会计数据分析方法的分析介绍

当前的计量经济学分析按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛，是当前经验会计研究的主流研究工具。

结构方程模型（Structural Equation Modeling，SEM）是社会科学研究中的一个非常好的方法。该方法在20世纪80年代就已经成熟，可惜国内了解的人并不多。在社会科学以及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（潜变量），这些都是传统的统计方法不能很好解决的问题。20世纪80年代以来，结构方程模型迅速发展，弥补了传统统计方法的不足，成为多元数据分析的重要工具（易丹辉，2008；吴明隆，2010）。相比于计量经济学方法，结构方程模型可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。此外，结构方程模型同时估计了因子结构和因子关系，也就避免了传统的路径分析方法中在模型构筑时的随意性。(www.xing528.com)

本书的实证部分将同时运用线性回归模型和结构方程模型检验研究假设。之所以用两种计量经济学方法同时检验本书的研究假设，是基于以下几点考虑：首先，相对于其他统计方法，线性回归模型对于验证我们想要关注的主要变量之间的直接关系具有不可比拟的优势，如线性回归模型可以在充分控制其他因素对被解释变量的情况下，清晰展示解释变量与被解释变量的线性关系；其次，如前一章所示，本书的实证理论框架是多层次的、结构性的，变量与变量之间的关系也是结构的，结构方程研究的就是变量与变量之间的结构关系；最后，同时利用线性回归模型和结构方程，实证结果可以相互印证、相互比较，以增强本书研究结论的稳健性。