金融类上市公司经营绩效的分析毕业论文(编辑修改稿)

金融类上市公司经营绩效的分析毕业论文(编辑修改稿)内容摘要：

如果该统计量的观测值比较大，且对应的概率 p 值小于给定的显著性水平 ，则应拒绝零假设，认为相关系数矩阵不太可能是单位矩阵，原有变量适合作因子分析； KMO检验用于比较变量简单相关和偏相关系数， KMO的统计量如果小于 ，则不适合因子分析。 根据检验结果，巴特利特球度检验统计量的观测值为 ，相应的概率 p 为 ，小于 ，拒绝零假设，适合做因子分析。 同时， KMO值为 ，大于 ，也适合进行因子分析。 重庆理工大学毕业论文 金融类上市公司经营绩效的分析 11 提取因子 表 2 因子分析的初始解 Communalities Initial Extraction Zscore: 每股收益 .817 Zscore: 总资产报酬率 .830 Zscore: 总资产周转率 .959 Zscore: 净利润增长率 .934 Zscore: 总资产增长率 .763 Zscore: 主营收入增长率 .903 Zscore: 资产总额 .972 Zscore: 利润总额 .963 Zscore: 主营业务收入 .970 Extraction Method: Principal Component Analysis. 表 2为因子分析的变量共同度，它反映因子变量对原始变量总方差的解释比例，由第二列可知，提取四个特征根时，其 变量的共同度 超过了 75%， 各个变量的信息丢失都较少。 因此本次因子提取的总体效果较理想。 表 3 因子解释原有变量总方差的情况 Total Variance Explained Component Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 2 3 4 5 .447 6 .292 7 .098 8 .044 .491 9 .008 .091 Extraction Method: Principal Component Analysis. 在表 3中，第一组数据项（第二至第四列）描述了初始因子解的情况。 可以看到， 重庆理工大学毕业论文 金融类上市公司经营绩效的分析 12 第 1个因子的特征根值为 ，解释原有 9个变量总方差的 %，累计方差贡献率为 %； 第 2个因子的特征根为 ，解释原有 9个变量总方差 的 %，累计方差贡献率为 %。 其余数据含义类似。 在初始解中由于提取了 9个因子，因此原有变量的总方差均被解释掉；第二组数据项（第五至第七列）描述了因子解的情况。 可以看到，由于指定提取四个因子，四个因子共解释了原有 变量总方差的 %。 总体上，原有变量的信息丢失较少，因子分析效果较理想。 图 1 因子的碎石图 在 图 1中，横坐标为因子数目，纵坐标为特征根。 可以看到：第 1个因子的特征根值很高，对解释原有变量的贡献最大；第 5个以后的因子特征根值都较小，对解释原有变量的贡献很小，因此提取四个因子是合适的。 表 3和图 1都说明， 提取了四个因子， 基本反映了变量的绝大部分方差。 因子的命名解释 在因子载荷矩阵中，首先找出在每个因子上有显著负载的变量，根据这些变量的意义给因子一个合适的名称，具有较高负载的变量对 因子名称的影响更大。 根据以往研究表明，通常情况下绝对值大于。 负载的绝对值越大，在解释因子时越重要。 因子负载反映了观测变量和因子之间的相关系数，负载的平方表示因子所解释的变量的总方差。 因子载荷为负，并不代表小，只代表方向。 为了更好的理解公因子的实际意义进而对公因子进行命名，通常要对初始因子载荷矩重庆理工大学毕业论文 金融类上市公司经营绩效的分析 13 阵进行旋转，本文选用方差最大化方法对因子进行旋转，这种正交旋转方法可以使得每个公因子上具有较高载荷的变量数最小，因此可以简化对因子的解释。 经旋转后的因子载荷矩阵如下 : 表 4 旋转后的因 子载荷矩阵 Rotated Component Matrixa Component 1 2 3 4 Zscore: 利润总额 .961 .130 Zscore: 资产总额 .954 .154 Zscore: 主营业务收入 .876 .057 .417 .160 Zscore: 主营收入增长率 .039 .949 .001 Zscore: 净利润增长率 .077 .941 .123 Zscore: 总资产增 长率 .315 .726 .124 .349 Zscore: 总资产周转率 .977 Zscore: 每股收益 .219 .190 .836 Zscore: 总资产报酬率 .390 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations. 上表较为清晰的显示了公因子的经济意义，利用该矩阵，我们可以更好的解释公因子的含义。 第一公因子 1F 对 利润总额、资产总额和主营业务收入 这三 项指标具 有较高的载荷 ，最低载荷为 ，所以第一公因子 1F 可以充分反映这三 项指标所包含的信息， 可解释为 营运能力 因子； 主营收入增长率、 总资产 增长 率 、净利润增长率 在第2个因子上有较高的载荷，第 2个因子主要解释了这一 变量，可解释为 公司的 发展 能力因子 ；总资产周转率在第 3个因子上有较高的载荷，第 3个因子主要解释了这一变量，可解释为偿债 能力因子；每股收益 、总资产报酬率 在第 4个因子上有较高的载荷，第 4个因子主要解释了这一变量，可解释为盈利能力因子。 到这里，我们对 32家金融类上市公司各公因子的命名就做完了，同时对其经济意义也做了相关定义。 被选取的公因子、所含变量如下 ： 重庆理工大学毕业论文 金融类上市公司经营绩效的分析 14 因子名称 因子包 含变量 营运能力因子 利润总额、资产总额、主营业务收入 发展能力因子 主营收入增长率、 总资产增长率、 净利润增长率 偿债 能力因子 总资产周转率 盈利 能力因子 每股收益、总资产报酬率 计算因子得分 在对公因子进行命名和经济意义解释以后，需要对因子进行定量的测度，具体计算出每个因子对应每个样本数据的值，这些值就是因子得分。 求解因子得分的过程就是通过观测变量的线性组合来表示因子，因子得分就是观测变量的加权求和，权数的大小表示变量对因子的重要程度。 本文采用回归法得到因子得分系数，下表是通过SPSS软件运算得到的经正交最大化旋转后的因子得分系数矩阵。 表 5 因子得分系数矩阵 Component Score Coefficient Matrix Component 1 2 3 4 Zscore: 每股收益 .139 .632 Zscore: 总资产报酬率 .153 .262 Zscore: 总资产周转率 .020 .002 .691 .009 Zscore: 净利润增长率 .418 Zscore: 总资产增长率 .042 .264 .118 .136 Zscore: 主营收入增长率 .453 .027 Zscore: 资产总额 .339 Zscore: 利润总额 .346 Zscore: 主营业务收入 .327 .325 .072 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. 根据 上表 可写出因子得分函数： 1F = 1X 2X + 3X 4X + 5X 6X + 7X +0.346 8X + 9X 2F = 1X + 2X + 3X + 4X + 5X + 6X 7X 0.重庆理工大学毕业论文 金融类上市公司经营绩效的分析 15 017 8X 9X 3F = 1X + 2X + 3X 4X + 5X + 6X 7X 72 8X + 9X 4F = 1X 2X + 3X 4X + 5X 6X 7X 98 8X + 9X 金融类上市公司经营绩效得分情况 在计算出主因子得分情况后，要对 32 家金融类上市公司的经营绩效进行综合客观评价，因此要对结果进行定量分析，所得定量分析结果就可以看做是公司的综合绩效得分，与单个公因子得分析相比，综合绩效得分是综 合了三个公因子后的结果，因此可以较为综合客观的评价 32 家金融类上市公司的经营绩效情况，可以更加全面客观、综合直观表述 32 家上市公司的总体情况。 该计算法即，首先提取公因子得分，然后用加权的方法，按其贡献比重进行求和。 在这里，权重指的是各公因子旋转后所得方差贡献率 ，它们是全部公因子旋转后总方差贡献率所占的比重。 各因子得分见附表 2。 所以 32 家金。