判别分析实验报告12404111雷鹏

实验报告：企业的财务状况的判别分析

对与21个破产的企业收集他们在破产前两年的财务数据，对于25个财务状况良好的企业也收集同一时期的数据。数据涉及四个变量:CF-TD（现金流量/总负债）;NI-TA(净收入/总资产);CA-CL（流动资产/流动负债）；CA-NS(流动资产/净销售额)，一个组变量：企业现状（1：非破产企业， 2:破产企业）。 一：数据的管理

G CF_TD NI_TA CA_CL CA_NS 1 1 0.51 0.10 2.49 0.54 2 1 0.08 0.02 2.01 0.53 3 1 0.38 0.11 3.27 0.35 4 1 0.19 0.05 2.25 0.33 5 1 0.32 0.07 4.24 0.63 6 1 0.31 0.05 4.45 0.69 7 1 0.12 0.05 2.52 0.69 8 1 -0.02 0.02 2.05 0.35 9 1 0.22 0.08 2.35 0.40 10 1 0.17 0.07 1.80 0.52 11 1 0.15 0.05 2.17 0.55 12 1 -0.10 -0.01 2.50 0.58 13 1 0.14 -0.03 0.46 0.26 14 1 0.14 0.07 2.61 0.52 15 1 0.15 0.06 2.23 0.56 16 1 0.16 0.05 2.31 0.20 17 1 0.29 0.06 1.84 0.38 18 1 0.54 0.11 2.33 0.48 19 1 -0.33 -0.09 3.01 0.47 20 1 0.48 0.09 1.24 0.18 21 1 0.56 0.11 4.29 0.44 22 1 0.20 0.08 1.99 0.30 23 1 0.47 0.14 2.92 0.45 24 1 0.17 0.04 2.45 0.14 25 1 0.58 0.04 5.06 0.13 26 2 -0.45 -0.41 1.09 0.45 27 2 -0.56 -0.31 1.51 0.16 28 2 0.06 0.02 1.01 0.40 29 2 -0.07 -0.09 1.45 0.26 30 2 -0.10 -0.09 1.56 0.67

二:R语言操作： 1. 调入数据

将case5中的数据复制，然后再Rstudio编辑器中执行case5=read. table(“clipboard”,head=T)

> case5=read.table(\> head(case5,30)

G CF_TD NI_TA CA_CL CA_NS 1 1 0.51 0.10 2.49 0.54 2 1 0.08 0.02 2.01 0.53 3 1 0.38 0.11 3.27 0.35 4 1 0.19 0.05 2.25 0.33 5 1 0.32 0.07 4.24 0.63 6 1 0.31 0.05 4.45 0.69 7 1 0.12 0.05 2.52 0.69 8 1 -0.02 0.02 2.05 0.35 9 1 0.22 0.08 2.35 0.40 10 1 0.17 0.07 1.80 0.52 11 1 0.15 0.05 2.17 0.55 12 1 -0.10 -0.01 2.50 0.58 13 1 0.14 -0.03 0.46 0.26 14 1 0.14 0.07 2.61 0.52 15 1 0.15 0.06 2.23 0.56 16 1 0.16 0.05 2.31 0.20 17 1 0.29 0.06 1.84 0.38 18 1 0.54 0.11 2.33 0.48 19 1 -0.33 -0.09 3.01 0.47 20 1 0.48 0.09 1.24 0.18 21 1 0.56 0.11 4.29 0.44 22 1 0.20 0.08 1.99 0.30 23 1 0.47 0.14 2.92 0.45 24 1 0.17 0.04 2.45 0.14 25 1 0.58 0.04 5.06 0.13 26 2 -0.45 -0.41 1.09 0.45 27 2 -0.56 -0.31 1.51 0.16 28 2 0.06 0.02 1.01 0.40 29 2 -0.07 -0.09 1.45 0.26 30 2 -0.10 -0.09 1.56 0.67

2. fisher判别效果(等方差，线性判别) (1)程序代码：

> plot(case5[,2:5],gap=0)

> library(\rary\

> ld=lda(G~.,data=case5);ld Call:

lda(G ~ ., data = case5)

Prior probabilities of groups:

1 2 0.5434783 0.4565217

Group means:

CF_TD NI_TA CA_CL CA_NS 1 0.23520000 0.05560000 2.593600 0.426800 2 -0.06809524 -0.08142857 1.366667 0.437619

Coefficients of linear discriminants: LD1 CF_TD -0.6291667 NI_TA -4.4458516 CA_CL -0.8892843 CA_NS 1.1844801 > plot(ld)

> zld=predict(ld)

> data.frame(case5$G,zld$class,round(zld$x,3)) case5.G zld.class LD1 1 1 1 -1.013 2 1 1 0.028 3 1 1 -1.895 4 1 1 -0.625 5 1 1 -2.210 6 1 1 -2.230 7 1 1 -0.395 8 1 1 -0.158 9 1 1 -0.783 10 1 1 -0.076 11 1 1 -0.268 12 1 1 -0.102 13 1 2 1.271 14 1 1 -0.778 15 1 1 -0.354 16 1 1 -0.813 17 1 1 -0.308 18 1 1 -1.005 19 1 1 -0.185 20 1 1 -0.265 21 1 1 -2.808 22 1 1 -0.569 23 1 1 -1.655 24 1 1 -0.971 25 1 1 -3.562 26 2 2 2.997

27 2 2 1.904 28 2 2 0.776 29 2 2 0.790 30 2 2 1.196 31 2 2 1.426 32 2 2 0.764 33 2 2 0.887 34 2 2 0.512 35 2 2 1.278 36 2 2 2.725 37 2 2 0.325 38 2 2 0.238 39 2 2 2.249 40 2 1 -0.342 41 2 1 -0.715 42 2 2 0.888 43 2 2 0.793 44 2 2 0.911 45 2 1 -0.050 46 2 2 2.178

（2）统计结果：

原分类

1

新分类 2

合计

1 24 2 3

27 合计

符合率 91.30% 1 25

18 21 19 46

3. Fisher判别分析（异方差，非线性判别—二次判别qda） (1)程序代码： > qd=qda(G~.,data=case5);qd Call:

qda(G ~ ., data = case5)

Prior probabilities of groups: 1 2 0.5434783 0.4565217

Group means:

CF_TD NI_TA CA_CL CA_NS 1 0.23520000 0.05560000 2.593600 0.426800 2 -0.06809524 -0.08142857 1.366667 0.437619 > zqd=predict(qd)

> #data.frame(case5$G,zqd$class,round(zqd$post,3)*100) > addmargins(table(case5$G,zqd$class))

1 2 Sum 1 24 1 25 2 2 19 21 Sum 26 20 46 （2）统计结果： 原分类

1

新分类 2

合计

1 24 2 3

26 合计

符合率 91.5% 1 25

19 21 20 46

4.统计解释：qda（二次判别-非线性判别）的效果比lda（一次判别）要好，更加能反映公司的真实水平。

本文来源：https://www.bwwdw.com/article/1sn8.html