5.3.3多变量回归结果和分析
（一）共线性诊断
对模型中的变量进行共线性诊断，通过计算进入模型变量的VIF值，结合相关性检验结果，对共线性严重的变量进行处理。两种股票BETA值计算之间有着强烈的共线性，通过分别进入模型模拟，BETATOTAL拟合效果没有BETACIR好，所以不再使用BETATOTAL；DA与DAMD之间严重共线性，模拟效果DAMD较好，所以只使用DAMD进入模型；LEV与其他多个变量（ROA、EXCEP）共线性太强，模拟效果也并不显著，去掉。PE与LOSS相关性太强，从很强的相关性来看，含义可以由LOSS代替，并且PE模拟效果不佳，去掉。在变量中，VIF最大的是INDRISK，原因之一是该指标与几个行业有共线性，所以在模型中采用行业变量作为控制变量的情况下，去掉该变量，从而考察各个具体行业的风险情况。
因为去掉的变量与其他一个或者两个变量之间存在高度共线性，上面去掉的变量的含义（本文指重大错报风险含义）都是可以由其他变量所代替；而且去掉的变量在预先进行模型中并不显著，所以去掉这些变量，对于模型的效果没有影响。而去掉这些变量后，再行模拟更具有稳健性。经过这样的处理后，模型中的变量的VIF指标均不高于5。一般地，方差膨胀因子VIF大于10，认为具有高的多重共线性。本章下面的模型中的自变量的VIF均小于5，不存在多重共线性问题。
（二）选择变量，进行回归
在排除了共线性的干扰后，采用如下方法选择变量，（a）Forward Stepwise（Conditional），向前逐步进入变量的方法选择变量。（b）Backward Stepwise（Conditional），向后逐步剔除最不显著的变量的方法，剔除标准为10%。（c）Backward Stepwise（Conditional），向后逐步剔除最不显著的变量的方法，剔除标准为50%。（d）全部进入的方法，将所有变量全部进入模型。
以上几种方法，结果显示的显著变量基本一致，只是向后剔除法比向前逐步进入多了两个显著变量（CIRV、REC）。经过对几种方法模型判别能力的对比，以上几种方法，结果显示的显著变量基本一致，只是向后剔除法比向前逐步进入多了两个显著变量（CIRV、REC）。经过对几种方法模型判别能力的对比，几个模型变量表现稳定，预测能力相似。
模型拟合效果很稳定。
通过对模型的自变量的情况进行分析，考察影响重大错报风险的因素。同时，借鉴张程睿、蹇静（2008）的做法，将变量分成财务类、公司治理类、市场环境类几个模型进行对比，观察几种模型的拟合情况，并对比判别能力，从而对各种影响重大错报风险的因素按照类别的重要性作出比较。
（三）检验结果和分析
模型1由于变量较为全面，能够比较全面考察自变量在模型中的显著性及影响大小（已经在共线性诊断部分排除了变量较多可能带来的多重共线性问题），模型1可以作为基本解释模型，而模型M5—2作为简化模型便于观察那些显著的变量，另外模型2的另外一个作用是验证了模型1中多数变量相关性及显著性是稳定的。
在前两个模型中，CIRV的显著性在两个模型中不一样。第一个模型中由于有更多的指标，CIRV并不显著。由于剔除了其他更不显著的变量，CIRV才变得显著，因此CIRV的显著性不稳定，但是毕竟在模型M5—2中是显著的，因此仍然有着一定的意义。REC在向前逐步进入模型中（未报出）没有进入模型，显著性分别为10%的水平。
模型2中其他的变量无论是向前、向后、或者全部进入，都是很稳定的，除了ST一个指标在5%水平山显著，其他自变量均在1%水平上显著。这些指标涉及公司治理类的有第一大股东的持股比例V1以及第一大股东的性质STATE，两者均与重大错报风险负相关。第一大股东的持股比例V1越大，重大错报越小，说明第一大股东的利益趋同使得上市公司经营更为稳健，上市公司利益与控股股东利益一致，第一大股东更有动机参与公司治理，降低了管理层舞弊的机会。
STATE与RMM负相关，说明国有控股的公司，重大错报风险较小，这与上市公司中国有控股公司的行业垄断地位，行业竞争处于优势，以及我国政府主导的经济环境有利于国有上市公司的经营是分不开的。结合GOVERNMENT变量不显著（变量显著性主要以M5—1、M5—2为准，其他模型只是说名各个项目的解释作用大小，模型M5—1、M5—2经过更多变量比较的结果更有说服力），说明国有控股上市公司，政府对上市公司管理层的压力并不大，这种压力并没有超过政府背景对上市公司带来的经营优势。国有上市公司出现了更为稳健的会计信息质量，还可能是因为上市公司虽然没有受到省级以下政府（GOVERNMENT）的影响，但是国有上市公司会不同程度的受到国家宏观调控政策的影响，除了上市公司经营并盈利，实现国有股东价值的增值、保值以外，管理层有着更多的政治方面的利益，从而相对于非国有控股公司更加重视政府监管部门的监管（有时候虽然处罚只是行政性的，没有过多的经济方面的影响），这样国有上市公司就会减少会计信息违规，受到的处罚较少。
M5—2中的长期债务比率LLEV与RMM负相关，而且负值数值较大，说明长期债务确实出现了对上市公司的约束作用，有利于上市公司的稳健经营。将LLEV更换为LEV，即资产负债率之后，模型总体变化不大，只是LEV系数虽然仍然为负，但是Probit值为0.5745，变得不显著。为什么模型中LLEV显著，用LEV更换LLEV之后，按道理说，LLEV是LEV的一部分，LEV为什么就不显著了呢？在描述性统计中可以看到，LEV与LLEV的平均值分别为0.7139和0.0817，LLEV在LEV中比例太小，大约为11.44%，再加上LEV中SLEV的相反的作用，所以LLEV的作用在LEV中就不显著了。为了检验流动负债SLEV与RMM的关系，在模型M5—2中加上SLEV，结果负相关，但是不显著（Probit为0.8056）。虽然不显著，但是由于SLEV占LEV中的较大比重，所以LEV更多的反映了SLEV的特点，在模型中债务比率仅有LEV的情况下，LEV负相关，但是不显著。
那么长期债务比率较大，是不是因为这些上市公司有着政府背景，从而从国有银行获得了较多的长期贷款，从而将少了经营压力呢？作者在M5—2中加入交乘项STATELLEV回归，结果显示系数Probit为0.5975，说明长期债务并不是因为有着国有股第一大股东背景才会变得压力较小，而是确实是有着公司治理的作用。通过上述分析，可以得出关于债务方面的结论：长期债务比率起到治理作用，对管理层有着约束作用；短期债务增加了上市公司的还款压力，上市公司的管理里层的会计信息舞弊可能性增加。
环境变量中，LAW与RMM显著负相关。说明法律环境好的省份上市公司的自身权益受到了较好的保护，经营较好，管理层压力较小，重大错报较少；同时法律环境较好的省份客户权益所受到的保护环境较好，上市公司也相应受到了约束，会计信息造假的成本较高，所以抑制了上市公司会计信息舞弊行为。另外一个环境变量SHANGHAI与RMM负相关，这可能上市公司质量有关，但也可能与交易所监管力度有关系，原因不很清楚，模型中用此变量只是作为控制变量。
财务指标中，CASHFU显著正相关，说明经营现金流为负加大了管理层面临的资金压力，确实增加了上市公司的重大错报，验证了前面相应的分析，验证了舞弊三角形理论中关于管理层压力是舞弊的重要因素之一的说法。
流动比率（流动资产占总资产的比率）CURR与RMM负相关，与预期符号相反。看来流动性项目中，除了应收账款和存货（模型中已经控制）之外，其他的流动性项目存在着较大的错报机会（包括舞弊），这就提示，应当注重流动性项目中除了关注较多的应收账款和存货之外的其他项目的错报风险。为了进一步考察流动性项目中，除了存货和应收账款之外还有哪些项目重大错报风险较大，作者将流动性项目中的其它项目占总资产的比率纳入模型2进行回归。从回归结果来看，预付账款和其他应收款（下文分别用PREPAY和OTHERREC表示）比应收账款更为显著，系数分别为3.1185和1.8826，分别在1%水平上显著，而且加上这两个变量之后，CURR不再显著（系数0.4888，Probit为0.2082）。说明流动性项目中除了存货和应收账款之外，错报风险较大的就是预付账款和其他应收款。样本中含有预付账款和其他应收账款的个数分别达到9750个和9896个，占到样本量的9897的99%以上，平均比例分别为5.56%和3.82%（占总资产的比例），说明了这两个项目的重大错报风险有着重要的判别意义。
EPS，ROEL，LOSS，ST几个指标说明了盈利压力对于重大错报的关系。每股盈利越高，错报风险越小，相反，净资产利润率处于较低区间、当年发生亏损，以及被ST都说明盈利越差，盈利压力越大，错报风险越大。
与资产有关的几个变量，资产规模LNASSET，REC与RMM正相关，符合预期。但是INV负相关，与逾期不符。可能与被监管部门进行业务检查时并没有过多的检查存货项目，所以存货较多的公司并没有因为存货问题被查出违规，因为存货的检查需要更多的时间和人力投入，现场检查更为繁琐，特别是涉及到需要合并报表的上市公司的子公司的存货。无论是国外的研究，还是经典案例剖析，都说明了存货是高风险项目，但是检验结果并不符合预期，REPORTTIME，Z181两个指标分别与RMM正相关，符合前面的预期。
对比上面5个模型，可以看到，模型3、4、5的预测能力由大变小，说明财务模型预测能力最强，公司治理数据次之，环境指标跟公司治理指标的预测能力相近。说明对于重大错报风险的预测和判断应该以财务指标为主，并考虑环境和公司智力因素。
