原创《稀有事件Logitsic模型其在我国上市公司财务困境预测中应用》：本论文为免费优秀的关于上市公司财务论文范文资料，可用于相关论文写作参考。
【摘 要】我国上市公司一般具有较大的资产规模和较强的盈利能力,发生财务困境的概率较低,數据呈非平衡性.采用传统Logistic回归会受到因变量分布不平衡的影响.本文将西方学者在医学现象研究中普遍使用的稀有事件Logistic回归引入我国上市公司财务困境预测的研究中,根据财务困境发生实际概率确定样本观察单位的权重,构建Relogit回归模型.研究结果表明,Relogit模型预测效果优于传统Logistic模型.
【关键词】上市公司 财务困境 Logistic回归 Relogit回归
一、引言
Logistic回归模型由于其假设宽松、形式简洁、易于解释等优点,近年来被广泛应用于因变量为类别变量的各种预测、判别模型当中（付仲良等,2016；方匡男等,2016）.但在实际研究过程中,当因变量分布不均衡时,模型的残差方差较大,会导致传统Logistic模型产生有偏的预测结果（魏瑾瑞等,2016）.
国内学者在对我国上市公司发生财务困境的概率进行预测时,一般将上市公司当期是否被特别处理作为因变量（被ST、ST*公司Y等于1,否则Y等于0）,上一期的各项财务指标作为自变量,使用传统Logistic模型回归得到判别模型（曾繁荣等,2014；宋晓娜等,2016）.但在我国,上市公司一般具有较大的资产规模和较强的盈利能力,发生财务困境的概率很低,2016年我国A股上市公司发生财务困境的概率不足2%.使用传统Logistic回归模型的效果也就打了折扣.针对这一问题,我们虽然可以通过抽样的方法提高建模样本中发生财务困境公司的比例,但这样做一方面会丧失许多优质上市公司的数据,减少样本量；另一方面,样本配比的选择也没有公认的标准.
和此同时,西方学者Asher et al.（2011）,Haem et al.（2014）在医学现象研究中开始使用稀有事件Logistic回归（Rare Events Logistic）方法.其思想是基于稀有事件发生的概率,对传统Logistic回归结果进行校正.具体校正方法分为先验校正和加权校正.Prentice和Pyke（1979）首先提出了根据总体中因变量Y等于1的抽样概率进行先验校正（prior correction）的Relogit方法.由于样本选择容易产生偏差,抽样概率和总体概率之间存在难以克服的差异,Zare et al.（2013）又在此基础之上提出了加权校正（Weight Correction）的Relogit方法.相比于传统Logistic回归模型,Relogit模型根据实际概率确定样本观察单位的权重,并且允许更大的建模样本,模型的估计更加准确.
考虑到我国上市公司发生财务困境概率小于10%,满足稀有事件的定义标准（赵晋芳等,2011）.同时,本文的研究对象包含了2016年A股的所有上市公司,样本量满足大样本条件,在这种情况下加权校正的模型精度要高于先验校正,因此本文使用加权校正的Relogit（Weight Correction Relogit）方法进行研究,并和传统Logistic回归分析所得结果进行比较.
二、Relogit方法
实证研究中,当因变量为二分类变量,自变量为连续变量或虚拟变量时,传统Logistic方法可以将因变量Y等于1的概率表示为
P（X）等于■
其中,X1为自变量的观测值,α、β分别为截距项和回归参数向量.传统Logistic回归系数的极大似然估计值β具有一致性、渐近有效性和渐近正态性,并且在样本因变量Y的两类取值频率相等时建模效果最为理想.
但对于上市公司而言,大部分公司处于财务健康状态（Y等于0）,而出现财务困境的上市公司所占比率很小（Y等于1）.这会导致传统Logistic回归在参数估计和概率预测产生偏差.基于前文所述,本文采用加权校正的Relogit方法进行实证分析.这里简要介绍加权校正的具体步骤.
研究中可能存在由于样本选择导致的总体概率τ和样本概率■存在差异,加权校正（Weight Correction）则可以通过对样本观察单位给予合适的权重来修正选择偏倚造成的影响.具体而言,对样本中Y等于1的观察单位给予权重w2等于τ/■,对Y等于0的观察单位给予权重w0等于（1-τ）/（1-■）.因此,修正后的加权对数似然函数为
L等于w■■ln（P■）+w■■ln（1-P■）
L等于■wiln（1+exp[（1-2yi）（α+x"β）]）
其中,wi等于wiyi+w0（1-yi）
此外,Gary King和Langche Zeng（2001）还提出了基于小样本Relogit回归的MCN校正法,考虑到本文使用的数据具有大样本性质,在此不对其进行过多讨论.
三、实证分析
(一)数据和变量
本文的样本选取了2016年中国A股所有上市公司进行研究,所有数据均来自于同花顺iFind数据库.为避免样本企业同时发行A、B（H）股所带来的数据不一致,统一取A股市场的数据进行研究.删除数据缺失样本后,实际样本共包含2370家上市企业,其中正常公司（Y等于0）2318家,财务困境公司（Y等于1）52家.财务困境公司所占比例为2.19%,满足“稀有事件”的定义条件.
由于本文选取了具有高频变动特点的股票市场相关指标作为解释变量,若采用面板数据研究容易忽略不同年份宏观政策、市场背景不同对指标体系的影响,对模型结果所造成的误差.因此我们最终选择截面数据进行研究,通过我国上市公司2015年的所公布的企业财务信息,预测其2016年发生财务困境的概率.
通过参考目前中国银行规定的企业信用评级及国外权威的标准普尔评级指标体系,反映企业财务状况的指标应对其营运能力、偿债能力、盈利能力、发展能力合理评价,同时参考国内现有文献,初步确定的自变量如表1所示.
上市公司财务论文参考资料：
结论：稀有事件Logitsic模型其在我国上市公司财务困境预测中应用为关于本文可作为上市公司财务方面的大学硕士与本科毕业论文在上市公司当会计好吗论文开题报告范文和职称论文论文写作参考文献下载。
