.2研究数据本文中的数据均来自Wind资讯金融终端。首先从Wind资讯金融终端找出2006年内被ST的公司信息，然后再根据同行业、同规模的原则查找对应的配对样本，提取样本的财务数据。数据是运用SPSS13.0进行处理分析的。3.3研究变量根据我国上市公司的特点，本文分别从偿债能力、盈利能力、运营能力、现金流量等4个方面选择了19个财务指标，作为构建财务危机预警模型的预选指标。表1：财务指标汇总表组别标号指标名称公式偿债能力X1已获利息倍数 （利润

13、总额+利息费用）/利息费用X2资产负债率负债总额/资产总额X3速动比率（流动资产-存货）/流动负债X4流动比率流动资产/流动负债X5长期负债与营运资金比率长期负债/（流动资产-流动负债）盈利能力 X6销售净利率净利润/主营业务收入X7资产净利率净利润/资产总额X8净资产收益率净利润/净资产X9销售毛利率（主营收入-主营成本）/主营收入X10营业利润比重营业利润/利润总额营运能力X11总资产周转率主营业务收入/平均资产总额X12存货周转率主营业务成本/平均存货X13应收帐款周转率主营业务收入/平均应收帐款X14流动资产周转率主营业务收入/平均流动资产X15营运资本周转率（流动资产-流动负债）/资

14、产总额现金流量X16销售现金比率经营现金流量净额/主营业务收入X17现金债务总额比经营现金流量净额/负债总额X18全部资产现金回收率经营现金流量净额/资产总额X19现金流动负债比经营现金流量净额/流动负债3.4研究方法本文主要对样本进行截面分析和回归分析。（1）描述性分析。（2）单变量分析。通过对ST公司的19个财务指标与非ST公司同期指标的均值差异进行T值检验，以证明它们的显著性差异以及对区分财务困难公司的作用。（3）多变量分析。根据单变量分析的结果，选取ST公司与非ST公司之间具有显著性差异的财务指标变量进行多元回归分析，先通过因子分析处理数据，然后利用二分类Logistic回归建立财务困

15、难的预警模型并检验。4样本变量统计描述表2：财务指标基本统计量比较表自变量平均值标准差最大值最小值ST非STST非STST非STST非STX1-5.459.517.9011.482.6953.41-38.981.14X262.9841.4618.0713.74113.4766.4416.277.84X31.071.710.611.143.846.080.380.40X40.821.270.521.013.415.610.340.21X5-0.210.402.093.454.8614.69-9.90-9.93X6-49.247.4988.485.83-2.0724.75-508.570.30X7

16、-11.704.7112.853.68-0.6815.58-61.210.10X8-325.617.861866.345.68-1.3221.92-13479.380.21X915.8324.1511.9015.4839.3791.43-24.353.33X100.760.800.360.521.792.01-0.44-1.28X110.360.790.190.561.062.810.070.13X123.888.503.8316.1723.77107.660.260.51X135.2976.824.96431.6024.423148.510.601.98X140.691.610.421.25

17、1.938.140.140.28X152.5515.1611.5756.5962.24373.55-27.23-51.60X16-0.060.070.400.190.940.79-1.50-0.67X17-0.040.180.240.350.451.99-1.34-0.47X18-2.015.7511.348.8426.6734.05-44.75-20.16X19-3.5820.4624.9737.1056.07201.76-134.34-48.74本文首先对样本的财务指标变量进行基本统计量描述分析，将样本分为ST类和非ST类，结果见表2。从表2中我们可以看出，ST公司与非ST公司有许多指标存

18、在很大差距，例如X1、X6、X7、X8、X13、X19等指标。ST公司的应收帐款周转率平均值为5.29，而同期非ST公司的应收帐款周转率为76.82，说明与ST公司相比非ST公司的应收帐款变现能力强。ST公司的销售净利率平均值为-49.24，而同期非ST公司的销售净利率为7.49，这表明ST公司与非ST公司之间平均盈利能力相差巨大。ST公司的已获利息倍数平均值为-5.45，而同期非ST公司的已获利息倍数为9.51，说明ST公司的财务负担明显高于非ST公司。同时，有些财务指标ST公司与非ST公司差距不大，而且出现交叉现象，如X3、X4 、X9、X10等指标。5单变量研究通过独立样本的均值比较，分

19、析ST公司与非ST公司各单项财务指标的差异规律。假设：H0：ST公司与非ST公司19个财务指标同期均值相等 H1：ST公司与非ST公司19个财务指标同期均值不相等5.1独立样本的均值比较方法应用T检验，可以检验独立的正态总体下样本均值之间是否具有显著性差异。进行两个独立正态总体下样本均值的比较时，根据方差齐与不齐两种情况，应用不同的统计量进行检验。方差不齐时，统计量为 （公式1）式中，和表示样本1和样本2的均值；和为样本1和样本2的方差，m和n为样本1和样本2的数据个数。方差齐时，采用的统计量为 （公式2）式中，为两个样本的标准差，它是样本1的方差和样本2的方差的加权平均值的方根，计算公式如下

20、： （公式3）当两个总体的均值差异不显著时，该统计量应服从自由度为m+n-2的t分布。T检验的结果包括t值（t）、自由度（df）、双尾显著性检验（sig. 2-tailed）、均值差异（Mean Difference）、均值差异的标准误差（Std. Error Difference）和均值差异的95%置信区间（95% Confidence Interval of the Difference）。5.2 T检验分析结果给定显著性水平为0.05，根据SPPSS13.0运行的结果，对各个财务指标变量的显著性差异的判断情况如下。表3：T检验结果汇总表组别标号指标名称显著性偿债能力X1已获利息倍数 X2

21、资产负债率X3速动比率X4流动比率X5长期负债与营运资金比率盈利能力 X6销售净利率X7资产净利率X8净资产收益率X9销售毛利率X10营业利润比重营运能力X11总资产周转率X12存货周转率X13应收帐款周转率X14流动资产周转率X15营运资本周转率现金流量X16销售现金比率X17现金债务总额比X18全部资产现金回收率X19现金流动负债比从上面的实证分析可以看出，指标X1（已获利息倍数）、X2（资产负债率）、X3（速动比率）、X4（流动比率）、X6（销售净利率）、X7（资产净利率）、X9（销售毛利率）、X11（总资产周转率）、X12（存货周转率）、X14（流动资产周转率）、X16（销售现金比率）

22、、X17（现金债务总额比）、X18（全部资产现金回收率）、X19（现金流动负债比）等14个指标能在很少的显著性水平下拒绝原假设，而接受备选假设。这就意味着ST公司与非ST公司在ST前1年的上述14个指标具有明显的差异。6多元回归分析 上述14个指标的均值差异能明显地区别出ST公司与非ST公司的财务特征。但是在实际操作中，我们是需要预测一个企业的财务状况，仅仅区分财务特征是不够的。为此我们运用多元回归来分析并检验其模型的预测准确性。6.1样本及数据我们仍然选取上述53家ST公司和非ST公司数据。根据截面分析的结果，我们将有显著性差异的14个财务指标（已获利息倍数、资产负债率、速动比率、流动比率、

23、销售净利率、资产净利率、销售毛利率、总资产周转率、存货周转率、流动资产周转率、销售现金比率、现金债务总额比、全部资产现金回收率、现金流动负债比）作为输入变量。6.2 Logistic多元回归分析6.2.1多元回归方法选择在多元回归方法的选择上，我们根据数据的特点，首先进行因子分析，然后采用二分类Logistic多元回归法建立模型并加以检验。具体步骤如下，(1)引入虚拟变量Y用以表示是否出现财务危机。Y取1表示ST公司，Y取0 表示非ST公司。(2)用因子分析对数据预处理。(3) 用二分类Logistic多元回归建立预警模型并检验。6.2.2用因子分析对数据预处理由于各财务指标之间存在着较多的相

24、关关系，信息重复较多，直接用它们分析现实问题，不但模型复杂，而且还会因为多重共线性问题而引起极大的误差。因此，我们首先利用因子分析使变量简化降维，用少数因子代替所有变量去分析整个问题。表4：巴特利特球度检验和KMO检验KMO and Bartletts TestKMO and Bartletts Test0.63Bartletts TestApprox. Chi-Square1444.27df91Sig.0.00由上表可知，巴特利特球度检验统计量的观测值为1444.27，相应的概率P值小于显著性水平0.05，则应拒绝原假设，认为相关系数矩阵与单位矩阵有显著性差异。同时，KMO值大于0.6，原有

25、变量适合因子分析。表5：因子解释原有变量总方差的情况Total Variance ExplainedInitial EigenvaluesRotation Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %14.7934.2034.203.8127.1927.1923.4424.5558.752.6618.9846.1732.1615.4574.202.5718.3964.5641.168.2782.482.5117.9282.4850.715.0687.5360.513.65

26、91.1870.392.7693.9480.372.6496.5790.191.3597.93100.100.7298.65110.090.6699.32120.050.3599.66130.040.2899.94140.010.06100.00从表5中可以看出，前4个因子的特征根大于1，累计方差贡献率为82.48%，即前4个变量解释了原有变量总方差的82.48%。在因子旋转后，累计方差比没有改变，没有影响原有变量的共同度。总体上，原有变量的信息丢失较少，因子分析效果理想。表6：旋转后的因子载荷矩阵Rotated Component Matrix(a)ComponentF 1F 2F 3F 4

27、X10.220.610.290.34X2-0.05-0.44-0.14-0.71X3-0.090.19-0.120.93X4-0.140.10-0.050.93X60.040.830.180.17X70.220.840.230.30X90.060.74-0.270.03X110.190.140.810.11X12-0.04-0.040.84-0.10X140.170.150.94-0.05X160.910.08-0.01-0.10X170.970.090.13-0.05X180.970.130.10-0.01X190.960.120.15-0.02由表 6可知，现金指标（X16、X17、X18

28、、X19）在第一个因子上有较高的载荷，第一个因子F1可以成为现金指标因子；盈利能力指标（X6、X7、X9）在第二个因子上有较高的载荷，第二个因子F2可以称为盈利指标因子；营运能力指标（X11、X12、X14）在第三个因子上有较高的载荷，第三个因子F3可以称为营运指标因子；偿债能力指标（X3、X4）在第四个因子上有较高的载荷，第四个因子F4可以称为偿债指标因子。表7：因子得分系数矩阵Component Score Coefficient MatrixComponentF1F 2F 3F 4X10.000.200.060.04X2-0.01-0.04-0.03-0.26X30.04-0.13-0.

29、040.44X40.02-0.180.000.46X6-0.090.400.00-0.13X7-0.020.340.02-0.05X9-0.050.42-0.19-0.19X110.00-0.050.320.06X12-0.07-0.070.37-0.02X14-0.03-0.010.38-0.03X160.26-0.04-0.070.00X170.27-0.06-0.020.03X180.27-0.05-0.030.04X190.27-0.05-0.010.04 根据表7的结果，我们可以写出以下因子得分函数：F1=-0.01X2+0.04X3+0.02X4-0.09X6-0.02X7-0.0

30、5X9-0.07X12-0.03X14+0.26X16 +0.27X17+0.27X18+0.27X19F2=0.20X1-0.04X2-0.13X3-0.18X4+0.40X6+0.34X7+0.42X9-0.05X11-0.07X12 -0.01X14-0.04X16-0.06X17-0.05X18-0.05X19F3=0.06X1-0.03X2-0.04X3+0.02X7-0.19X9+0.32X11+0.37X12+0.38X14-0.07X16 -0.02X17-0.03X18-0.01X19F4=0.04X1-0.26X2+0.44X3+0.46X4-0.13X6-0.05X7-0

31、.19X9+0.06X11-0.02X12 -0.03X14+0.03X17+0.04X18+0.04X196.2.3 Logistic回归建立预警模型1将因子分析得到的4个因子与因变量Y作为引入变量，利用二分类Logistic回归建立预警模型并预测。二元逻辑回归拟合的方程为： （公式4）其中，P是上市公司发生财务危机的概率；是影响财务危机的第i个因素，i=1，2，m；a，（i=1，2，m）是待估参数。运行SSPS13.0，得到的结果如下：表8：模型估计及系数检验Variables in the Equation BS.E.WalddfSig.Exp(B)Step 1(a)F1-2.400.8

32、18.7110.000.09F2-11.033.599.4410.000.00F3-7.642.648.3710.000.00F4-3.521.1010.2910.000.03Constant1.550.853.3010.074.70从表8的结果可以看出，所有系数均通过了检验，可建立如下Logistic回归方程： （模型1）表9：模型总体检验Model SummaryStep-2 Log likelihoodCox & Snell R SquareNagelkerke R Square120.840.690.92表9输出了模型的似然值（-2 Log）和两个伪决定系数Cox & Snell R

33、Square和Nagelkerke R Square，后两者从不同角度反映了当前模型中自变量的变异占因变量总变异的比例。我们看到，这两个伪决定系数分别达到0.69和0.92，说明模型1中自变量对因变量的解释程度良好。以0.50为概率最佳分割点进行预测，P大于0.50判断为ST公司。表10：模型1预测结果Classification Table(a)ObservedPredictedYPercentage Correct0（非ST）1（ST）Step 1Y0（非ST）40393.021（ST）24896Overall Percentage94.62从表10的预测结果来看，模型1的整体预测效果为9

34、4.62%,其中ST公司的预测准确率为93.02%，非ST公司的预测准确率为96.00%。这个结果优于现有的研究结论。6.3将股票市值因素引入，建立预警模型2随着股权分置改革的完成，长期困扰中国资本市场的股权治理结构缺陷得到了圆满解决。在这个全新的现实基础上，我们认为将股票市值因素引入我们的财务预警模型是有意义的。在股权分置条件下，中国上市公司的股权结构处于割裂状态，非流通股价值无法通过流通股价加以衡量，非流通股股东倾向于以所控制资产的最大化而非股权价值的最大化作为目标。国有上市公司出于资产保值增值考虑，更是普遍选择了净资产值作为国有资产考核体系的一个核心目标。由于非流通股东不能分享公司股价上

35、涨而带来的巨大利益，因此，他们并不关心股价变动，导致非流通股东的市值概念虚化，净资产最大化取代了利润最大化的目标。这样就带来很多弊端，如大股东从本质上对增发股票就有内在动力和偏好、流通股东和非流通股东利益冲突现象严重等。上市公司对市值的关注也仅限于吸引投资者、扩大融资的需要，大股东自身经济利益与股票市值没有直接联系，也缺乏足够的动力进行市值管理。因此，在股权分置条件下的公司股票总市值概念并不能真正涵盖所有股东的利益。随着全流通时代的到来，上述情况已经有了根本性的转变，股票市值的意义真正凸显。因为市值已经成为折射公司实力、反映公司价值、决定公司融资效率、影响公司股权支付能力和行业整合能力的重要因

36、素，成为股东考核上市公司经营业绩的重要政策取向。在后股权分置时代，对上市公司的价值评价方式势必发生根本性转变，以市值取代净资产是考核上市公司的必然选择。如，2005年9月，国资委关于上市公司股权分置改革中国有股股权管理有关问题的通知明确提出，要将市值纳入国资控股上市公司的考核体系，中国银监会在2006年上半年公布的国有商业银行公司治理及相关监管指引明确要求，工、农、中、建、交五大国有商业银行在上市以后，应建立争取市值最大化的经营理念等。总之，全流通使得非流通股进入证券市场交易流通，上市公司的市值表现与大股东经济利益紧密相连，企业价值最大化将成为上市公司财务管理的目标。在市场经济中，企业本质是人

37、力资本与物质资本组成的多边契约关系的总和，契约实质要求公司治理结构的主体之间应该是平等的关系。股权分置改革解决了各类股东之间的利益冲突，实现了同股同权，实现了各类股东共同的利益基础，从而理顺了上市公司治理结构的基础，激活了公司控制权市场，诱发财务管理目标从控股股东利益最大化转变为企业价值最大化，要求公司管理层在确保公司持续性价值创造、承担社会责任的前提下，为全体股东实现财富最大化。综上所述，在全流通这一新的市场条件下，总市值的概念有了真实的基础，将股票市值因素引入我们的财务预警模型是有意义的。根据美国财务专家阿尔特曼（1968）的研究结论作为参考，我们将“股票总市值/负债总额”指标引入预测模型

38、中。 取 ，X20=股票总市值/负债总额其中，股票总市值以2004年度的股票平均价格计算。（1）对所有样本公司的X20指标进行T检验，结果显示该指标在ST公司和非ST公司之间具有显著性差异。表11：T检验结果FSig.tdfSig. (2-tailed)Mean DifferenceStd. Error Difference95% Confidence Interval of the DifferenceLowerUpperX20方差齐14.490.00-3.81102.00.00-2.970.78-4.51-1.42方差不齐-3.7563.240.00-2.970.79-4.54-1.39可

39、以看出，对于指标X20（股票总市值/负债总额），因为方差齐性检验的显著性概率小于0.05，说明方差不齐的条件满足，对应地，选取“方差不齐”行对应的分析结果。由于等均值检验的双尾显著性概率小于0.05，所以，拒绝原假设H 0，即ST公司与非ST公司的指标X20（股票总市值/负债总额）具有显著性差异。因此，可以将变量X20作为多元回归的输入变量之一。（2）重复6.3.2、6.3.3中二元Logistic回归的步骤。运行SPSS13.0,因子分析的结果如下。表12：巴特利特球度检验和KMO检验KMO and Bartletts TestKaiser-Meyer-Olkin Measure of Sa

40、mpling Adequacy.0.65Bartletts Test of SphericityApprox. Chi-Square1508.99df105.00Sig.0.00由表12可知，巴特利特球度检验统计量的观测值为1508.99，相应的概率P值小于显著性水平0.05，则应拒绝原假设，认为相关系数矩阵与单位矩阵有显著性差异。同时，KMO值为0.65，比表6 的结果有所改进。表13：因子解释原有变量总方差的情况ComponentInitial EigenvaluesRotation Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %14.9032.6732.673.8125.4225.4223.7424.9657.633.0720.4445.8632.2014.6972.322.7118.0563.9041.308.6780.992.5617.0880.9950.785.1786.1660.523.4889.6470.422.7792.4180.382.5594.97