5.5模型建立
利用SPSS软件对样本进行主成分分析，得到结果如下：
可以发现前四个主成分所涵盖的原始数据的方差变异己经超过了 80%,达到了80.815%,虽然之后的几个主成分因子依然包含有一定程度的原始数据信息，但是为了达到降维的效果，作者仅选取4个主成分进入到最终的多元线性判定模型中。
SPSS的输出结果中，还有因子载荷矩阵，该矩阵反映了每一个主成分因子对原始指标的描述情况。
可以发现，第一个主成分在销售利润率、净资产收益率、速动比例、权益比率、总资产增长率和现金比率上的载荷较高，一方面说明第一个主成分主要是刻画上市公司的盈利能力、偿债能力和成长能力，另一方面说明原始数据中销售利润率、净资产收益率、速动比例、权益比率、总资产增长率和现金比率存在一定程度的相关关系。
第二个主成分在存货周转率上载荷较髙，说明其主要刻画营运能力，第三个主成分在应收账款周转率上载荷较高，也说明其主要刻画营运能力，第四个主成分在总资产增长率上载荷较高，说明其主要刻画上市公司的增长能力。
根据各个主成分的贡献率，作者得到了主成分的预测函数：
在上表中，虽然非ST公司和ST公司在大部分的区间内都有重叠，但是可以发现，大部分的非ST公司都集中在0.25以上，而ST公司则大部分集中在0.25以下，所以本研宄中将确定Y的分割点为0.25,也就是当一个制造业上市公司的财务数据进入到本文所建立的多元线性判定模型中时，如果得出的Y值大于0.25,那么有很大的概率认为其不存在经营危机，那么投资于该证券的风险较小；如果计算得到的Y值小于0.25时，那么有很大的概率这家公司存在经营风险，投资于其发行的证券存在较大风险。
具体而言这个模型的内在工作机理如何，首先这个模型是一个线性模型，能够衡量的是自变量与因变量之间的线性关系。也就是说只有当自变量与因变量存在一定的线性关系时，这个模型才能起到较好的描述作用。但是在本课题的研究情形中，线性模型足以完成研宄任务，因为根据我们对于财务数据的传统认知，这些指标的表现与企业投资风险就是线性的。在这个前提下我们得到的模型形式，可以进一步进行整理，得到如下的形式：
可以发现，仅有F5的系数为负，这表明在应收账款周转率上的建模结果与我们之前的假设存在差异。对于除F5之外的其他指标系数均为正值，这表明当这些指标上升时，Y取值将变大，而投资于该企业的风险也将变小，这与我们之前的预期是一致的，也就是这些指标会呈现出与投资于该企业的风险呈现出负向的相关关系。
这个模型应用在风险预警中时，企业的投资部门工作人员可以每个交易日都利用该模型计算企业投资组合中每一个成分股的Y值，如果Y值大于0.25,那么继续持有不存在较大的风险；如果Y值小于0.25,那么继续持有可能存在较大的风险隐患。
5.6模型的不足
跟所有的实证研究相同，本文所构建的模型也存在一定的缺陷，除了之前提及的适用性较差，需要根据市场的波动重新建模之外，这个模型的缺点主要还体现在以下几个方面：
第一，该模型的信度完全取决于财务报告数据的准确性，但是该模型并不能判定财务报告数据的真实性。对于上市公司的管理层而言，上市公司财务舞弊并不一定代表其利益会受损，例如前几年的南纺公司财务造假案中，南纺公司高层在案发前就获得了不菲的经济收益。所以当上市公司公开发布的财报不能够真实客观地反映企业运营状况时，这个模型就会存在很大的系统性误差。
第二，从本质上讲，主成分模型是一种线性回归模型。线性模型要求样本数据必须满足正态分布。只有在这种条件下参数估计才是无偏的。但是我国上市公司数量较少，本文建模时所选择的样本数量也较少，因此样本数据的分布未必是正态分布，而且得到的参数估计也未必是无偏的。
第三，虽然量化指标能够显着地剥离主观因素对投资决策的影响，但是不可否认，非量化因素对于企业的影响有时更为关键，例如上市公司更换会计师事务所、财务总监离职等。但是这个模型未能够将这些因素纳入在内。
虽然模型存在某些缺陷，但是不可否认，多元线性判定模型技术简便、应用简单、便于推广，并且基本能够揭示企业证券投资风险，有效地进行预警。因此这种方法应当在企业制定投资决策，以及持有投资组合进行风险管理的过程中广泛使用。
