x13 0.271 -0.863 -0.219
表1顯示，主成分1中，X4、X5、和X6的負荷量較為明顯且集中，主要代表了企業的償債能力；主成分2中，X11和X13的負荷量明顯大於其他比率，代表了企業的成長能力；主成分3中，X9的負荷量為0.975遠高於其他指標，代表了企業的營運能力。最終，通過主成分分析，我們選取了X4、X5、X6、X9、X11、X13這六個指標。我們對這六個指標進一步做主成分分析發現：依舊根據特征根大於1取前三個主成分，但此時前三個主成分的累計方差貢獻率為85.982%，明顯大於上次的75.63%，說明模型得到了很好的改善。
（三）logistic回歸分析。
運用SPSS軟件對32家製造業上市公司的原始數據進行Logistic回歸分析，在分析時賦予非ST公司的值為0，ST公司的值為1，並把它作為因變量Y。把X4、X5、X6、X7、X9、X10、X11和X13作為自變量，並采用基於最大似然估計的向前逐步回歸法，選入自變量基於Score檢驗統計量，剔除變量基於最大偏似然估計的似然比檢驗結果。最終我們得到X6、X7、X9和X13這四個變量對總體的預測影響較大，其餘變量被係統剔除。經過4步計算，模型對樣本分類的準確率達到了90.6%，其中ST公司的判準率為87.5%，非ST公司的判準率為93.8%。並可建立logistic回歸方程：logit（P）=-1.276-4.868X6+0.027X7+3.709X9+0.7X13。而如果用主成分分析得出的結果，將X4、X5、X6、X9、X11、X13直接做二項logistic回歸，得出的總體準確率隻有84.4%，遠不如上述90.6%準確。因為用主成分分析忽略了X7指標對總體的影響。
五、研究結論
本文首先采用主成分分析的方法，對初始的13個財務指標進行篩選，最後得出X4、X5、X6、X9、X11、X13這六個指標，它們的累計方差貢獻率為85.982%，已近能很好的解釋整體，通過這六個指標的係數就可以比較好的判斷公司是否具有投資價值。但在實際應用中，主成分分析更多的隻是達到目的的中間手段，它往往會被作為許多大型研究的中間步驟，在對數據進行濃縮後繼續采用其它統計方法以解決實際問題。所以，我們由主成分分析篩選出的指標再進行logistic回歸，最通過這六個指標可以正確判斷總體84.4%的數據，但沒有通過用向前逐步回歸法進行logistic回歸後得出的準確率90.6%高。原因是因為在進行主成分分析時，我們把指標X7剔除了，但實際上X7對整體數據具有一定的解釋能力。因此，本文主成分方法沒有二項logistic回歸準確，二項logistic回歸不僅能篩選出較為精確的指標，而且能給出了模型對樣本分類的準確率，使模型具有更大的可信度。
所以，我們在分析製造業上市公司是否具有投資價值時，主要通過分析資產負債率、存貨周轉率、資產周轉率以及現金淨流量增長率這四個指標，就可以達到90.6%的準確率。但本文分析中也存在一些缺陷：首先，文章選取的樣本數量還不是很多，不足以說明全部問題；其次，所選的都是財務指標，沒有考慮非財務指標的影響，使模型準確度沒能達到更好。但文章的分析還是可以對投資者的投資行為有一定的啟發。
參考文獻：
[1]徐光華，吳明鳴.基於EVA 的行業財務預警模型研究——以滬市IT上市公司為例[J].經濟管理，2006，（12）.
[2]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001，（6）.
[3]張愛民，祝春山，許丹健.上市公司財務失敗的主成分預測模型及其實證研究[J].金融研究，2001，（3）.
[4]施靜嫻.我國製造業上市公司財務預警指標體係及實證研究[D].遼寧：東北財經大學，2010.