一、实验目的
通过实验室的模拟教学,使学生通过情景模拟和实际操作达到以下目的:
1、掌握分析上市公司财务报表的能力
2、应用Logistic模型判别模型对信用风险进行分析。通过实验室的模拟教学使学生建立雄厚的理论基础同时又锻炼出很强的社会实践能力。
二、准备知识
2.1Logistic模型
Logistic模型介绍
假设有一个理论上存在的连续反应变量 代表事件发生的可能性,其值域为负无穷至正无穷。当该变量的值跨越一个临界点c比如c=0)便导致事件发生,于是有:
当 >0 时,
=1
在其他情况下, =0
这里, 是实际观察到的反应变量,
表示事件发生,
表示事件未发生
如果假设在反应变量和自变量
之间存在一种线性关系,即
有
由
其实这就是当
1、当
当
2、当
将事件发生概率标注为
可以得到下列logistic回归模型
则事件不发生的概率为
则事件发生与事件不发生的概率之比为
两边取对数有
这便是logistic回归模型
三、实验软件环境
Excel; Eviews6.0
四、实验内容
1、制作各条件属性散点图,分析经济数据的现实分布特征;
1)选取需要做散点图的条件属下变量
2)利用Eviews,根据条件属性取值大小进行排序
3)利用Eviews制作条件属性散点图,观察现实经济数据的分布情况,体会采用logistic模型而非线性模型的优点
2、制作各条件属性直方图,理解组距大小对数据简化的重要性;
1)选取需要制作直方图的条件属性变量
2)根据条件属性取值大小进行排序
3)选择一个比较大的组距,利用Excel制作直方图,然后选择一个比较小的组距,制作直方图,理解组距大小对直方图的影响以及如何选择适合的组距来体现条件属性所蕴涵的经济学含义
3、对样本数据进行描述性统计分析;
利用Excel中的统计工具箱分析条件属性的均值、方差、相关系数、变异系数,体会采用logistic模型而非线性模型的优点
4、构建Logistic判别模型,对信用风险进行度量;
1)将所收集的样本分为建模样本和检验样本
2)将建模样本中的数据代入模型
3)将建模样本集中每个样本的条件属性值代入拟合好的方程中,求出每个样本
4)结合上市公司在现实经济中的风险状况和
5)将检验样本集中每个样本的条件属性的数值代入到拟合好的方程中,求出相应的
5、结合描述性统计分析的结果分析Logistic判别模型的经济学含义。
五、实验具体步骤:
利用Logistic构建上市公司信用识别模型,模型结构为:
其中P为上市公司未破产的概率,
在进行实验之前,通过Eviews构建工作文件夹,(点击file—new—workfile,建立工作文件夹,工作文件夹命名为logist),将Y值与5个条件属性值输入Eviews,分别命名为Y、
5.1制作各条件属性散点图,分析经济数据的现实分布特征;
1)任意选取一个条件属性,例如
2)利用Eviews,根据条件属性
处理流程:对
3)利用Eviews制作条件属性散点图,观察现实经济数据的分布情况,体会采用logistic模型而非线性模型的优点
处理流程:设立一个新的变量

5.2 利用Excel制作各条件属性直方图,理解组距大小对数据简化的重要性;
1)选取需要制作直方图的条件属性变量,例如
2)根据条件属性取值大小进行排序
3)根据Y的取值,将样本Y=1的视为一组,将样本Y=0的视为一组。分别做这两组的直方图。
处理流程:点击“工具”――“数据分析”,在对话框中选择“直方图”,点击确定,然后在对话框中,“输入区域”选择Y=1的所有样本

点击“工具”――“数据分析”,在对话框中选择“直方图”,点击确定,然后在对话框中,“输入区域”选择Y=1的所有样本的的值,将“接受区域”的空间确定为[0,0.6],组距为0.1,选择“图表输出”,点击确定。得到的图形如图5.3所示

5.3 对样本数据进行描述性统计分析;
利用Eviews中的分析条件属性的均值、方差、相关系数、变异系数.
处理流程:点击view—descriptive statistics—histogram and stats

5.4构建Logistic判别模型,对信用风险进行度量;
1)将所收集的样本分为建模样本和检验样本,其中建模样本100个,检验样本60个
2)利用Eviews拟合建模样本的数据,模型结构如下
首先设立新的参数M、
在拟合数据之前,通过Eviews构建工作文件夹,(点击file—new—workfile,建立工作文件夹,工作文件夹命名为logistic),将M值与5个条件属性值输入Eviews,分别命名为M、
然后点击object—new objiect,在对话框中选择“Equation”,并命名为“jianmo”,点击ok,在“Equation estimation”中输入模型结构“M C
Dependent Variable: M | ||||
Method: Least Squares | ||||
Date: 04/20/09 Time: 03:04 | ||||
Sample: 1 100 | ||||
Included observations: 100 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | -0.039230 | 0.059607 | -0.658152 | 0.5120 |
N1 | 0.034024 | 0.171892 | 0.197937 | 0.8435 |
N2 | -0.092467 | 0.147462 | -0.627057 | 0.5321 |
N3 | 0.101801 | 0.175263 | 0.580847 | 0.5627 |
N4 | 0.174617 | 0.031697 | 5.508990 | 0.0000 |
N5 | 0.446610 | 0.064893 | 6.882296 | 0.0000 |
R-squared | 0.581116 | Mean dependent var | 0.490000 | |
Adjusted R-squared | 0.558835 | S.D. dependent var | 0.502418 | |
S.E. of regression | 0.333708 | Akaike info criterion | 0.701022 | |
Sum squared resid | 10.46792 | Schwarz criterion | 0.857332 | |
Log likelihood | -29.05110 | Hannan-Quinn criter. | 0.764283 | |
F-statistic | 26.08114 | Durbin-Watson stat | 1.275115 | |
Prob(F-statistic) | 0.000000 | |||
3)将建模样本集中每个样本的条件属性值代入拟合好的方程中,求出每个样本的值
4)结合上市公司在现实经济中的风险状况和
操作流程:在excel表格中,将建模样本的条件属性值代入的拟合的识别模型中,得到每一个样本所对应的P*,然后对P*进行排序,结合上市公司在现实经济中的风险状况,选取具有最小误判率的P*作为判别上市公司是否破产的临界值
5)将检验样本集中每个样本的条件属性的数值代入到拟合好的方程中,求出相应的
发表回复