【正文】 會計信息、公司治理、盈余管理(Model 7) 型一誤差 (四 )假說驗證 本小節(jié)將第三節(jié)所提出的五項研究預期，經(jīng)由上述實證分析結果，判斷是 否符合預期的方向。為便于閱讀與參考，茲將假說驗證結果匯總如表 15 所示。 表 15五項研究假設驗證匯總表 假說 預期 預期方向 /分類正確率 實證結果 系數(shù)或帄均數(shù) 假說是否成立 一 財務危機公司相對于正常公司，盈余管理程度較高 正常公司小于危機公司 正常： 危機： 在 1%水帄下顯著差異 二 盈余管理指標愈高，公司財務危機發(fā)生的機率愈高。 正向影響 (+) 在 1%水帄下顯著 三 加入盈余管理程度指標建立財務危機預警模型較只用純會計信息變量所建立之模型在分類正確率為佳。 提高分類 正確率 前一年： %至 % 前二年： %至 % 前三年： %至 % 除前三年外，均提高分類 正確率 四 加入公司治理變量之財務危機預警模型較只用純會計信息變量所建立之模型在分類正確率為佳。 提高分類 正確率 前一年： %至 % 前二年： %至 % 前三年： %至 % 前一年至前三年均提高分類正確率 五 整合加入公司治理變量和盈余管理指針下之財務危機預警模型較只用純會計信息變量之模型為佳。 提高分類 正確率 前一年： %至 % 前二年： %至 % 前三年： %至 % 前一年至前三年均提高分類正確率 三、 Logistic回歸分析之分類正確率 2 ? (二 )全樣本下模型配適力之匯整 ? 1 KolmogorovSmirnov檢定 ? 此類驗證指標的理論基礎是透過無母數(shù)檢定方法，檢定兩個獨立樣本是否取自同一母體 (亦即有相同的比例結構 )，由模型所估計出來的結果，兩母體 (即發(fā)生財務危機公司與正常公司 )的累積機率分配是否相同。若模型估計出兩樣本母體一致，其累積頻率該彼此相當接近，其差異則是隨機的。如果在某一階段累加相對次數(shù)差異太大，則表示兩組樣本有很大的可能性來自不同母體，即當檢定統(tǒng)計量太大時，應拒絕母體相同或一致的假設。本文中，若正常公司和違約公司累加相對次數(shù)差異太小，則表示此模型無明顯區(qū)分能力，無異于隨機的評估過程。 三、 Logistic回歸分析之分類正確率 3 ? 但是 KS檢定的統(tǒng)計量并無效力上的解釋，即最大差異量的大小不代表模型的優(yōu)劣，只能作為判斷是否拒絕虛無假設的依據(jù)。因此 KS檢定無法對模型做出何者較優(yōu)的結論。 Mays (2022)指出較低的 KS統(tǒng)計值并不代表模型相對較差，因此單純使用 KS最大差異量進行模型驗證，有可能產(chǎn)生偏誤。 三、 Logistic回歸分析之分類正確率 4 ? (Receiver Operating Characteristic Curve； ROC曲線 ) ? Mays (2022)指出一個好的財務危機預警模型主要特質(zhì)應該盡可能達到高的預測正確率 (亦即型一誤差要愈小愈好 )，同時又盡可能具有最低的預測錯誤率 (亦即型二誤差也要愈小愈好 )。在分析某一截斷點下之模型配適力，可分別計算出在某截斷點下預測正確率與預測錯誤率，最后在一個 X軸為預測錯誤率， Y軸為預測正確率之二維空間中連接各個點，此條曲線即為 ROC曲線。 三、 Logistic回歸分析之分類正確率 5 ? 從 ROC當中可以得到一個具體整體性經(jīng)濟意義的數(shù)值比率，這個比率由求算 ROC曲線以下的面積 而來，因此稱為「 曲線下區(qū)域 」 (area under curve；AUC)。 AUC值介于 0與 1之間，數(shù)值愈接近 1其正確率愈高。 AUC可解釋為在某一截斷點下，驗證模型對區(qū)別正常公司和出現(xiàn)財務危機公司的帄均能力。當AUC的區(qū)域為 ，表示模型區(qū)別正常公司和出現(xiàn)財務危機公司采取隨機的過程，此時模型毫無區(qū)隔能力；當 AUC的區(qū)域為 1時，表示模型為最佳。 三、 Logistic回歸分析之分類正確率 6 ? 本研究針對全樣本，進行財務危機預警模型的建置，藉以了解使用的樣本是否具有良好的模型配適力。若在全樣本下之模型配適力欠佳，代表樣本本身可能存在問題，并不具研究價值。由表 12實證結果顯示：七個模型全樣本的 AUC判斷準則下， AUC介于 ，其中樣本配適力最好的模型為會計信息、公司治理、盈余管理 (Model 7)，其余依次為會計信息、公司治理 (Model 6)，公司治理、盈余管理 (Model 5)，公司治理 (Model 4)，會計信息、盈余管理 (Model 3)，會計信息 (Model 2)，配適能力最差的則是盈余管理 (Model 1)，由上述可知，本研究所使用的樣本具區(qū)別能力與研究價值。 表 12全樣本下模型配適力統(tǒng)計分析表 (財務危機前ㄧ年至前三年 ) 模型Model KS統(tǒng)計量 ROC曲線下面積 AUC 配適力排序 前ㄧ年 前二年 前三年 前ㄧ年 前二年 前三年 盈余管理 (Model 1) 7 會計信息 (Model 2) 6 會計信息、盈余管理(Model 3) 5 公司治理 (Model 4) 4 公司治理、盈余管理(Model 5) 3 會計信息、公司治理(Model 6) 2 會計信息、公司治理、盈余管理 (Model 7) 1 表 13財務危機預警模型分類正確率之匯整 1單位： % 模型 樣本分群 前一年 前二年 前三年 盈余管理 (Model 1) 正常公司 危機公司 整 體 Cox amp。 Snell R2 會計信息 (Model 2) 正常公司 危機公司 整 體 Cox amp。 Snell R2 會計信息、盈余管理 (Model 3) 正常公司 表 13財務危機預警模型分類正確率之匯整 2單位： % 會計信息、盈余管理 (Model 3) 正常公司 危機公司 整 體 Cox amp。 Snell R2 公司治理 (Model 4) 正常公司 危機公司 整 體 Cox amp。 Snell R2 表 13財務危機預警模型分類正確率之匯整 3單位： % 公司治理、盈余管理 (Model 5) 正常公司 危機公司 整 體 Cox amp。 Snell R2 會計信息、公司治理 (Model 6) 正常公司 危機公司 整 體 Cox amp。 Snell R2 會計信息、公司治理、盈余管理 (Model 7) 正常公司 危機公司 整 體 Cox amp。 Snell R2 *使用切割點為 (二 )模型分類正確率之匯整 本文之 Logistic回歸分析模型共七種：盈余管理(Model 1)、會計信息 (Model 2)、會計信息及盈余管理 (Model 3)、公司治理 (Model 4)、公司治理及盈余管理 (Model 5)、會計信息及公司治理(Model 6)、及會計信息、公司治理及盈余管理(Model 7)對財務危機公司及財務正常公司之分類正確率進行歸納比較。 伍、結論 在財務危機公司分類正確率方面，本研究利用會計信息、公司治理變量和盈余管理指針分別建構七種模型，其中以整合 會計信息、公司治理變量和盈余管理指針 所建構之模型在財務危機公司分類正確率有最佳的預測能力，對財務危機公司之正確分類率分別為：發(fā)生 財務危機前一年為 %，前二年為%，前三年為 %，符合本研究假說五。