第三章財(cái)務(wù)預(yù)警的模型與方法(下)PowerPoint第三章第三章財(cái)務(wù)預(yù)警

第三章財(cái)務(wù)預(yù)警的模型與方法(下)第一節(jié)財(cái)務(wù)預(yù)警的模型第二節(jié)財(cái)務(wù)預(yù)警的研究方法第三節(jié)財(cái)務(wù)預(yù)警模型與方法的評(píng)價(jià)和比較第三章財(cái)務(wù)預(yù)警的模

第一節(jié)財(cái)務(wù)預(yù)警的模型一、一元判定模型二、多元線性判定模型三、多元邏輯(Logit)模型四、多元概率比(Probit)回歸模型五、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型六、聯(lián)合預(yù)測(cè)模型第一節(jié)

一、一元判定模型1.定義：是指將某一項(xiàng)財(cái)務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)來(lái)判斷企業(yè)是處于破產(chǎn)狀態(tài)還是非破產(chǎn)狀態(tài)的一種預(yù)測(cè)模型。2.前提條件：無(wú)前提假設(shè)3.適用范圍：使用范圍廣

4.模型描述：選用某一項(xiàng)財(cái)務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)。

判別方程為：y=b0+b1x+e

判別閥值的確定：

將樣本分為預(yù)測(cè)樣本（估計(jì)樣本）和測(cè)試樣本（有效樣本），先按某一選定的財(cái)務(wù)比率對(duì)預(yù)測(cè)樣本進(jìn)行排序，以確定判別閥值點(diǎn)，而后把確定的閥值點(diǎn)作為判別規(guī)則用測(cè)試樣本進(jìn)行測(cè)試。5.優(yōu)缺點(diǎn)分析：簡(jiǎn)單易行；但僅用單個(gè)財(cái)務(wù)指標(biāo)，導(dǎo)致精確度不高。一、一元

二、多元線性判定模型1.定義：是指通過(guò)多元線性判別方法建立判別方程，而后用方程計(jì)算出判別Z值，以Z值作為判定企業(yè)財(cái)務(wù)狀況的綜合標(biāo)準(zhǔn)。2.前提條件：自變量呈正態(tài)分布，兩組樣本等協(xié)方差。3.適用范圍：使用范圍比較廣，很多在近似狀態(tài)下使用。4.模型描述：通過(guò)統(tǒng)計(jì)技術(shù)將多個(gè)標(biāo)準(zhǔn)變量在最小信息損失下轉(zhuǎn)換為分類變量，獲得高預(yù)測(cè)精度的多元線性判別方程。

二、

二、多元線性判定模型判別方程為：

上式中，、是權(quán)數(shù)；、是各種財(cái)務(wù)比率。

5.優(yōu)缺點(diǎn)分析：預(yù)測(cè)精度比較高，但工作量比較大，且適用范圍受到限制，多在近似狀態(tài)下采用。二

三、多元邏輯(Logit)模型1.定義：是指通過(guò)尋求觀察對(duì)象的條件概率，從而據(jù)以判斷觀察對(duì)象的財(cái)務(wù)狀況和經(jīng)營(yíng)風(fēng)險(xiǎn)。2.前提條件：不需要自變量多元正態(tài)分布及兩組樣本等協(xié)方差。3.適用范圍：具有廣泛的適用范圍。4.模型描述：Ln[p/(1-p)]=a+bx；尋求觀察對(duì)象的條件概率，從而據(jù)以判斷。

若P>0.5,破產(chǎn)的概率比較大（破產(chǎn)時(shí)P取1）；P<0.5,財(cái)務(wù)正常的概率比較大（非破產(chǎn)時(shí)P取1）。5.優(yōu)缺點(diǎn)分析：不需要嚴(yán)格假設(shè)條件，預(yù)測(cè)精度較高，但計(jì)算過(guò)程復(fù)雜，且有很多近似處理。

四、多元概率比(Probit)回歸模型1.定義：是指利用極大似然函數(shù)求出企業(yè)破產(chǎn)的概率。2.前提條件：樣本服從標(biāo)準(zhǔn)正態(tài)分布，概率函數(shù)的p分位數(shù)可以用財(cái)務(wù)指標(biāo)線解釋。3.適用范圍：適用范圍較廣。4.模型描述：利用極大似然函數(shù)求出企業(yè)破產(chǎn)的概率。

若P>0.5,財(cái)務(wù)異常；P<0.5,財(cái)務(wù)正常5.優(yōu)缺點(diǎn)分析：假設(shè)不是很嚴(yán)，計(jì)算過(guò)程復(fù)雜，且有較多近似處理，但預(yù)測(cè)精度高。四、

五、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是一種平行分散處理模式,其建構(gòu)理念基于人類大腦神經(jīng)運(yùn)作的模擬。能夠在信息含糊、不確定、不完整等復(fù)雜環(huán)境中進(jìn)行模式處理，它能根據(jù)已學(xué)會(huì)的知識(shí)和處理問(wèn)題的經(jīng)驗(yàn)對(duì)復(fù)雜問(wèn)題作出合理的判斷，給出較滿意的解答，或?qū)ξ磥?lái)過(guò)程進(jìn)行有效預(yù)測(cè)和估計(jì)。

ANN由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳播和后向?qū)W習(xí)兩步進(jìn)行。目前，ANN的應(yīng)用已經(jīng)深入到各個(gè)領(lǐng)域，除具有較好的模式識(shí)別能力外,而且可以克服統(tǒng)計(jì)等方法的限制。五、

ANN

3層BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖輸入層隱含層輸出層ANN3層B

五、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型1.定義：即是將神經(jīng)網(wǎng)絡(luò)的分類方法應(yīng)用于財(cái)務(wù)預(yù)警。2.前提條件：對(duì)企業(yè)樣本無(wú)假設(shè)要求。3.適用范圍：因理論基礎(chǔ)抽象，科學(xué)性、準(zhǔn)確性有待進(jìn)一步加強(qiáng)，適用性也大打折扣。4.模型描述：它由輸出層、輸入層和隱含層組成，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)和數(shù)據(jù)的修正得出期望輸出，然后根據(jù)學(xué)習(xí)得出的判別規(guī)劃來(lái)分類。5.優(yōu)缺點(diǎn)分析：具有很強(qiáng)的容錯(cuò)性、學(xué)習(xí)能力、糾錯(cuò)能力；但科學(xué)性和準(zhǔn)確性還有待提高。五、人

六、聯(lián)合預(yù)測(cè)模型1.定義：是指運(yùn)用企業(yè)模型（CorporateModel）來(lái)模擬企業(yè)的運(yùn)作過(guò)程，從而動(dòng)態(tài)地描述財(cái)務(wù)正常企業(yè)和財(cái)務(wù)困境企業(yè)的特征，進(jìn)而根據(jù)不同特征和判別規(guī)則對(duì)企業(yè)樣本進(jìn)行分類。2.前提條件：要求有基本的理論框架，能夠有效反映和識(shí)別不同企業(yè)的行為特征和財(cái)務(wù)特征。3.適用范圍：因理論框架很難構(gòu)建，適用面不是很廣。4.模型描述：模擬企業(yè)運(yùn)作，動(dòng)態(tài)描述企業(yè)特征，從而對(duì)企業(yè)樣本進(jìn)行分類。5.優(yōu)缺點(diǎn)分析：克服了單純使用財(cái)務(wù)指標(biāo)的片面性，但理論框架有待進(jìn)一步完善。六、聯(lián)合預(yù)測(cè)模型1

第二節(jié)財(cái)務(wù)預(yù)警的研究方法一、貝葉斯判別方法二、費(fèi)雪判別方法三、Logit方法四、多元概率比（Probit）回歸五、逐步判別（Stepdisc）分析法六、交互驗(yàn)證法第二第二節(jié)財(cái)務(wù)預(yù)警的研究方法財(cái)務(wù)預(yù)警研究方法指在研究財(cái)務(wù)預(yù)警的過(guò)程中，所采用的統(tǒng)計(jì)方法和變量選擇方法，簡(jiǎn)稱預(yù)警方法。預(yù)警方法分為兩個(gè)層面:微觀層面的變量選擇方法；逐步判別分析法、交互驗(yàn)證法宏觀層面的統(tǒng)計(jì)方法。貝葉斯判別方法、費(fèi)雪判別方法、Logit方法、多元概率比（Probit）回歸第二節(jié)一、貝葉斯判別方法1.方法描述基于樣本總體正態(tài)分布的假設(shè)，分為兩種情況：若兩組協(xié)方差相等，則導(dǎo)出線性判別函數(shù)，即樣本等協(xié)方差陣；若兩組協(xié)方差不相等，則導(dǎo)出二次判別函數(shù)。2.研究思路首先將樣本分為兩類，非失敗類企業(yè)為第一組，失敗類企業(yè)為第二組。令、分別為第一組和第二組的均值向量。分別為第一組和第二組的協(xié)方差陣，若兩組協(xié)方差正好相等，記為COV。一、貝葉斯一、貝葉斯判別方法1）假設(shè)兩組協(xié)方差陣相等，兩組母體的事前概率相等，誤判損失恒為常數(shù)（即不分一類誤差和二類誤差的成本），此時(shí)可得線性判別函數(shù)。定義廣義平方距離：

已知樣本X，該樣本屬于第j組的后驗(yàn)概率為：如果該樣本屬于第j組的后驗(yàn)概率達(dá)到最大，即等于，則可以判斷該樣本屬于第j組。一、貝葉斯判別一、貝葉斯判別方法從后驗(yàn)公式可以看出，比較后驗(yàn)概率實(shí)質(zhì)上等價(jià)于比較樣本到兩組的廣義距離。于是，可以得到線性判別函數(shù)：

當(dāng)時(shí)，樣本X屬于第一組，否則屬于第二組。一、貝葉斯判一、貝葉斯判別方法2）假設(shè)兩組協(xié)方差陣不等，兩組母體的事前概率相等，誤判損失恒為常數(shù)，此時(shí)可得二次判別函數(shù)。定義廣義平方距離：已知樣本X，該樣本屬于第j組的后驗(yàn)概率為：如果該樣本屬于第j組的后驗(yàn)概率達(dá)到最大，即等于，則可以判斷該樣本屬于第j組。一、貝葉斯判一、貝葉斯判別方法同樣，根據(jù)后驗(yàn)公式可以得到二次判別函數(shù)：當(dāng)時(shí)，樣本X屬于第一組，否則屬于第二組。

二、費(fèi)雪判別方法1.方法描述：對(duì)總體的分布類型并無(wú)要求，只需總體存在二階距的條件下，其判別函數(shù)是在費(fèi)雪判別規(guī)則下使得判別效率（指兩組的組間差與組內(nèi)差之比）最高的判別變量組合。2.判別函數(shù)：

令則當(dāng)時(shí)，樣本X屬于第一組（非失敗類企業(yè)），否則屬于第二組（失敗類企業(yè)）。二、費(fèi)雪判三、Logit方法1.方法描述是解決0－1問(wèn)題（企業(yè)破產(chǎn)也屬于0－1問(wèn)題）行之有效的手段。2.研究思路假設(shè)企業(yè)失敗的概率為p，并假定Ln[p/(1-p)]可以用財(cái)務(wù)比率線性表示。即：Ln[p/(1-p)]＝a＋bx

p＝exp(a+bx)/[1+exp(a+bx)]＝1/[1+exp(a+bx)]（1）最大化對(duì)數(shù)似然函數(shù)，得出參數(shù)a、b代入（1）式中，即可得到企業(yè)破產(chǎn)的預(yù)測(cè)概率p。三、Lo

四、多元概率比（Probit）回歸1.方法描述與Logit方法類似。2.研究思路假定企業(yè)失敗的概率為p，并假設(shè)標(biāo)準(zhǔn)正態(tài)布函數(shù)的p分位數(shù)，可以用財(cái)務(wù)指標(biāo)線性解釋。采用極大似然函數(shù)求出參數(shù)a、b，進(jìn)而得到企業(yè)破產(chǎn)的預(yù)測(cè)概率p。p表示為：

四、多元概率比（Pro五、逐步判別分析法1.方法描述：是一種變量選取規(guī)則，據(jù)此來(lái)確定選擇變量

（每一組變量集服從等協(xié)方差的多元正態(tài)分布）的子集，以提供較好的建模基礎(chǔ)。2.變量選取準(zhǔn)則：1）協(xié)方差分析中F檢驗(yàn)的顯著水平，已選入的變量作為協(xié)變量，而正考慮的變量作為因變量；2）從協(xié)變量與正被考慮的變量的平方偏相關(guān)，控制已選入模型變量的影響。

五、逐步五、逐步判別分析法3.變量選取方法：1）全部進(jìn)入法將變量集合中的所有變量都納入模型。評(píng)價(jià)：使用簡(jiǎn)單，但由于各類變量無(wú)主次之分，從而影響模型的預(yù)測(cè)精度。2）向前選擇法開(kāi)始選擇時(shí)，模型中沒(méi)有變量；接下來(lái)，每一步在Wilks的相似比值準(zhǔn)則下，對(duì)模型判別貢獻(xiàn)最大的變量先進(jìn)入模型，直到不再有未被選入的變量達(dá)到臨界值時(shí)為止。五、逐步判別分五、逐步判別分析法3）向后選擇法開(kāi)始選擇時(shí)，所有變量都在模型中；接下來(lái)，每一步在Wilks的相似比值準(zhǔn)則下，對(duì)模型判別貢獻(xiàn)最小的變量被剔出模型，直到所有余下變量都達(dá)到留在模型中的臨界值時(shí)為止。注意：在使用逐步判別分析法時(shí)，要選擇適中的顯著水平（10％－25％），否則，判別變量便缺乏判別效率與效果。五、逐步判別分析六、交互驗(yàn)證法1.方法描述：是一種分析誤判率常用的方法，主要用來(lái)分析樣本資料非正態(tài)分布所可能帶來(lái)的判別偏差。2.研究思路：若，，不能假定為正態(tài)組，設(shè)，，是來(lái)自組的樣本，，，是來(lái)自組的樣本（在此只討論有兩個(gè)樣本組的情況），和六、交互驗(yàn)證六、交互驗(yàn)證法的一個(gè)無(wú)偏估計(jì)為，，的一個(gè)聯(lián)合無(wú)偏估計(jì)為

令六、交互驗(yàn)證六、交互驗(yàn)證法這里是中除去之后個(gè)觀測(cè)向量的平均值，。設(shè)是使成立的個(gè)數(shù)，則估計(jì)為

。類似地，

估計(jì)為（、分別指樣本組和樣本組誤判率的估計(jì)值）。六、交互驗(yàn)證法第三節(jié)財(cái)務(wù)預(yù)警模型與方法的評(píng)價(jià)和比較一、財(cái)務(wù)預(yù)警模型的評(píng)價(jià)二、財(cái)務(wù)預(yù)警方法的評(píng)價(jià)三、財(cái)務(wù)預(yù)警模型和方法的比較第三節(jié)

一、財(cái)務(wù)預(yù)警模型的評(píng)價(jià)1.財(cái)務(wù)預(yù)警模型的共同點(diǎn)都運(yùn)用了會(huì)計(jì)數(shù)據(jù)和財(cái)務(wù)比率。2.財(cái)務(wù)預(yù)警模型存在的局限性1）模型缺乏理論上的依據(jù)。2）模型會(huì)受到樣本選取范圍和樣本時(shí)間區(qū)間的限制。3）模型的變量只涉及到會(huì)計(jì)數(shù)據(jù)和財(cái)務(wù)比率，沒(méi)有考慮到非量化因素。4）模型的前提條件很多時(shí)候不能得到滿足。一、財(cái)務(wù)

二、財(cái)務(wù)預(yù)警方法的評(píng)價(jià)1.財(cái)務(wù)預(yù)警方法主要側(cè)重于預(yù)警過(guò)程的數(shù)學(xué)推導(dǎo)，具有一定的科學(xué)性和嚴(yán)謹(jǐn)性；預(yù)警方法是為預(yù)警模型服務(wù)的。2.財(cái)務(wù)預(yù)警方法的不足：1）預(yù)警方法的前提假設(shè)在實(shí)際中不能得到滿足，導(dǎo)致其后的嚴(yán)格推導(dǎo)缺乏基礎(chǔ)。2）對(duì)于同一研究樣本，采用不同的預(yù)警方法，會(huì)得到差異較大的預(yù)警模型。3）預(yù)警方法較多的采用統(tǒng)計(jì)、數(shù)學(xué)、計(jì)算機(jī)、生物技術(shù)等方面的專業(yè)知識(shí)，不利于財(cái)務(wù)人員工作開(kāi)展。二、財(cái)務(wù)

三、財(cái)務(wù)預(yù)警模型和方法的比較1.預(yù)警模型和方法相同點(diǎn)：1）二者都財(cái)務(wù)預(yù)警的工具和手段，且目的相同。2）二者在很大程度上存在一一對(duì)應(yīng)關(guān)系。2.預(yù)警模型和方法不同點(diǎn)：1）側(cè)重點(diǎn)不同：

a.前者側(cè)重于結(jié)果，后者側(cè)重于過(guò)程；

b.前者側(cè)重于研究思路，后者側(cè)重于數(shù)學(xué)推導(dǎo)；

c.前者采用回歸方法和其他統(tǒng)計(jì)方法得到方程，后者采用統(tǒng)計(jì)方法和變量選擇方法為前者服務(wù)；

2）由于概念的二重性，兩者存在一定程度的交叉。3）預(yù)警模型中間包括一些除預(yù)警方法之外的技術(shù)方法。三、財(cái)務(wù)預(yù)警模第三章財(cái)務(wù)預(yù)警的模型與方法(下)第三章財(cái)務(wù)預(yù)第三章財(cái)務(wù)預(yù)警的模型與方法(下)PowerPoint第三章第三章財(cái)務(wù)預(yù)警

第三章財(cái)務(wù)預(yù)警的模型與方法(下)第一節(jié)財(cái)務(wù)預(yù)警的模型第二節(jié)財(cái)務(wù)預(yù)警的研究方法第三節(jié)財(cái)務(wù)預(yù)警模型與方法的評(píng)價(jià)和比較第三章財(cái)務(wù)預(yù)警的模

第一節(jié)財(cái)務(wù)預(yù)警的模型一、一元判定模型二、多元線性判定模型三、多元邏輯(Logit)模型四、多元概率比(Probit)回歸模型五、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型六、聯(lián)合預(yù)測(cè)模型第一節(jié)

一、一元判定模型1.定義：是指將某一項(xiàng)財(cái)務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)來(lái)判斷企業(yè)是處于破產(chǎn)狀態(tài)還是非破產(chǎn)狀態(tài)的一種預(yù)測(cè)模型。2.前提條件：無(wú)前提假設(shè)3.適用范圍：使用范圍廣

4.模型描述：選用某一項(xiàng)財(cái)務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)。

判別方程為：y=b0+b1x+e

判別閥值的確定：

將樣本分為預(yù)測(cè)樣本（估計(jì)樣本）和測(cè)試樣本（有效樣本），先按某一選定的財(cái)務(wù)比率對(duì)預(yù)測(cè)樣本進(jìn)行排序，以確定判別閥值點(diǎn)，而后把確定的閥值點(diǎn)作為判別規(guī)則用測(cè)試樣本進(jìn)行測(cè)試。5.優(yōu)缺點(diǎn)分析：簡(jiǎn)單易行；但僅用單個(gè)財(cái)務(wù)指標(biāo)，導(dǎo)致精確度不高。一、一元

二、多元線性判定模型1.定義：是指通過(guò)多元線性判別方法建立判別方程，而后用方程計(jì)算出判別Z值，以Z值作為判定企業(yè)財(cái)務(wù)狀況的綜合標(biāo)準(zhǔn)。2.前提條件：自變量呈正態(tài)分布，兩組樣本等協(xié)方差。3.適用范圍：使用范圍比較廣，很多在近似狀態(tài)下使用。4.模型描述：通過(guò)統(tǒng)計(jì)技術(shù)將多個(gè)標(biāo)準(zhǔn)變量在最小信息損失下轉(zhuǎn)換為分類變量，獲得高預(yù)測(cè)精度的多元線性判別方程。

二、

二、多元線性判定模型判別方程為：

上式中，、是權(quán)數(shù)；、是各種財(cái)務(wù)比率。

5.優(yōu)缺點(diǎn)分析：預(yù)測(cè)精度比較高，但工作量比較大，且適用范圍受到限制，多在近似狀態(tài)下采用。二

三、多元邏輯(Logit)模型1.定義：是指通過(guò)尋求觀察對(duì)象的條件概率，從而據(jù)以判斷觀察對(duì)象的財(cái)務(wù)狀況和經(jīng)營(yíng)風(fēng)險(xiǎn)。2.前提條件：不需要自變量多元正態(tài)分布及兩組樣本等協(xié)方差。3.適用范圍：具有廣泛的適用范圍。4.模型描述：Ln[p/(1-p)]=a+bx；尋求觀察對(duì)象的條件概率，從而據(jù)以判斷。

若P>0.5,破產(chǎn)的概率比較大（破產(chǎn)時(shí)P取1）；P<0.5,財(cái)務(wù)正常的概率比較大（非破產(chǎn)時(shí)P取1）。5.優(yōu)缺點(diǎn)分析：不需要嚴(yán)格假設(shè)條件，預(yù)測(cè)精度較高，但計(jì)算過(guò)程復(fù)雜，且有很多近似處理。

四、多元概率比(Probit)回歸模型1.定義：是指利用極大似然函數(shù)求出企業(yè)破產(chǎn)的概率。2.前提條件：樣本服從標(biāo)準(zhǔn)正態(tài)分布，概率函數(shù)的p分位數(shù)可以用財(cái)務(wù)指標(biāo)線解釋。3.適用范圍：適用范圍較廣。4.模型描述：利用極大似然函數(shù)求出企業(yè)破產(chǎn)的概率。

若P>0.5,財(cái)務(wù)異常；P<0.5,財(cái)務(wù)正常5.優(yōu)缺點(diǎn)分析：假設(shè)不是很嚴(yán)，計(jì)算過(guò)程復(fù)雜，且有較多近似處理，但預(yù)測(cè)精度高。四、

五、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是一種平行分散處理模式,其建構(gòu)理念基于人類大腦神經(jīng)運(yùn)作的模擬。能夠在信息含糊、不確定、不完整等復(fù)雜環(huán)境中進(jìn)行模式處理，它能根據(jù)已學(xué)會(huì)的知識(shí)和處理問(wèn)題的經(jīng)驗(yàn)對(duì)復(fù)雜問(wèn)題作出合理的判斷，給出較滿意的解答，或?qū)ξ磥?lái)過(guò)程進(jìn)行有效預(yù)測(cè)和估計(jì)。

ANN由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳播和后向?qū)W習(xí)兩步進(jìn)行。目前，ANN的應(yīng)用已經(jīng)深入到各個(gè)領(lǐng)域，除具有較好的模式識(shí)別能力外,而且可以克服統(tǒng)計(jì)等方法的限制。五、

ANN

3層BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖輸入層隱含層輸出層ANN3層B

五、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型1.定義：即是將神經(jīng)網(wǎng)絡(luò)的分類方法應(yīng)用于財(cái)務(wù)預(yù)警。2.前提條件：對(duì)企業(yè)樣本無(wú)假設(shè)要求。3.適用范圍：因理論基礎(chǔ)抽象，科學(xué)性、準(zhǔn)確性有待進(jìn)一步加強(qiáng)，適用性也大打折扣。4.模型描述：它由輸出層、輸入層和隱含層組成，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)和數(shù)據(jù)的修正得出期望輸出，然后根據(jù)學(xué)習(xí)得出的判別規(guī)劃來(lái)分類。5.優(yōu)缺點(diǎn)分析：具有很強(qiáng)的容錯(cuò)性、學(xué)習(xí)能力、糾錯(cuò)能力；但科學(xué)性和準(zhǔn)確性還有待提高。五、人

六、聯(lián)合預(yù)測(cè)模型1.定義：是指運(yùn)用企業(yè)模型（CorporateModel）來(lái)模擬企業(yè)的運(yùn)作過(guò)程，從而動(dòng)態(tài)地描述財(cái)務(wù)正常企業(yè)和財(cái)務(wù)困境企業(yè)的特征，進(jìn)而根據(jù)不同特征和判別規(guī)則對(duì)企業(yè)樣本進(jìn)行分類。2.前提條件：要求有基本的理論框架，能夠有效反映和識(shí)別不同企業(yè)的行為特征和財(cái)務(wù)特征。3.適用范圍：因理論框架很難構(gòu)建，適用面不是很廣。4.模型描述：模擬企業(yè)運(yùn)作，動(dòng)態(tài)描述企業(yè)特征，從而對(duì)企業(yè)樣本進(jìn)行分類。5.優(yōu)缺點(diǎn)分析：克服了單純使用財(cái)務(wù)指標(biāo)的片面性，但理論框架有待進(jìn)一步完善。六、聯(lián)合預(yù)測(cè)模型1

第二節(jié)財(cái)務(wù)預(yù)警的研究方法一、貝葉斯判別方法二、費(fèi)雪判別方法三、Logit方法四、多元概率比（Probit）回歸五、逐步判別（Stepdisc）分析法六、交互驗(yàn)證法第二第二節(jié)財(cái)務(wù)預(yù)警的研究方法財(cái)務(wù)預(yù)警研究方法指在研究財(cái)務(wù)預(yù)警的過(guò)程中，所采用的統(tǒng)計(jì)方法和變量選擇方法，簡(jiǎn)稱預(yù)警方法。預(yù)警方法分為兩個(gè)層面:微觀層面的變量選擇方法；逐步判別分析法、交互驗(yàn)證法宏觀層面的統(tǒng)計(jì)方法。貝葉斯判別方法、費(fèi)雪判別方法、Logit方法、多元概率比（Probit）回歸第二節(jié)一、貝葉斯判別方法1.方法描述基于樣本總體正態(tài)分布的假設(shè)，分為兩種情況：若兩組協(xié)方差相等，則導(dǎo)出線性判別函數(shù)，即樣本等協(xié)方差陣；若兩組協(xié)方差不相等，則導(dǎo)出二次判別函數(shù)。2.研究思路首先將樣本分為兩類，非失敗類企業(yè)為第一組，失敗類企業(yè)為第二組。令、分別為第一組和第二組的均值向量。分別為第一組和第二組的協(xié)方差陣，若兩組協(xié)方差正好相等，記為COV。一、貝葉斯一、貝葉斯判別方法1）假設(shè)兩組協(xié)方差陣相等，兩組母體的事前概率相等，誤判損失恒為常數(shù)（即不分一類誤差和二類誤差的成本），此時(shí)可得線性判別函數(shù)。定義廣義平方距離：

已知樣本X，該樣本屬于第j組的后驗(yàn)概率為：如果該樣本屬于第j組的后驗(yàn)概率達(dá)到最大，即等于，則可以判斷該樣本屬于第j組。一、貝葉斯判別一、貝葉斯判別方法從后驗(yàn)公式可以看出，比較后驗(yàn)概率實(shí)質(zhì)上等價(jià)于比較樣本到兩組的廣義距離。于是，可以得到線性判別函數(shù)：

當(dāng)時(shí)，樣本X屬于第一組，否則屬于第二組。一、貝葉斯判一、貝葉斯判別方法2）假設(shè)兩組協(xié)方差陣不等，兩組母體的事前概率相等，誤判損失恒為常數(shù)，此時(shí)可得二次判別函數(shù)。定義廣義平方距離：已知樣本X，該樣本屬于第j組的后驗(yàn)概率為：如果該樣本屬于第j組的后驗(yàn)概率達(dá)到最大，即等于，則可以判斷該樣本屬于第j組。一、貝葉斯判一、貝葉斯判別方法同樣，根據(jù)后驗(yàn)公式可以得到二次判別函數(shù)：當(dāng)時(shí)，樣本X屬于第一組，否則屬于第二組。

二、費(fèi)雪判別方法1.方法描述：對(duì)總體的分布類型并無(wú)要求，只需總體存在二階距的條件下，其判別函數(shù)是在費(fèi)雪判別規(guī)則下使得判別效率（指兩組的組間差與組內(nèi)差之比）最高的判別變量組合。2.判別函數(shù)：

令則當(dāng)時(shí)，樣本X屬于第一組（非失敗類企業(yè)），否則屬于第二組（失敗類企業(yè)）。二、費(fèi)雪判三、Logit方法1.方法描述是解決0－1問(wèn)題（企業(yè)破產(chǎn)也屬于0－1問(wèn)題）行之有效的手段。2.研究思路假設(shè)企業(yè)失敗的概率為p，并假定Ln[p/(1-p)]可以用財(cái)務(wù)比率線性表示。即：Ln[p/(1-p)]＝a＋bx

p＝exp(a+bx)/[1+exp(a+bx)]＝1/[1+exp(a+bx)]（1）最大化對(duì)數(shù)似然函數(shù)，得出參數(shù)a、b代入（1）式中，即可得到企業(yè)破產(chǎn)的預(yù)測(cè)概率p。三、Lo

四、多元概率比（Probit）回歸1.方法描述與Logit方法類似。2.研究思路假定企業(yè)失敗的概率為p，并假設(shè)標(biāo)準(zhǔn)正態(tài)布函數(shù)的p分位數(shù)，可以用財(cái)務(wù)指標(biāo)線性解釋。采用極大似然函數(shù)求出參數(shù)a、b，進(jìn)而得到企業(yè)破產(chǎn)的預(yù)測(cè)概率p。p表示為：

四、多元概率比（Pro五、逐步判別分析法1.方法描述：是一種變量選取規(guī)則，據(jù)此來(lái)確定選擇變量

（每一組變量集服從等協(xié)方差的多元正態(tài)分布）的子集，以提供較好的建模基礎(chǔ)。2.變量選取準(zhǔn)則：1）協(xié)方差分析中F檢驗(yàn)的顯著水平，已選入的變量作為協(xié)變量，而正考慮的變量作為因變量；2）從協(xié)變量與正被考慮的變量的平方偏相關(guān)，控制已選入模型變量的影響。

五、逐步五、逐步判別分析法3.變量選取方法：1）全部進(jìn)入法將變量集合中的所有變量都納入模型。評(píng)價(jià)：使用簡(jiǎn)單，但由于各類變量無(wú)主次之分，從而影響模型的預(yù)測(cè)精度。2）向前選擇法開(kāi)始選擇時(shí)，模型中沒(méi)有變量；接下來(lái)，每一步在Wilks的相似比值準(zhǔn)則下，對(duì)模型判別貢獻(xiàn)最大的變量先進(jìn)入模型，直到不再有未被選入的變量達(dá)到臨界值時(shí)為止。五、逐步判別分五、逐步判別分析法3）向后選擇法開(kāi)始選擇時(shí)，所有變量都在模型中；接下來(lái)，每一步在Wilks的相似比值準(zhǔn)則下，對(duì)模型判別貢獻(xiàn)最小的變量被剔出模型，直到所有余下變量都達(dá)到留在模型中的臨界值時(shí)為止。注意：在使用逐步判別分析法時(shí)，要選擇適中的顯著水平（10％－25％），否則，判別變量便缺乏判別效率與效果。五、逐步判別分析六、交互驗(yàn)證法1.方法描述：是一種分析誤判率常用的方法，主要用來(lái)分析樣本資料非正態(tài)分布所可能帶來(lái)的判別偏差。2.研究思路：若，，不能假定為正態(tài)組，設(shè)，，是來(lái)自組的樣本，，，