小学期论文

产。这一指标越高，表明股东拥有的资产现值越多，上市公司创造利润的能力和抵御外来因素影响的能力越强。其传统计算公式为：每股净资产＝(所有者权益－优先股股利)÷发行在外的总股数。

（2）、自变量：每股收益 (EPS扣除) 每股收益，又称每股税后利润、每股盈余，它反映了每股创造的税后利润，其比率越高，表明所创造的利润越多，股东的投资效益越好。它是测定股票投资价值的重要指标之一，是分析每股价值的一个基础性指标，是综合反映上市公司获利能力的重要指标。其计算公式为：

每股收益＝(本期净收益－优先股股利) ÷期末发行在外的普通股股数。 而每股收益扣除是指每股股票收益扣除非经常性损益后的净值，包括非经常性损益在内的每股收益反映了公司的总体盈利状况，而扣除非经常性损益后的每股收益能更好地反映该公司主营业务的盈利状况。由于公司未来持续、稳定的营收获利主要依赖于主营业务，因此本文对公司的投资价值评价也更多地参照扣除非经常性损益后每股收益这一指标。

（3）、因变量：股票价格

在中国股市上，上市公司公布年报的时间是在次年1月到4月间公布的，一般在次年的1月初就会有相关的年报公布预约披露时间出来让投资者有一个时间准备。不同企业的公布时间并不一致，为了有效地反映价格变动趋势，本文针对每个研究年度次年的(1－4月)每个交易日收盘价的平均值，把它定义为P0 ，同时，为研究变量对价格在不同时间段上的不同解释能力，以P0计算期为标准向前和向后移动，向前移动1个月份，向后移动2个月份，这样就得到4个移动平均价格，分别为P-1、P0、P1和P2。实证分析中用到的变量及其定义如表3-1所示。

表3-1 变量定义 变量字符 EPS NAVPS P-1 P0 P1 P2

变量类型 自变量 自变量 因变量 因变量 因变量 因变量

变量含义 每股收益（扣除） 每股净资产

本年12月到3月收盘价的平均值 次年1月到4月收盘价的平均值 次年2月到5月收盘价的平均值 次年3月到6月收盘价的平均值

这样得到的价格与平均期间内的月收盘价格一定会存在区别，但本文是从价值投资角度来研究财务状况与股票价格的相关性，所以这样的处理并不会对实证的结论造成影响。

3.2.2 数据来源及处理软件的选择

本次实证研究以沪深300指数作为研究的样本，研究期间为2006－2008年。沪深300指数是由上海和深圳证券市场中选取300只A股作为样本，其中沪市有208只，深市有92只，沪市与深市之间具有较高的关联性。该样本覆盖了沪深市场六成左右的市值，具有良好的市场代表性，收益较好、风险较低、规模大、流通性强、会计数据完备。

在此样本基础上，剔除了ST公司、每股收益和每股净资产为负的公司，最终确定了189家上市公司作为研究样本（其中深市有60家，沪市有129家，详见附录2）。股票价格数据涉及到2006－2008年12月的每个交易日收盘价的平均值及2007－2009年1－6月的收盘价均值，财务指标数据涉及到2006－2008年的每股净资产和每股收益的截面数据。

以上所有涉及到的原始数据均来自于RESSET金融研究数据库以及证券行情软件。 在对原始数据的加工处理，如对样本的筛选、移动平均月收盘价采用OFFICE软件包中的EXCEL表格工具进行处理，在对数据回归分析时应用SPSS软件来实现。

在使用线性回归方法对数据的回归过程中需要注意的问题：l）、异方差的问题，2）、自相关的问题，3）、多重共线性的问题。

为了避免异方差的现象，在回归方法的选择上，选择加权最小二乘法，这样，如果出现异方差问题，就可以避免。本次实证模型中只有两个自变量，并且有相应的模型理论作为基础，所以不用考虑多重共线性问题。对于自相关问题，实证研究中所采用的数据为截面数据，不会涉及到自相关的问题。

3.2.3 相关性研究的预测 1）、F-O模型与其他价格模型相比较，它的自变量（每股收益和每股净资产）浓缩了企业财务状况的基本信息，并且在本章实证中选择股票价格时采用移动平均线的方法，消除或减少了偶然性的波动，这样处理更能反映价格变动趋势。所以该模型能够比较充分的解释股票价格，预计该模型解释能力会大于15%，并且每股收益对于股价的解释能力高于每股净资产。

2）、企业年报的公布时间是分布在1月到4月这个阶段上，而且实证研究中用到的数据是截面数据，这样从截面看，假设不同年报信息是被价格逐步吸收的，股票价格对于年报财务信息的吸收应该是逐渐实现的，也就是说，不同企业投资者根据不同时间公布的年报调整投资应该是有一个逐步实现的过程，那么股票价格对于年报信息的反应就应该是逐渐实现的。

3）、如果F-0模型能够较好的解释股票价格，那么经过一个时间段充分的吸收年报信息后，每股净资产和每股收益对于股票价格的解释能力应该在某个时段达到最强，即F-O模型对于股票价格的解释能力在该时段到达最强。

3.3 相关性结果分析与结论 3.3.1 相关性计算结果分析

通过相关分析可以检验变量之间的线性相关程度[7]。Pearson简单相关系数的计算是相

2?xyr??nn22?i?1(xi?x)?i?1(yi?y)?x?yi?1?n(xi?x)(yi?y)(积差相关系数)关分析的基础，其数学计算公式为：，

该等式符合自变量等间距或等比例的正态分布，

??0.05不相关,?通常取0.05r???0.05相关,?也有时取0.01或0.001即条件严格一些。

本文的样本数据利用SPSS 17.0软件运用相关分析法，考察财务指标与股票价格的相关性[8]。

（1）通过SPSS 17.0软件对我国上市公司股票价格P0与EPS、NAVPS逐年进行相关性分析，相关系数大小及其显著性检验结果表如下所示（表3-2、表3-3、表3-4）： 表3-2 2006年各变量间的相关关系表 P0 Pearson Correlation Sig. (2-tailed) N EPS .544** .000 189 NAVPS .507** .000 189 **. Correlation is significant at the 0.01 level (2-tailed). 表3-3 2007年各变量间的相关关系表 P0 Pearson Correlation Sig. (2-tailed) N EPS .625** .000 189 NAVPS .521** .000 189 **. Correlation is significant at the 0.01 level (2-tailed). 表3-4 2008年各变量间的相关关系表 P0 Pearson Correlation Sig. (2-tailed) N EPS .657** .000 189 NAVPS .626** .000 189 **. Correlation is significant at the 0.01 level (2-tailed). 从以上的相关关系表3-2、3-3、3-4中可知，2006年至2008年每年P0与EPS、NAVPS的显著性水平都为0.000 (Sig.(2-tailed))，这说明每股收益和每股净资产与股票价格都存在着十分显著的正相关关系，且每股净资产与股票价格的相关系数都在0.5以上，而在07-08年每股收益与股票价格相关系数达到了0.6以上。根据上表的相关系数，还证实了EPS解释能力高于NAVPS的预期结论。

（2）根据回归模型，

P0??0??1?NAVPS??2?EPS??，通过SPSS 17.0软件把EPS、

NAVPS对我国上市公司股票价格P0进行逐步多元线性回归分析法来估计模型参数。各水平均值差异显著，满足F?3.04或sig.?0.05，则该变量可进入回归方程；若F?3.04或sig.?0.1，则该变量必须剔除。

2006年估计结果如下（表3-5、表3-6）所示： 表3-5 ANOVA b（方差分析表） Model 1 Regression Residual Total Sum Squares 11123.899 19213.161 30337.060 of df 2 186 188 Mean Square 5561.950 103.297 F 53.844 Sig. .000a a. Predictors: (Constant), NAVPS, EPS b. Dependent Variable: P0 表3-6 Coefficients a（模型系数表） Unstandardized Coefficients Model 1 (Constant) EPS NAVPS Dependent Variable: P0 2007年估计结果如下（表3-7）所示： 表3-7 07年模型系数表 Unstandardized Coefficients Model 1 (Constant) EPS B 5.350 21.673 Std. Error 3.199 3.246 Standardized Coefficients Beta .497 76 72 6.60 t 1.66 .00B 1.254 11.406 3.007 Std. Error 1.836 2.495 .531 Standardized Coefficients Beta .311 72 .385 62 5.60 3 4.50 .00.544 3 t .685 .00Correlations Zero-PartSig. order ial .49 .507 8 .380 .317 .33Part .26Correlations Zero-PartSig. order ial .09 .625 0 .445 Part .37