更多CFA官方教材详解，请关注“边际实验室”。
“边际实验室”是一家专注于金融科技、金融大数据领域的工作室，同时提供CFA、FRM等金融考试内容的免费讲解。
分析师通常需要解释定性因变量的结果。定性因变量(也称为分类因变量)是作为因变量而不是自变量的虚拟变量。
例如，要预测公司是否会破产，我们需要使用定性变量(是否破产)作为因变量，并使用公司财务数据(例如股本收益率、债务杠杆率或信用评级等)作为自变量。不过，线性回归并不是估计这类模型最佳的统计方法。在金融变量作为自变量的回归中，使用定性因变量Y = [破产(= 1)或未破产(= 0)]作为因变量，我们估计以下线性概率模型：
概率(Yi = 1 | X1i，X2i，X3i)= pi = b0 + b1X1i + b2X2i + b3X3i +εi
但是，系数bi和Xi's的值得出的结果使得概率的预测值可能大于1或小于0。这些结果将是无效的。破产的可能性(或其他事情的可能性)不能大于1.0或小于0.0。
为了替代线性回归来估计破产的可能性，我们应该使用概率回归、Logistic回归或判别分析进行计算。
给定自变量的值，概率和Logistic回归模型用于估计离散结果的概率。Logistic回归广泛用于分类目标的机器学习应用中。用“p”表示条件满足或事件发生的概率。Logistic回归涉及对因变量进行建模，该因变量是概率之比(所关注事件发生的概率除以它未发生的概率)的自然对数。
该数量称为logit。这种变换使因变量和自变量之间的关系趋于线性化。估计的事件概率可以推导为：
等式的右侧是非线性S形函数，将概率估计值限制在0到1之间。
Logistic回归假设残差为logistic分布；此分布的形状与正态分布相似，但尾部较重。概率和logistic回归均通过最大似然法而不是最小二乘来法估计。
处理定性因变量的另一种技术是判别分析。Altman(1968，1977)在Z分数和Zeta分析中介绍了判别分析的结果。奥特曼(Altman)使用财务比率来预测是否会破产的定性因变量。判别分析产生类似于回归方程的线性函数，然后可以使用该线性函数来创建总分。根据分数，观察值可以分为破产或非破产类别。
定性因变量模型不仅可以用于投资组合管理，还可以用于业务管理。例如，我们可能想预测客户是准备继续投资还是撤资。我们可能还想解释个人背景特征如何影响潜在投资者签约的可能性，或者根据目标受众的人口统计特征评估直邮广告的效果。
案例 解释分析师的考察范围
假设我们要调查哪些因素决定了某一公司是否在至少一位分析师的考察范围。我们可以采用概率回归来解决这个问题。样本包括2013年4619家上市公司。
概率模型中的变量如下：
ANALYSTS =离散因变量，如果至少有一名分析师考察了该公司，则取值为1；如果没有分析师考察公司，则取值为0。
LNVOLUME =该公司当年最后一个月交易量的自然对数。
LNMV =公司股票市值的自然对数。
MATURITY = 公司留存收益占总股本的比例(RE/TE)。
DIVPAYER = 虚拟自变量，如果公司支付了股利，则取值为1。
为了解释分析师的考察范围，我们研究是否有更多的流动性公司(如股票交易量所反映的)和规模较大的公司(如公司市值所反映的)更容易吸引分析师的观察。我们还研究了更成熟和完善的公司，如公司留存收益占总股本的比例以及是否支付股息等变量所反映的那样，是否更有可能被分析师关注。下表显示了概率估计的结果。
如该表所示，两个系数(除了截距之外)具有绝对值大于2.0的t统计量。LNMV的t统计量为13.7910。该值远远高于0.05水平上t统计量的临界值(1.96)，因此我们可以在0.05水平上拒绝LNMV系数为0的原假设，支持系数不为0的备择假设。第二个绝对值大于2的系数是DIVPAYER，其t统计量为5.9786。在0.05的显著性水平上，我们也可以拒绝公司支付股利虚拟变量的系数为0的原假设，支持系数不为0的备择假设。
在概率分析中，其余两个自变量在0.05水平上均无统计学意义。即没有一个达到需要拒绝零假设(系数显著不同于0)的临界值1.96。
本文由“边际实验室”原创，如需转载请务必注明出处。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
