研究概述
财务危机(Financial crisis)又称财务困境(Financial distress)，是指企业由于营销、决策或不可抗拒因素的影响，使经营循环和财务循环无法正常持续或陷于停滞的状态，具体表现包括持续性亏损、无偿付能力、违约和破产等。
研究意义
财务危机将给投资者、债权人以及银行等金融机构带来风险，所以他们都希望在投资决策时就能得到关于财务危机的警示。财务危机给企业和社会带来了严重的影响，适时、准确地对企业财务危机进行预测分析是市场竞争机制的客观要求。因此利用相关信息构建有效的财务危机预警模型，获得上市公司财务状况恶化的预警信号，对于投资者、债权人、经营者以及监管者等诸多方面都具有重要的现实意义。
判别分析
判别分析方法是英国统计学家Fisher最先建立的一种统计方法。在财务危机预测研究中，该方法使用多个变量进行判定分析，是多元统计分析中用于判别样本所属类型的一种统计方法。判别分析模型主要解决的问题是，在已知某些研究对象的分类情况后，再利用这些已知类别的样本生成一种判别标准，用以确定新的样本属于已知类别中的哪一类。两分类判别分析模型的思想，是通过将多维数据投影到某个方向上，投影的原则是将类与类尽可能地分开，然后再选择合适的判别规则，将待判的样品进行分类判别。
数据来源
打开数据概览如下所示：
依次单击菜单“分析—分类—判别式”执行判别分析过程。选择分组变量及自变量，并定义分组变量的范围是0到1。
单击统计量按钮，依次勾选如下三个复选框：博克斯(协方差检验)、费希尔(判别系数)、未标准化。点击“继续按钮”返回主面板。
单击“方法”按钮，依次勾选如下三个复选框：威尔克(判别统计量)、使用F的概率、步骤摘要(输出选项)，单击“继续”按钮返回主面板。
单击“分类”按钮，依次勾选根据组大小计算、分组、摘要表(分类结果摘要)，单击“继续”按钮返回主面板。
设置完毕后，点击确定，生成结果。
结果分析
“分类案例处理摘要”表格给出参与分析的数据信息，有效案例为185例，无缺失数据。
典型判别函数的检验。由于只有一个典型判别函数，所以它解释了所有的变异，并记录在了“特征值”表格里。而Wilks'Lambda检验的Sig远小于0.01，表示这个判别函数的判别作用是显著成立的。
变量选择过程的输出。给出了变量筛选的过程，在第1步加入了资产收益率变量，在第5步加入了总资产变量，并且每一步的wilks'Lambda检验都很显著(Sig值均远小于0.01)，这说明每一步加入的变量对正确判断分类都是有显著作用的。
标准化的典型判别系数。“系数”表格输出的是判别函数中各个变量的标准化系数，由此可以判断各函数主要受哪些变量的影响。“结构矩阵”表格给出的是判别变量和标准化判别函数之间的相关性数据，同样可以用来判断判别函数受哪些变量的影响较大。综合这两个表格的数据，认为此判别函数与资产收益率、存货流动负债比率、总资产的相关性较大。
Fisher判别系数。使用典型判别系数(标准化的或未标准化的)时，对每个观测先要计算出平面(或直线)坐标值，然后比较与类别重心的距离，再进行判别归类。相比而言，使用Fisher判别函数就要简单得多，对每个观测直接利用Fisher判别函数计算其属于各类的得分，并把此观测归入得分最高的一个类别即可。
最终判别的结果总结表。“分类结果”表格给出了典型判别函数的判别效果。首先，此判别模型对所有案例的分类准确率达到了93%，初始模型的92.4%的分类准确率有所提高，由此说明使用Separate-groups选项还是较为合理的；其次，93%的判断准确率也是比较高的，说明此判别分析模型能很好的用来预测上市公司的财务预警问题。
具体看来，原始数据里未ST的159家公司，经过模型判别有156家(98.1%)仍判定为未ST的；原始数据里的首ST的26家公司，经过模型判别有16家(61.5%)仍判定为首ST的，有10家首ST公司的财务状况预测错误。从后验概率的角度看，预测出19家财务危机预警的上市公司里，有16家(84.2%)是真的发生了财务危机。
