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，激發您的寫作靈感。歡迎深入閱讀并收藏。

1研究設計

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指標數據不完全符合方差齊性，且不具有正態性，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指標，主要反映企業的財務狀況、經營成果與現金流量，指標之間的相關性較大，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為由被證券監督部門公開處罰的19家上市公司作為舞弊樣本。根據中國證監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。關于控制樣本的選擇，由于不同行業所具有的不同的經濟特性和業績表現，決定了某一具體行業內同年份、同業績以及同規模公司具有可比性。因此本文控制樣本的選取在理論上依據以下原則：首先，限定對應樣本的年份和行業，使其與發生舞弊企業相同。其次，在選取控制樣本時，按照行業分類以及排名，找到舞弊樣本的主要競爭企業，在競爭企業中選取和舞弊樣本上市時間以及舞弊前一年資產最為接近的公司作為控制樣本。最后，鑒于數據搜集的困難程度，針對一個舞弊樣本相應的選擇一個控制樣本。

1.3研究變量上市公司財務不景氣或者是財務舞弊，往往會反映在具體財務指標上，由于報表自身的勾稽關系，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實證會計學對于企業財務狀況的衡量指標，將盈余、資產和現金流量的指標相分離，旨在衡量利潤操縱與現金流量操縱的比重關系。表1列示了研究變量。

2實證檢驗與結果分析

2.1描述性統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計分析，其中1代表舞弊公司，2代表非舞弊公司，結果如表2所示。由表2可知，A5、A7、B1、B2四個指標的統計結果和預期不一致。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指標數值過大，使得整個數據集離散程度較大，導致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結果所示，所得稅較利潤總額的增加導致凈利潤的減少。A4的符號為負，說明舞弊公司在虛增利潤和資產的同時，對于資產的虛增程度更嚴重。同時，由表2發現，雖然A6的檢驗結果和預測一致，但舞弊組的數據相比較而言明顯異常。

2.2正態性檢驗：獨立樣本K-S檢驗本文采取檢驗正態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，即擬合優度。在進行K-S檢驗之前要對原始數據進行對數轉換，原始數據中部分為負，所以本文采取將所有數據同加10的方法消除所有負數，并且同加10再取對數并不會改變原數據的大小排列。檢驗結果如表3所示。從檢驗結果來看，A1、A2、A3、A5、A6、A7、B1、B2、B5、B9的P值均>0.05,服從正態分布。取對數后K-S檢驗有近一半的變量不服從正態分布。

2.3方差齊性檢驗：Levene檢驗樣本中的原始數據不具有正態性，所以不能夠用F檢驗和Bartlettχ2檢驗。SPSS提供了一種更為穩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方法檢驗數據的方差齊性，從Levene檢驗可看出，在95%的置信區間下A2、A3、A4、B1、B2、B5、B6、B9、B10的P值>0.05，呈方差齊性，仍有近半數的變量不具有方差齊性的特點。所以整體來看，樣本數據不符合方差齊性，不能應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的適當性量數。KMO度量值越高，顯示變量與變量之間的公因子數量越多，研究數據適合用因子分析。Bartlett的球形度檢驗，用 以檢測相關矩陣是否為單位矩陣。若為單位矩陣，原數據不宜用因子分析。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系。本文檢查結果顯示：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%。轉軸后的特征值不同于轉軸前的特征值。在旋轉成分矩陣中，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，最終得到的結果一致。從模型系數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，得到的預測與實際數據分類表中，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束結果，主要是考慮統計顯著性因素。結合表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。分析結果支持了本文的假設一、假設二和假設三，上市公司舞弊重點表現為盈余造假，相對透明的經營性現金流量能夠更有效的識別公司欺詐。最終會計舞弊預測模型主要包含的數據變量為現金流量指標，最終模型的表達為。

3結論

本文旨在建立會計舞弊預警的概率模型，此模型可以在了解上市公司相關財務指標的前提下，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。由于相關財務指標的相關性，本文在確定相關變量數據的正態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。在此基礎上，我們構建以六個公因子為自變量，二元變量Y為應變量的Logistic回歸預測模型。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，最終兩種方法的結果一致，構建的概率模型中包含公因子FAC1_1、FAC4_1、FAC6_1變量。通過描述性統計分析，可以看出財務造假公司主要通過操縱利潤，虛增資產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金流變量，主要是來自現金流量表的項目，而利潤表項目甚少，這驗證了我們的研究假設，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。相關投資者在分析公司的財務狀況時，不能單純通過利潤盈余的好壞來判斷業績的優良，更主要的是根據現金流量的充盈與否來對一個公司整體的經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：中國礦業大學管理學院青島大學商學院衡水學院經濟管理系