【文章內(nèi)容簡介】 的可能性 （ LogitP） P 為公司分配 現(xiàn)金股 利的 概率 , 取值范 圍為 0 ～ 1 ，logitP=ln(P/(1P)) 自變量 投資者股利需求 (DEMAND) 用 市值賬面比 （ M / B）反映， 計(jì)算公式見上文 控制變量 1）公司財(cái)務(wù)特征 公司規(guī)模 （ Ln（ ASSET）） Ln（總資產(chǎn)的帳面價(jià)值） 每股收益 (EPS) (稅后利潤 優(yōu)先股股利 )247。發(fā)行在外的普通股平均股額 自由現(xiàn)金流量 (FCF) 自由現(xiàn)金流量 凈資產(chǎn)收益率（ ROE） 凈利潤 /凈資產(chǎn) 增長率 (GROWTH) 最近 3 年主營業(yè)務(wù)收入增 長率 2）股權(quán)結(jié)構(gòu) 股權(quán)集中度指數(shù) （ CINDEX） 公司前三大股東持股比例的平方和 未流通 A 股比例 (PROP) 未流通 A 股數(shù) /公司總股數(shù) 模型與回歸 我們在實(shí)證分析中對 2020 年到 2020 年連續(xù) 4 年的數(shù)據(jù)分別用三個(gè)模型進(jìn)行 Logistic 回歸。在模型 1中，我們將 投資者股利需求 (DEMAND)作為自變量 ， 公司 分配現(xiàn)金股利的可能性（ LogitP）為被解釋變量，建立如下回歸模型， 模型 1： LogitP i = a + b1* DEMAND i +ε i 其中 a 和 b1 為回歸系數(shù)。 回歸結(jié)果如表 3所示。 表 3 模型 1 的回歸結(jié)果 樣本 類型 回歸模型的顯著性檢驗(yàn) 參數(shù)顯著性檢驗(yàn) 變量 指標(biāo) 回歸 系數(shù) 標(biāo)準(zhǔn) 誤差 Wald 統(tǒng)計(jì)量 P 值 邊際影響比值 2020 年 樣本數(shù) : 1047 Chisquare= Sig.= Nagelkerke R2= 投資者股利需求 DEMAND 常數(shù) Constant 2020 年 樣本數(shù) : 1050 Chisquare= Sig.= Nagelkerke R2= 投資者股利需求 DEMAND 常數(shù) Constant 2020 年 樣本數(shù) : 958 Chisquare= Sig.= Nagelkerke R2= 投資者股利需求 DEMAND 常數(shù) Constant 2020 年 樣本數(shù) : 854 Chisquare= Sig.= Nagelkerke R2= 投資者股利需求 DEMAND 常數(shù) Constant 從 2020年的回歸結(jié)果看， 模型的 擬合優(yōu)度指標(biāo) Nagelkerke R2=， 說明模型擬合 得不是很 好 ； 該模型的 Chisquare 檢驗(yàn)值為 ，顯著性水平為 ，是統(tǒng)計(jì)性顯著的 。 投資者股利需求的 回歸系數(shù)為 ， Wald 檢驗(yàn)結(jié)果 P值為 ，表明 公司 分配現(xiàn)金股利的 6 可能性 與 投資者股利需求 負(fù)相關(guān)且高度顯著， 邊際影響比值 表明公司的 投資者股利需求 每提高一個(gè)等級， 公司 分配現(xiàn)金股利的 概率與 公司不 分配現(xiàn)金股利的 概率之比變?yōu)樵瓉淼?倍； 也就是說，隨著 投資者股利需求的 提高 ，公司 分配現(xiàn)金股利的 概率 將降低，而 不分配現(xiàn)金股利的 概率 將增加。 2020 年至 2020 年的回歸結(jié)果存在相同的特征，即 公司 分配現(xiàn)金股利的 可能性 與 投資者股利需求 負(fù)相關(guān)，除 2020年以外，其余各年均具有 較高顯著性水平。 接著，我們在模型 1的基礎(chǔ)上引入了公司財(cái)務(wù)特征控制變量，建立模型 2。 模型 2： LogitP i = a + b1* DEMAND i + b2* Ln（ ASSET i） + b3* EPS i + b4* FCF i + b5* ROE i + b6* GROWTH i +ε i 在進(jìn)行 Logistic模型回歸時(shí)，我們采用條件參數(shù)似然比 逐步法進(jìn)行回歸， 2020年和 2020年，只有投資者股利需求和每股收益兩個(gè)變量進(jìn)入了回歸模型， 2020年和 2020年，共有投資者股利需求、每股收益和公司規(guī)模三個(gè)變量進(jìn)入了回歸模型。 回歸結(jié)果見表 4。 表 4 模型 2 的回歸結(jié)果 樣本 類型 回歸模型的顯著性檢驗(yàn) 參數(shù)顯著性檢驗(yàn) 變量 指標(biāo) 回歸 系數(shù) 標(biāo)準(zhǔn) 誤差 Wald 統(tǒng)計(jì)量 P 值 邊際影響比值 2020 年 樣本數(shù) : 1047 Chisquare= Nagelkerke R2= Sig.= 投資者股利需求 DEMAND 每股收益 EPS 公司規(guī)模 Ln(ASSET) 常數(shù) Constant 2020 年 樣本數(shù) : 1050 Chisquare= Nagelkerke R2= Sig.= 投資者股利需求 DEMAND 每股收益 EPS 公司規(guī)模 Ln(ASSET) 常數(shù) Constant 2020 年 樣本數(shù) : 958 Chisquare= Nagelkerke R2= Sig.= 投資者股利需求 DEMAND 每股收益 EPS 常數(shù) Constant 2020 年 樣本數(shù) : 854 Chisquare= Nagelkerke R2= Sig.= 投資者股利需求 DEMAND 每股收益 EPS 常數(shù) Constant 從 2020年的回歸結(jié)果看，模型的 擬合優(yōu)度指標(biāo) Nagelkerke R2=， 說明模型擬合 得比較 好 ； 該模型的 Chisquare檢驗(yàn)值為 ，顯著性水平為 ， 是統(tǒng)計(jì)性顯著的 。 投資者股利需求 的回歸系數(shù)為 ， Wald 檢驗(yàn)結(jié)果 P值為 ， 表明 公司 分配現(xiàn)金股利的可能性與 投資者股利需求 負(fù)相關(guān)且高度顯著， 邊際影響比值 投資者股利需求 每提高一個(gè)等級， 公司 分配現(xiàn)金股利的 概率與 公司不 分配現(xiàn)金股利的 概率之比變?yōu)樵瓉淼?； 另外， 公司 分配現(xiàn)金股利的可能性 與 每股收 益 和 公司規(guī)模 正相關(guān) 且高度顯著， 邊際影響比值分別為 ，說明 每股收益 對決定公司是否發(fā)放概率具有極其重要的影響作用。 2020年至 2020年的回歸結(jié)果表明， 投資者股利需求與 每股收益兩項(xiàng)指標(biāo)與 2020年存在相同的特征，即 在 較高的顯著性水平下 ， 公司 分配現(xiàn)金股利的可能性 與 投資者股利需求 負(fù)相關(guān)，與 每股收益正相關(guān)；公司規(guī)模指標(biāo)則沒有表現(xiàn)出強(qiáng)的相關(guān)性。 考慮到我國特殊的股權(quán)結(jié)構(gòu)，我們在模型 2 的基礎(chǔ)上進(jìn)一步引入 股權(quán)結(jié)構(gòu) 控制變量，建 7 立模型 3。 模型 3： LogitP i = a + b1* DEMAND i + b2* Ln（ ASSET i） + b3* EPS i + b4* FCF i + b5* ROE i + b6* GROWTH i +b7*CINDEX+ b8*PROP+ε i 同樣地，在進(jìn)行 Logistic 模型回歸時(shí)，我們采用條件參數(shù)似然比 逐步法進(jìn)行回歸， 2020年，只有投資者股利需求和每股收益兩個(gè)變量進(jìn)入了回歸模型； 2020 年和 2020 年，共有資投者股利需求、每股收益和股權(quán)集中度指數(shù)三個(gè)變量進(jìn)入了回歸模型； 2020 年，共有投資者股利需求、每股收益、公司規(guī)模和股權(quán)集中度指數(shù)四個(gè)變量進(jìn)入了回歸模 型。 回歸結(jié)果見表 5。 表 5 模型