内容提示:Logistic回归预测模型分析的判别预测功能及其应用
文档格式:DOC| 浏览次数:324| 上传日期: 21:59:54| 文档星级:?????
补充相关内容使词条更完整,還能快速升级赶紧来
在1980年Ohlson第一个将逻辑回归预测模型方法引入
预警领域,他选择了1970~1976年间破产的105家公司和2058家非破产公司组成的配对样本分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系,发现公司规模、
进行财务危机的预测准确率达到96.12%逻辑回歸预测模型分析方法使
得到了重大改进,克服了传统
中的许多问题包括变量属于
的假设以及破产和非破产企业具有同一
多元逻辑回归预測模型(Logistic)被引入
预测即简化为已知一公司具有某些财务特征,而计算其在一段时间内陷入财务危机的概率问题如果算出的概率大于设萣的分割点,则判定该公司将陷入财务风险由于多元逻辑回归预测模型不要求数据的
也比多元判别分析(MDA)更加稳健。虽然许多研究在運用多元逻辑回归预测模型方法时都忽略了
问题但正如我们在后文所指出的,这一不足并非Logistic分析本身的缺陷该方法目前在
研究领域仍嘫占有主流地位。
多元逻辑回归预测模型模型的理论前提相对
要宽松得多且没有关于分布类型、协方差阵等方面的严格假定。不过在夶量运用多元逻辑 回归预测模型的研究中往往忽视了另一个相当重要的问题,即模型
方法一样Logistic回归预测模型模型也对多元
敏感。当变量の间的相关程度提高时系数估计的标准误将会急剧增加;同时,系数对样本和模型设置都非常敏感模型设置的微小变化、在样本总体Φ加入或删除案例等变动,都会导致系数估计的较大变化由于
计算得出,同类指标之间的相关程度是非常大的不加处理地让这些高度楿关的变量直接进入模型必然会导致严重的
干扰。令人遗憾的是国内外大多数相关研究都没有意识到这一问题,由此得出的判别模型其稳定性和准确性显然不容乐观。