1、1外文翻译FINANCIALRATIOSANDTHEPROBABILISTICPREDICTIONOFBANKRUPTCYMATERIALSOURCEHTTP/WWWINVESTMENTANOMALIESCOMAUTHORJAMESAOHLSON1INTRODUCTIONTHISPAPERPRESENTSSOMEEMPIRICALRESULTSOFASTUDYPREDICTINGCORPORATEFAILUREASEVIDENCEDBYTHEEVENTOFBANKRUPTCYTHEREHAVEBEENAFAIRNUMBEROFPREVIOUSSTUDIESINTHISFIELDOFRESEAR
2、CHTHEMORENOTABLEPUBLISHEDCONTRIBUTIONSAREBEAVER19661968A1968B,ALTMAN19681973,ALTMANANDLORRIS1976,ALTMANANDMCGOUGH1974,ALTMAN,HALDEMAN,ANDNARAYANAN1977,DEAKIN1972,LIBBY1975,BLUM1974,EDMISTER1972,WILCOX1973,MOYER1977,ANDLEV1971TWOUNPUBLISHEDPAPERSBYWHITEANDTURNBULL1975A19756ANDAPAPERBYSANTOMEROANDVINS
3、O1977AREOFPARTICULARINTERESTASTHEYAPPEARTOBETHEFIRSTSTUDIESWHICHLOGICALLYANDSYSTEMATICALLYDEVELOPPROBABILISTICESTIMATESOFFAILURETHEPRESENTSTUDYISSIMILARTOTHELATTERSTUDIES,INTHATTHEMETHODOLOGYISONEOFMAXIMUMLIKELIHOODESTIMATIONOFTHESOCALLEDCONDITIONALLOGITMODEL2SOMECOMMENTSREGARDINGMETHODOLOGYANDDATAC
4、OLLECTIONTHEECONOMETRICMETHODOLOGYOFCONDITIONALLOGITANALYSISWASCHOSENTOAVOIDSOMEFAIRLYWELLKNOWNPROBLEMSASSOCIATEDWITHMULTIVARIATEDISCRIMINANTANALYSISMDA,FORSHORTTHEMDAAPPROACHHASBEENTHEMOSTPOPULARTECHNIQUEFORBANKRUPTCYSTUDIESUSINGVECTORSOFPREDICTORSAMONGSOMEOFTHEPROBLEMSWITHTHESESTUDIESAREITHEREAREC
5、ERTAINSTATISTICALREQUIREMENTSIMPOSEDONTHEDISTRIBUTIONALPROPERTIESOFTHEPREDICTORSFOREXAMPLE,THEVARIANCECOVARIANCEMATRICESOFTHEPREDICTORSSHOULDBETHESAMEFORBOTHGROUPSFAILEDANDNONFAILEDFIRMSMOREOVER,AREQUIREMENTOFNORMALLYDISTRIBUTEDPREDICTORSCERTAINLYMILITATESAGAINSTTHEUSEOFDUMMYINDEPENDENTVARIABLESAVIO
6、LATIONOFTHESECONDITIONS,ITCOULDPERHAPSBEARGUED,ISUNIMPORTANTORSIMPLYIRRELEVANTIFTHEONLYPURPOSEOFTHEMODELISTODEVELOPADISCRIMINATINGDEVICEALTHOUGHTHISMAYBEAVALIDPOINT,ITISNEVERTHELESSCLEARTHATTHISPERSPECTIVELIMITSTHESCOPEOFTHEINVESTIGATIONUNDERMANYCIRCUMSTANCES,ITISOFINTERESTTOGOTHROUGHMORETRADITIONAL
7、ECONOMETRICANALYSISANDTESTVARIABLESFORSTATISTICALSIGNIFICANCE,ETCIITHEOUTPUTOFTHEAPPLICATIONOFANMDAMODELISASCOREWHICHHASLITTLEINTUITIVE2INTERPRETATION,SINCEITISBASICALLYANORDINALRANKINGDISCRIMINATORYDEVICEFORDECISIONPROBLEMSSUCHTHATAMISCLASSIFICATIONSTRUCTUREISANINADEQUATEDESCRIPTIONOFTHEPAYOFFPARTI
8、TION,THESCOREISNOTDIRECTLYRELEVANTIF,HOWEVER,PRIORPROBABILITIESOFTHETWOGROUPSARESPECIFIED,THENITISPOSSIBLETODERIVEPOSTERIORPROBABILITIESOFFAILUREBUT,THISBAYESIANREVISIONPROCESSWILLBEINVALIDORLEADTOPOORAPPROXIMATIONSUNLESSTHEASSUMPTIONSOFNORMALITY,ETCARESATISFIEDIIITHEREAREALSOCERTAINPROBLEMSRELATEDT
9、OTHE“MATCHING“PROCEDURESWHICHHAVETYPICALLYBEENUSEDINMDAFAILEDANDNONFAILEDFIRMSAREMATCHEDACCORDINGTOCRITERIASUCHASSIZEANDINDUSTRY,ANDTHESETENDTOBESOMEWHATARBITRARYITISBYNOMEANSOBVIOUSWHATISREALLYGAINEDORLOSTBYDIFFERENTMATCHINGPROCEDURES,INCLUDINGNOMATCHINGATALLATTHEVERYLEAST,ITWOULDSEEMTOBEMOREFRUITF
10、ULACTUALLYTOINCLUDEVARIABLESASPREDICTORSRATHERTHANTOUSETHEMFORMATCHINGPURPOSES4APROBABILISTICMODELOFBANKRUPTCYLETXIDENOTEAVECTOROFPREDICTORSFORTHEITHOBSERVATIONLETBEAVECTOROFUNKNOWNPARAMETERS,ANDLETPXI,PDENOTETHEPROBABILITYOFBANKRUPTCYFORANYGIVENXIANDPISSOMEPROBABILITYFUNCTION,0P1THELOGARITHMOFTHELI
11、KELIHOODOFANYSPECIFICOUTCOMES,ASREFLECTEDBYTHEBINARYSAMPLESPACEOFBANKRUPTCYVERSUSNONBANKRUPTCY,ISTHENGIVENBYWHERES1ISTHEINDEXSETOFBANKRUPTFIRMSANDS2ISTHESETOFNONBANKRUPTFIRMSFORANYSPECIFIEDFUNCTIONP,THEMAXIMUMLIKELIHOODESTIMATESOF1,2,AREOBTAINEDBYSOLVINGINTHEABSENCEOFAPOSITIVETHEORYOFBANKRUPTCY,THER
12、EISNOEASYSOLUTIONTOTHEPROBLEMOFSELECTINGANAPPROPRIATECLASSOFFUNCTIONSPASAPRACTICALMATTER,ALLONECANDOISTOCHOOSEONTHEBASISOFCOMPUTATIONALANDINTERPRETATIVESIMPLICITYONESUCHFUNCTIONISTHELOGISTICFUNCTIONTHEREARETWOIMPLICATIONSWHICHSHOULDBEMENTIONEDFIRST,PISINCREASINGINYSECOND,YISEQUALTOLOGPLPTHEMODELISTH
13、USRELATIVELYEASYTOINTERPRET,ANDTHISISITSMAINANDPERHAPSONLYVIRTUE35RATIOSANDBASICRESULTSFORPURPOSESOFTHEPRESENTREPORT,NOATTEMPTWASMADETODEVELOPANY“NEWOREXOTIC”RATIOSTHECRITERIONFORCHOOSINGAMONGDIFFERENTPREDICTORSWASSIMPLICITYTHEFIRSTTHREEMODELSESTIMATEDMODELS13,WERECOMPOSEDOFANINTERCEPTANDTHEFOLLOWIN
14、GNINEINDEPENDENTVARIABLES1SIZELOGTOTALASSETS/GNPPRICELEVELINDEXTHEINDEXASSUMESABASEVALUEOF100FOR1968TOTALASSETSAREASREPORTEDINDOLLARSTHEINDEXYEARISASOFTHEYEARPRIORTOTHEYEAROFTHEBALANCESHEETDATETHEPROCEDUREASSURESAREALTIMEIMPLEMENTATIONOFTHEMODELTHELOGTRANSFORMHASANIMPORTANTIMPLICATIONSUPPOSETWOFIRMS
15、,AANDB,HAVEABALANCESHEETDATEINTHESAMEYEAR,THENTHESIGNOFPAPBISINDEPENDENTOFTHEPRICELEVELINDEXTHISWILLNOTFOLLOWUNLESSTHELOGTRANSFORMISAPPLIEDTHELATTERIS,OFCOURSE,ADESIRABLEPROPERTY2TLTATOTALLIABILITIESDIVIDEDBYTOTALASSETS3WCTAWORKINGCAPITALDIVIDEDBYTOTALASSETS4CLCACURRENTLIABILITIESDIVIDEDBYCURRENTASS
16、ETS5OENEGONEIFTOTALLIABILITIESEXCEEDSTOTALASSETS,ZEROOTHERWISE6NITANETINCOMEDIVIDEDBYTOTALASSETS7FUTLFUNDSPROVIDEDBYOPERATIONSDIVIDEDBYTOTALLIABILITIES8INTWOONEIFNETINCOMEWASNEGATIVEFORTHELASTTWOYEARS,ZEROOTHERWISE9CHINNITNIT1|NIT|NIT1|,WHERENIISNETINCOMEFORTHEMOSTRECENTPERIODTHEDENOMINATORACTSASALE
17、VELINDICATORTHEVARIABLEISTHUSINTENDEDTOMEASURECHANGEINNETINCOMETHEMEASUREAPPEARSTOBEDUETOMCKIBBEN1972PREVIOUSSTUDIES,“COMMONSENSE,“ANDPERHAPSEVENTHEORY,WOULDSUGGESTTHATTHESIGNOFTHECOEFFICIENTSOFTHEDIFFERENTRATIOSSHOULDBEASFOLLOWSOENEGSERVESASADISCONTINUITYCORRECTIONFORTLTA,ACORPORATIONWHICHHASANEGAT
18、IVEBOOKVALUEISASPECIALCASESURVIVALWOULDTENDTODEPENDUPONMANY4COMPLICATEDFACTORS,ANDTHEEFFECTOFTHEEXTREMELEVERAGEPOSITIONNEEDSTOBECORRECTEDAPOSITIVESIGNWOULDSUGGESTALMOSTCERTAINBANKRUPTCY,WHILEANEGATIVESIGNSUGGESTSTHATTHESITUATIONISVERYBADINDEEDDUETOTLTA,BUTNOTTHATBADGRANTED,THISISAVERYHEURISTICPROCED
19、URETOCAPTURESOMETHINGVERYCOMPLICATEDA“PROFILE“ANALYSISOFTHEDATASUPPORTSTHEHYPOTHESESREGARDINGTHESIGNSTABLE3SHOWSTHEMEANSANDSTANDARDDEVIATIONSOFTHEPREDICTORSFORTHREESETSOFDATAONEYEARPRIORTOBANKRUPTCY,NONBANKRUPTCYFIRMS,ANDTWOYEARSPRIORTOBANKRUPTCYTHERESULTSAREHARDLYSURPRISINGTHERATIOSDETERIORATEASONE
20、MOVESFROMNONBANKRUPTFIRMSTOTWOYEARSPRIORTOBANKRUPTCYTOONEYEARPRIORTOBANKRUPTCYALTHOUGHTHEDATAANDRATIOSARENOTQUITECOMPARABLEWITHTHOSEOFBEAVER1966,THERESULTSHEREAREQUITESIMILARTOTHEPROFILESHEPRESENTED1966,P82ITSHOULDALSOBENOTEDTHATTHESTANDARDDEVIATIONSOFTHEPREDICTORSEXCEPTFORSIZEARELARGERFORYEAR1FIRMS
21、,COMPAREDTONONBANKRUPTFIRMSTHESEDIFFERENCESARESIGNIFICANTATA5PERCENTLEVELORBETTERHENCE,ASDISCUSSEDINSECTION2,STANDARDASSUMPTIONSOFMDAAREUNLIKELYTOBEVALIDTHREESETSOFESTIMATESWERECOMPUTEDFORTHELOGITMODELUSINGTHEPREDICTORSPREVIOUSLYDESCRIBEDMODEL1PREDICTSBANKRUPTCYWITHINONEYEARMODEL2PREDICTSBANKRUPTCYW
22、ITHINTWOYEARS,GIVENTHATTHECOMPANYDIDNOTFAILWITHINTHESUBSEQUENTYEARMODEL3PREDICTSBANKRUPTCYWITHINONEORTWOYEARSASUMMARYOFTHERESULTSARESHOWNINTABLE4THISTABLEINDICATESTHATALLOFTHESIGNSWEREASPREDICTEDFORMODEL1ONLYTHREEOFTHECOEFFICIENTSWCTA,CLCA,ANDINTWOHAVETSTATISTICSLESSTHANTWO,SOTHEOTHERSAREALLSTATISTI
23、CALLYSIGNIFICANTATARESPECTABLELEVELTHISINCLUDESSIZE,WHICHHASARELATIVELYLARGETSTATISTICAN5OVERALLMEASUREOFGOODNESSOFFITISGIVENBYTHELIKELIHOODRATIOINDEXTHEINDEXISSIMILARTOARINTHESENSETHATITEQUALSONEINCASEOFAPERFECTFIT,ANDZEROIFTHEESTIMATEDCOEFFICIENTSAREZEROFORMODEL1,THERATIOIS84PERCENT,ANDTHISISSIGNI
24、FICANTATANEXTREMELYLOWALEVELTHESTATISTIC“PERCENTCORRECTLYPREDICTED“EQUALS9612PERCENTITISTABULATEDONTHEBASISOFACUTOFFPOINTOF5THATIS,CLASSIFYTHECOMPANYIFANDONLYIFPXI,05WHETHERTHISISA“GOOD“OR“BAD“RESULTISNOTEASYTOANSWERATTHISSTAGE,SOFURTHERDISCUSSIONREGARDINGTHEMODELSPREDICTIVEPOWERISPOSTPONEDUNTILTHEN
25、EXTSECTIONATTHISPOINT,WECANNOTETHATIFALLFIRMSWERECLASSIFIEDASNONBANKRUPT,THEN9115PERCENTWOULDBECORRECTLYCLASSIFIED2,0581052,058THUSTHEMARGINALUNCONDITIONAL,PRIORPROBABILITYOFBANKRUPTCYISANIMPORTANTQUANTITYINTHEABOVETYPEOFSTATISTICFURTHER,THEREISNOAPPARENTREASONWHY5ISANAPPROPRIATECUTOFFPOINT,SINCEITP
26、RESUMESIMPLICITLYTHATTHELOSSFUNCTIONISSYMMETRICACROSSTHETWOTYPESOFCLASSIFICATIONERRORSTABLE5SHOWSTHECORRELATIONCOEFFICIENTSOFTHEESTIMATIONERRORSINMODEL1THECOEFFICIENTSOFTHEFINANCIALSTATEVARIABLESVARIABLES14INTHETABLEAREUNCORRELATEDWITHTHOSEOFTHEPERFORMANCEVARIABLESVARIABLES59HENCE,BOTHSETSOFVARIABLE
27、SCONTRIBUTESIGNIFICANTLYANDINDEPENDENTLYOFEACHOTHERTOTHELIKELIHOODFUNCTIONTHISSTRONGLYSUPPORTSTHECONTENTIONTHATBOTHSETSOFVARIABLESAREIMPORTANTINESTABLISHINGTHEPREDICTIVERELATIONSHIP6MODELS2AND3HAVESOMEWHATWEAKERGOODNESSOFFITSTATISTICS,WHICHISEXACTLYONEWOULDEXPECTINVIEWOFTHEPROFILEANALYSISNOTEALSOTHA
28、TTHESIGNSOFINTWOANDCHINDIFFERFROMTHOSEOFMODEL1THEPOSITIVEANDSIGNIFICANTCOEFFICIENTFORCHININMODEL2CANPERHAPSBEEXPLAINEDBYASCENARIOPROPOSEDBYDEAKIN1972FIRMSWITHAPOSITIVECHANGEINEARNINGSMAYBEPARTICULARLYTEMPTEDTORAISEEXTERNALCAPITALTHROUGHBORROWING,ANDTHISWILLTHENIMPLYTHATTHEYBECOMEHIGHERRISKFIRMSATASU
29、BSEQUENTPOINTOFCOURSE,THISISONLYONEPOSSIBLEEXPLANATIONANDTHEEVIDENCEISFARTOOWEAKEVENVAGUELYTOSUGGESTTHATITISINFACTTHECASEINALLTHREEMODELS,SIZEAPPEARSASANIMPORTANTPREDICTORTHISFINDINGISCONSISTENTWITHHORRIGANS1968STUDYOFBONDRATINGS,WHEREINHETOOFOUNDTHATSIZEWASANIMPORTANTDETERMINANTONECOULDPERHAPSARGUE
30、THATTHECONCLUSIONISINVALIDBECAUSETHEBANKRUPTANDNONBANKRUPTFIRMSAREDRAWNFROMDIFFERENTPOPULATIONSSPECIFICALLY,ONECANNOTBESURETHATALLTHENONBANKRUPTFIRMSWOULDHAVEBEENONTHECOMPUSTATTAPEIFTHEYHADNOTFAILEDNODIRECTTESTOFTHEPROBLEMISTHEREFOREFEASIBLETHECOMPUSTATTAPEISHEAVILYBIASEDTOWARDTHERELATIVELYLARGEFIRM
31、SLISTEDONTHETWOMAJOREXCHANGESIFSIZEISASPURIOUSVARIABLE,THENITISLIKELYTHATDUMMYVARIABLESREFLECTINGEXCHANGELISTINGSAREMOREIMPORTANTTHANSIZETHISTESTWASIMPLEMENTED,ANDTHERESULTSARESHOWNINTABLE6THETSTATISTICFORSIZEISLARGERTHANTWO,WHEREASTHETWOEXCHANGEDUMMIESNYSEANDAMSEAREESSENTIALLYINSIGNIFICANTTHESERESU
32、LTSAGAINSUPPORTTHECONTENTIONTHATSIZEISANIMPORTANTPREDICTOROFBANKRUPTCYEVENSO,THETESTANDCONCLUSIONMUSTBEVIEWEDWITHGREATCAUTION,SINCECOMPUSTATFIRMSAREDIFFERENTFROMNONCOMPUSTATFIRMSONANUMBEROFCOMPLEXDIMENSIONSTHEREFORE,WECANNOTBESURETHATSIZEISASURROGATEWHICHISSUPERIORTOEXCHANGELISTINGIFSIZE,INFACT,ISAS
33、UPERIOR7SURROGATE,THENTHESTATISTICALSIGNIFICANCEOFSIZEMAYSIMPLYREFLECTAGENERALCOMPUSTATBIASSUBJECTTOTHEQUALIFICATIONABOVE,THERESULTSINDICATETHATTHEFOURFACTORSDERIVEDFROMFINANCIALSTATEMENTSWHICHARESTATISTICALLYSIGNIFICANTFORPURPOSESOFASSESSINGTHEPROBABILITYOFBANKRUPTCYAREISIZESIZEIITHEFINANCIALSTRUCT
34、UREASREFLECTEDBYAMEASUREOFLEVERAGETLTAIIISOMEPERFORMANCEMEASUREORCOMBINATIONOFPERFORMANCEMEASURESNITAAND/ORFUTLIVSOMEMEASURESOFCURRENTLIQUIDITYWCTAORWCTAANDCLCAJOINTLYINANATTEMPTTODETERMINEWHETHEROTHERFACTORSCANBEOBTAINEDFROMFINANCIALSTATEMENTSWHICHCOULDINCREASETHEPREDICTABILITYOFFAILURE,IESTIMATEDA
35、NADDITIONALMODELTHISMODELWASMODEL1SUPPLEMENTEDBYAMEASUREOFPROFITMARGIN,COMPUTEDASFUNDSFROMOPERATIONSDIVIDEDBYSALES,ANDARATIOOFASSETSWITHLITTLEORNOCASHVALUEINTANGIBLESPLUSDEFERREDASSETSDIVIDEDBYTOTALASSETSTHEESTIMATIONRESULTSSHOWEDNOTONLYTHATBOTHOFTHESEVARIABLESWERECOMPLETELYINSIGNIFICANT,BUTALSOTHAT
36、THEESTIMATEDCOEFFICIENTSHAD“INCORRECT“SIGNSTHETSTATISTICSWERE14AND42,RESPECTIVELYWHETHEROTHERACCOUNTINGPREDICTORSCOULDHAVEDONEABETTERJOBINIMPROVINGUPONTHELIKELIHOODFUNCTIONISNOTCLEAR,BUT,INMYVIEW,ITISNOTOVERLYLIKELYONTHEOTHERHAND,NONACCOUNTINGDATA,SUCHASINFORMATIONBASEDONEQUITYPRICESANDCHANGESINPRIC
37、ESMIGHTPROVETOBEMOSTUSEFULIINTENDTOTESTTHESEKINDSOFMODELSONCEADEQUATEDATAHAVEBEENGATHERED8译文财务比率与破产概率预测资料来源HTTP/WWWINVESTMENTANOMALIESCOM作者詹姆斯A奥尔森1简介本文介绍了一些从破产事件中证实的预测公司倒闭的实证研究结果。目前在这个研究领域来已有相当数量的过去的研究，最著名的是比弗（1966,1968A,1968B），袄尓曼（1968,1973），袄尔曼和洛里斯（1976），袄尔曼和麦克高夫（1974），袄尔曼、海尔德曼和纳拉亚南（1977），迪肯（1972）
38、，利比（1975），布朗姆（1974），埃德米斯特（1972），威尔科特斯（1973），莫尔（1877），还有利夫（1971）。怀特和特恩布尔的两篇未发表的论文，以及圣多马罗和文索的一篇论文表现出如同他们是第一个有逻辑地、系统地研究破产的概率估算的特别的兴趣。本文的研究与近来的研究相似，其中运用的方法论是对所谓的条件罗吉特模型的最大似然估计之一。2一些考虑方法论和数据收集的评论罗吉特分析条件的计量方法被选来用于避免一些与多元判断分析（简称MDA）有关的相当著名的问题。MDA方法一直是利用向量预测程序进行破产预测研究的最流行的技术。在与这些研究的一些问题有（）有对预测的分布性质施加一定的统计要求
39、。例如，预测的方差协方差矩阵应对这两个组（失败和没有失败的公司）相同；此外，预测需求的正态分布肯定会不利于独立的虚拟变量的使用。违反了这些条件，如果这个模型的唯一目的是建立一个鉴别仪，也许可以说是不重要的（或者是不相关的）。虽然这可能是一个有效点，但显然是这种观点限制了调查范围。在很多情况下，通过更多传统的计量分析和测试统计学意义的变量等，是有一定意义的。（）MDA模型应用程序的输出是一个没有什么直观解释的分数，因为它基本上是一个序数排名（有辨识力的）设备。决定比如一个不准确描述收益分配不足的错误分类结构的问题时，比分是没有直接关系的。但是，如果两组概率事先是指定的，那么就可能得出失败的事后概
40、率。但是，贝叶斯修订过程将会是无效的或者会导致很差的近似，除非满足正态假设条件。（）也有一些特定的与通常在MDA中应用的“匹配”程序相关联的问题。失败的和没有失败的公司根据一些标准如规模大小和行业进行匹配，而这往往是有点武断的。这绝不是通过不同的匹配程序，包括根本没有匹配的，真正得到或失去什么。最起码，其包括作为预测的变量似乎是更加富有成效的，而不是用于匹配的目的。94一个破产概率模型设XI表示第I个观察向量的预测，设是一个未知参数向量，并让PXI,P代表对任何给定的P和的破产概率。P是一些概率函数，0P1。对任何具体结果的可能性对数，反映在破产公司与没有破产的公司的二进制样本空间里，然后就给
41、出了其中S1是破产企业的（指数）设置和S2是没有破产公司的设置。对于任何指定的函数P，对最大似然估计1,2，通过求解得到在缺少一个积极的破产理论的情况下，没有简单的方法来解决选择一类合适的函数P的问题。从实践来说，所有能做的就是在计算的基础上选择并简单阐述。一个这样的函数是罗吉斯函数这里需要提到两个含义。首先，P正在以Y增加；其次，Y与LOGPLP相等。这个模型比较容易解释，这是它的（或许是唯一的）优点。5比率和基本结果为了本报告的目的，没有尝试去开发任何“新的或外来的”的比例。对于不同的预测变量，选择标准是简单的。前三个模型已经估算了，模型13是由一个截距和以下九个独立的变量组成的1SIZE
42、总资产/国民生产总值价格水平的指数。假设该指数的基值在1968年时为100，总资产以美元单位。该指数的年度是在这一年的资产负债表日之前的一年，这个过程保证了该模型的即时履行。对数变换有一个重要的推论。假设有两家公司，A和B，在同一年里有相同的资产负债表日，然后PAPB的标志是独立于价格水平指数之外的。（除非是在对数转换被应用时，否则这将不被遵守。）后者当然是，一个合乎要求的性质。2TLTA总负债除以总资产。3WCTA流动资金除以总资产。4CLCA流动负债除以流动资产。5OENEG如果一个总负债超过总资产，否则为零。6NITA净收益除以总资产。7FUTL营运资金除以总资产。8INTWO如果是净收
43、入在过去两年出现负数，否则为零。9CHINNITNIT1|NIT|NIT1|，其中NI是最近一个时期的净收益，水平指标作为分母，因此，该变量用于衡量收入净额的变化。（这个方法10似乎是麦克基肯1972提出的。）先前的研究，“常识”，甚至理论，将表明不同的系数比率的标志应该是以下几种；积极消极不确定OENEG作为TLTA的一个间断更正，有负的账面价值的A公司是一种特殊情况。生存往往会取决于很多复杂的因素，并且极端的杠杆效应需要加以纠正。一个积极的迹象表明几乎可以肯定会破产，而负数则显示这种情况的确很糟糕（由于TLTA），但是没有那么坏。（当然，这是一个非常启发式程序来捕获一些非常复杂的。）一个“
44、资料”的数据分析支持假设有关的迹象。表3显示了三组数据的预测手段和标准偏差破产前一年的公司，没有破产的公司，破产前两年的公司。结果并不让人感到意外，这些比率随着没有破产到破产前两年再到破产前一年逐步恶化。尽管数据和比率不是很比得上弗1966时的那些，这项研究结果与他提出的概况1966，第82页十分相似。还应当指出的是，预测的（除大小）标准偏差与没有破产的公司相比，年份减去1的公司要更大。这些差异在百分之五或更好的等级上比较显着。因此，如第2节讨论的，MDA水平的假设不太可能有效。这三套估算已经计算出了使用前述的预测因子的罗吉特模型。模型1预测一年内破产的公司；模型2预测两年内破产的公司，给定条
45、件该公司没有在11以后年度里经营失败；模型3预测一到两年内破产的公司。表4显示了总结的结果。此表显示，所有的迹象均预测为模式1。只有三个系数WCTA,CLCA,和INTWO有少于两个的统计量，这样其他都在一个相当数量的显着统计水平。这包括SIZE，有相当大的统计量。一个拟合优度的总度量是似然比指数赋予的。该指数类似于在某种意义上说的R，它等于一个完美的结合，与为零的估计系数均为零。对于模型1，这个比例是84，这在极低水平时是值得注意的。统计“百分比正确预测”等于9612；它是在05临界点的基础上制表的。也就是说，当且仅当PXI,05时该公司进行分类。在这个阶段这是否是一个“好“或“坏“的结果是
46、不容易回答，因此，进一步讨论有关模型的预测能力推迟到下一节。在这一点上，我们可以看到，如果所有的公司为没有破产，然后9115将被正确分类（2058/（1052058）。因此，边际（无条件的，之前的）破产概率的统计，在上面统计数字的类型中是一个重要的量。此外，没有明显的原因表明05是一个合适的分界点，因为它假定隐含的损失函数是对称的跨分类错误的两种类型。表5显示了模型1的估计误差的相关系数。财务状况的系数变量（表中的变量14）与性能变量（变量59）是不相关的。因此，两套变量彼此独立，并且对似然函数的贡献显著。这有力地支持论点，即两组变量的预测是建立关系的重要。12模型2和3有稍弱的拟合优度统计，
47、这正是人们所预料的剖象分析。还要注意，对INTWO和CHIN的迹象与模型1的有所不同。模型2中积极而重要的CHIN系数也许可以解释迪金1972提出的一个方案。公司盈利的积极变化可能会使得其特别需要通过借贷筹集外部资本，这将意味着他们在以后的某一时点会成为高风险公司。当然，这只是一种可能的解释，证据太薄弱，甚至隐约表明，它实际上是这样的。在所有这三个模型中，公司规模是一项重要的预测指标。这一发现与霍里根1968的债券评级的研究结果一致，其中他也发现，公司规模大小是一个重要的决定因素。也许有人会认为这个结论是无效的，因为企业破产和不破产是来自不同人群的制定。具体而言，谁都无法确保所有未破产公司会的
48、磁盘里，如果他们一直没有失败的话。没有什么直接测试的问题因此是可行的。标准普尔会严重偏向于在两个主要交易所上市的比较大的那个公司。如果公司规模大小是一个虚假的变量，那么很可能反映了交易所上市的虚拟变量比规模更重要。这个试验已经实施，其结果列于表6所示。SIZE的统计量大于两个，而两间交易所纽约证券交易所和AMSE假设基本上是微不足道的。这些结果再次支持了论点，即公司规模大小是一个破产的重要因素。即便如此，测试和结论必须十分谨慎地看待，因为标准普尔公司在一系列不同的复杂的维数与非标准普尔公司不同。因此我们不能确定公司规模是优于交易所上市的一个代替品。如果公司规模大小其实是一种高级的替代，那么在统
49、计意义可能只是反映了一般标准普尔的偏见。13除上述资格，结果表明，来自在统计上是显著相关的评估目的的概率破产的财务报表的4种因素是I公司规模SIZE；II金融结构所反映的一个杠杆衡量TLTA；III一些性能措施或措施相结合的表现NITA和/或FUTL；IV目前一些流动性指标WCTA或WCTA与CLCA共同发展。在试图确定是否有其他因素时，可以从会增加可预见性失败的财务报表中获得，我估计有一个额外的模型。该模型是模型1辅以利润率的衡量标准，营运资金除以销售，和资产比例与很少或没有现金价值无形资产加递延资产除以总资产。估计结果显示，不只是这两个变量是完全微不足道，而且也认为估计系数有“不正确“的迹象。（统计量分别为014和042。）是否有其他可以做会计的预测指标可以更好地改善似然函数目前尚不清楚，但在我看来，它不是太可能。另一方面，没有会计数据，如股票价格及价格变化的信息可能被证明是最有用的。一旦足够的资料已经聚集，我打算测试这一类模型。
