什么是一元判定模型

一元判定模型是以某一项财务指标作为判别标准来判断企业是否处于破产状态的预测模型。

在一元判定模型中，最关键的一点就是寻找判别阈值。通常需要将样本分为构建预测模型的“预测样本”，以及测试预测模型的“测试样本”两组。再将预测样本按照某一选定的财务比率进行排序，选择判别阈值点，使得两组的判误率达到最小。最后将选定的阈值作为判别规则，对测试样本进行测试。

一元判定模型使用方法简便，有比较强的预测能力，但一元判定模型只注重一项指标判断，企业管理人员很容易用各种方法粉饰这个指标，使企业表现出良好的财务状况。



一元线性回归模型的判定系数r2是什么的比值

（1）计算残差平方和Q=∑(y-y*)^2和∑y^2，其中，y代表的是实测值，y*代表的是预测值；

（2）拟合度指标RNew=1-(Q/∑y^2)^(1/2)

对线性方程：

R^2==∑(y预测-y)^2/==∑(y实际-y)^2，y是平均数。如果R2=0.775，则说明变量y的变异中有77.5％是由变量X引起的。当R2＝1时，表示所有的观测点全部落在回归直线上。当R2=0时，表示自变量与因变量无线性关系。

拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）R^2。R^2的取值范围是[0，1]。R^2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R^2的值越接近0，说明回归直线对观测值的拟合程度越差。

在古典假定中,一元线性回归模型与多元线性回归模型的区别

在古典假定中，一元线性回归模型与多元线性回归模型的区别有解释变量的个数、模型的经典假设、参数估计式。多元线性回归模型与一元线性回归模型的区别表现在如下几个方面：

一是解释变量的个数不同。二是模型的经典假设不同，多元线性回归模型比一元线性回归模型多了个“解释变量之间不存在线性相关关系”的假定。三是多元线性回归模型的参数估计式的表达更为复杂。

一元线性回归模型的基本假设条件有哪些

一元线性回归的基本假设有哪些，数学表达式如何

1回归模型是正确设定的

2解释变量X是确定性变量，不是随机变量，在重复抽样中取固定值

E(i)=0i=1,2, …,n

Var (i)=2i=1,2, …,n

Cov(i, j)=0i≠ji,j= 1,2, …,n

3解释变量X在所抽取的样本中具有变异性，而且随着样本容量的无限增加，解释变量X 的样本方差趋于一个非零的有限常数Cov(Xi, i)=0i=1,2, …,n

4随机误差项μ具有给定X条件下的零均值，同方差以及不序列相关性

i~N(0, 2 )i=1,2, …,n

5随机误差项与解释变量之间不相关

6随机误差项服从零均值，同方差的正态分布

回归分析主要内容：

1根据样本观察值对计量经济学模型参数进行估计，求得回归方程

2对回归方程，参数估计值进行显著性检验

3利用回归方程进行分析，评价及预测

虚拟变量的设置原则，引入方法和模型具体形式写出