Logistic回歸下的會計論文范文

本站小編為你精心準備了Logistic回歸下的會計論文參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1研究設(shè)計

1.1研究方法研究上市公司舞弊實證的模型主要有單變量判別模型、多元判別模型、線性概率模型、邏輯回歸模型。由于本文所選取的財務(wù)指標數(shù)據(jù)不完全符合方差齊性，且不具有正態(tài)性，所以在模型建立過程中選擇多元邏輯回歸模型，即logistic模型。同時由于本模型所選擇的指標均為財務(wù)指標，主要反映企業(yè)的財務(wù)狀況、經(jīng)營成果與現(xiàn)金流量，指標之間的相關(guān)性較大，所以在建立Logistic模型之前必須剔除多重共線性影響，為此，本文引入因子分析對變量的多重共線性進行剔除。

1.2樣本選取關(guān)于舞弊樣本的選擇，鑒于不是所有的舞弊類型都能夠在財務(wù)報表上顯示出明顯的舞弊特征，并且防止指標在識別過程中被弱化，筆者在選取舞弊樣本時，重點以影響上市企公司利潤和資產(chǎn)為由被證券監(jiān)督部門公開處罰的19家上市公司作為舞弊樣本。根據(jù)中國證監(jiān)會處罰公告和財政部處罰公告，本文以一份年報作為一個研究樣本，共整理出36個欺詐樣本作為本文的研究對象。關(guān)于控制樣本的選擇，由于不同行業(yè)所具有的不同的經(jīng)濟特性和業(yè)績表現(xiàn)，決定了某一具體行業(yè)內(nèi)同年份、同業(yè)績以及同規(guī)模公司具有可比性。因此本文控制樣本的選取在理論上依據(jù)以下原則：首先，限定對應(yīng)樣本的年份和行業(yè)，使其與發(fā)生舞弊企業(yè)相同。其次，在選取控制樣本時，按照行業(yè)分類以及排名，找到舞弊樣本的主要競爭企業(yè)，在競爭企業(yè)中選取和舞弊樣本上市時間以及舞弊前一年資產(chǎn)最為接近的公司作為控制樣本。最后，鑒于數(shù)據(jù)搜集的困難程度，針對一個舞弊樣本相應(yīng)的選擇一個控制樣本。

1.3研究變量上市公司財務(wù)不景氣或者是財務(wù)舞弊，往往會反映在具體財務(wù)指標上，由于報表自身的勾稽關(guān)系，使得單一的指標變化很難被識別，因此必須通過對衡量財務(wù)能力的多個比率指標進行分析，以確定哪些指標對公司舞弊具有重要的識別價值。本文選取的指標主要依據(jù)實證會計學(xué)對于企業(yè)財務(wù)狀況的衡量指標，將盈余、資產(chǎn)和現(xiàn)金流量的指標相分離，旨在衡量利潤操縱與現(xiàn)金流量操縱的比重關(guān)系。表1列示了研究變量。

2實證檢驗與結(jié)果分析

2.1描述性統(tǒng)計分析首先對舞弊樣本和控制樣本進行分組，并運用SPSS軟件對兩組樣本進行描述性統(tǒng)計分析，其中1代表舞弊公司，2代表非舞弊公司，結(jié)果如表2所示。由表2可知，A5、A7、B1、B2四個指標的統(tǒng)計結(jié)果和預(yù)期不一致。從A5均值分析上看，舞弊組遠高于非舞弊組，但從其異常的標準差以及均值標準誤來看，可能是個別樣本財務(wù)指標數(shù)值過大，使得整個數(shù)據(jù)集離散程度較大，導(dǎo)致A5均值的增加。B1中舞弊樣本均值略大于控制樣本，可能由于A7結(jié)果所示，所得稅較利潤總額的增加導(dǎo)致凈利潤的減少。A4的符號為負，說明舞弊公司在虛增利潤和資產(chǎn)的同時，對于資產(chǎn)的虛增程度更嚴重。同時，由表2發(fā)現(xiàn)，雖然A6的檢驗結(jié)果和預(yù)測一致，但舞弊組的數(shù)據(jù)相比較而言明顯異常。

2.2正態(tài)性檢驗：獨立樣本K-S檢驗本文采取檢驗正態(tài)分布的方法是獨立樣本K-S檢驗，用以判斷舞弊樣本和控制樣本各自自身的正態(tài)性。其基本的原理是看樣本分布與擬合值分布的貼近情況，即擬合優(yōu)度。在進行K-S檢驗之前要對原始數(shù)據(jù)進行對數(shù)轉(zhuǎn)換，原始數(shù)據(jù)中部分為負，所以本文采取將所有數(shù)據(jù)同加10的方法消除所有負數(shù)，并且同加10再取對數(shù)并不會改變原數(shù)據(jù)的大小排列。檢驗結(jié)果如表3所示。從檢驗結(jié)果來看，A1、A2、A3、A5、A6、A7、B1、B2、B5、B9的P值均>0.05,服從正態(tài)分布。取對數(shù)后K-S檢驗有近一半的變量不服從正態(tài)分布。

2.3方差齊性檢驗：Levene檢驗樣本中的原始數(shù)據(jù)不具有正態(tài)性，所以不能夠用F檢驗和Bartlettχ2檢驗。SPSS提供了一種更為穩(wěn)健且不考慮樣本分布類型的方差齊性檢驗方法-Levene檢驗。論文運用Levene方法檢驗數(shù)據(jù)的方差齊性，從Levene檢驗可看出，在95%的置信區(qū)間下A2、A3、A4、B1、B2、B5、B6、B9、B10的P值>0.05，呈方差齊性，仍有近半數(shù)的變量不具有方差齊性的特點。所以整體來看，樣本數(shù)據(jù)不符合方差齊性，不能應(yīng)用某些以方差齊性為前提的檢驗方法和分析模型。

2.4因子分析因子分析模型如下：在進行相關(guān)的分析時，選擇KMO和Bartlett的球形度檢驗，其中KMO是Kaiser-Meyer-Olkin的適當(dāng)性量數(shù)。KMO度量值越高，顯示變量與變量之間的公因子數(shù)量越多，研究數(shù)據(jù)適合用因子分析。Bartlett的球形度檢驗，用 以檢測相關(guān)矩陣是否為單位矩陣。若為單位矩陣，原數(shù)據(jù)不宜用因子分析。一般來講，顯著性水平值越小表明原始變量之間越可能存在有意義的關(guān)系。本文檢查結(jié)果顯示：KMO為0.585，雖然并不十分接近1，但考慮到本文樣本量的大小，認為KMO值較好。Bartlett的球形度檢驗的χ2為948.627，自由度為136，伴隨概率值達到了顯著性水平，認為相關(guān)矩陣不是單位矩陣。在解釋的總方差中，第三總列顯示的是因子提取結(jié)果，第三總列與第二總列的前六行將特征值大于1的因子單獨列出，這六個特征值由大到小排列，所以第一個公因子的解釋程度最顯著。轉(zhuǎn)軸后的特征值為3.902、2.791、1.913、1.719、1.674、1.270，解釋變異量為22.954%、16.415%、11.255%、10.113%、9.846%、7.473%，累積的解釋變異量為22.954%、39.369%、50.625%、60.738%、70.583%、78.056%。轉(zhuǎn)軸后的特征值不同于轉(zhuǎn)軸前的特征值。在旋轉(zhuǎn)成分矩陣中，B3、B7、B8、B10為因素一，A3、A1、A5為因素二，B5、A4為因素三，B6、B9為因素四，B2、B1為因素五，A6為因素六。因子旋轉(zhuǎn)后，所選指標包含了與原來指標78%的信息含量，達到了在保留指標絕大部分信息含量條件下去除多重共線性的目的。可見B3、B7、B8、B10在第一個公因子上有很強的代表性；A3、A1、A5在第二個公因子上有很強的代表性；B5、A4在第三個公因子上有很強的代表性；B6、B9在第四個公因子上有很強的代表性；B2、B1在第五個公因子上有很強的代表性；A2、A6在第六個公因子上有很強的代表性。

2.5Logistic回歸分析Logistic回歸分析模型如下：Prob(event)=exp(α+ΣBPXP)/(1+exp(α+ΣBPXP))（2）為防止不同方法所得結(jié)果的差異，所以分別利用向前步進（WALD）和向前步進（似然比）兩種方法對上述得出的六個因子進行分析，最終得到的結(jié)果一致。從模型系數(shù)的綜合檢驗可以看出，SPSS將回歸分為三步，絕大部分的顯著性水平都低于0.05，而且隨著模型的逐漸步進，卡方值越來越大，說明模型越來越明顯，在第三步終止。最終模型的卡方值為9.575，顯著性水平為0.023，說明模型當(dāng)中的自變量整體檢驗還是非常顯著的。從Hosmer和Lemeshow檢驗表4中可以看出，經(jīng)過六次迭代后，卡方值小于臨界值，在95%的顯著性水平下，模型擬合整體的效果較好，不存在顯著性差異。從表5可以看出，以0.5作為分界點，1為欺詐公司，0為非欺詐公司的前提下，得到的預(yù)測與實際數(shù)據(jù)分類表中，步驟一中34家欺詐公司有11家被誤判，34家非欺詐公司有9家被誤判，總的準確率為70.6%；步驟二中34家欺詐公司有13家誤判，34家非欺詐公司中有12家被誤判，總的準確率為63.2%；步驟三中34家欺詐公司有12家被誤判34家非欺詐公司中有12家被誤判，總的準確率為64.7%，很明顯步驟一的準確率要略大于步驟二和步驟三的準確率。最終的模型變量選取步驟三結(jié)束結(jié)果，主要是考慮統(tǒng)計顯著性因素。結(jié)合表6和表7來看，最終方程中的變量只有FAC1-1的顯著性水平低于0.05，而FAC4-1、FAC6-1顯著性并不強，并且表12中顯示，移去建模量FAC1-1，所更改的顯著性非常小，但移去FAC4-1、FAC6-1，所更改的顯著性非常大，從中可以看出FAC1-1在對模型的解釋上要明顯強于FAC4-1、FAC6-1和常量。分析結(jié)果支持了本文的假設(shè)一、假設(shè)二和假設(shè)三，上市公司舞弊重點表現(xiàn)為盈余造假，相對透明的經(jīng)營性現(xiàn)金流量能夠更有效的識別公司欺詐。最終會計舞弊預(yù)測模型主要包含的數(shù)據(jù)變量為現(xiàn)金流量指標，最終模型的表達為。

3結(jié)論

本文旨在建立會計舞弊預(yù)警的概率模型，此模型可以在了解上市公司相關(guān)財務(wù)指標的前提下，計算得出一個公司的舞弊概率，從而能夠客觀地對公司的舞弊情況進行衡量和判斷，進而減輕前期篩選的工作量。由于相關(guān)財務(wù)指標的相關(guān)性，本文在確定相關(guān)變量數(shù)據(jù)的正態(tài)性和方差齊性方面做了K-S檢驗和Levene檢驗，并通過因子分析去除共線性影響。在此基礎(chǔ)上，我們構(gòu)建以六個公因子為自變量，二元變量Y為應(yīng)變量的Logistic回歸預(yù)測模型。在選擇回歸變量時，主要采取向前法，為防止不同方法對結(jié)果的影響，分別選取了向前步進（WALD）和向前步進（似然比）兩種方法做變量剔除，最終兩種方法的結(jié)果一致，構(gòu)建的概率模型中包含公因子FAC1_1、FAC4_1、FAC6_1變量。通過描述性統(tǒng)計分析，可以看出財務(wù)造假公司主要通過操縱利潤，虛增資產(chǎn)的方式來進行會計舞弊。從因子分析法中得到的公因子貢獻率來看，概率模型包含的變量信息量最大的為現(xiàn)金流變量，主要是來自現(xiàn)金流量表的項目，而利潤表項目甚少，這驗證了我們的研究假設(shè)，舞弊公司在進行舞弊時，往往會通過虛假銷售，提前確認收入等方式來粉飾利潤表。相關(guān)投資者在分析公司的財務(wù)狀況時，不能單純通過利潤盈余的好壞來判斷業(yè)績的優(yōu)良，更主要的是根據(jù)現(xiàn)金流量的充盈與否來對一個公司整體的經(jīng)營成果進行分析和評價，賬面的盈余可能并不代表實際的收益，利潤項目是可以被操縱的，現(xiàn)金流量更加真實和可信。

作者：李欣康進軍李娜單位：中國礦業(yè)大學(xué)管理學(xué)院青島大學(xué)商學(xué)院衡水學(xué)院經(jīng)濟管理系