我國上市公司ROE預(yù)測研究(下)

　　（上接2011年第30期118頁）
　　同理，CVCS模型相對于ROE模型來說，其預(yù)測誤差絕對值的均值減少0.0000289（P<0.05）；CASHFLOW模型相對于ROE模型其預(yù)測誤差絕對值的均值增加0.0004073（P<0.001）。其他兩兩模型間誤差絕對值的均值關(guān)系比較類同。因此，配對檢驗結(jié)果證實了相對總括ROE模型而言，將總括盈余按修正的ROE模型、成本性態(tài)的CVCS模型以及OPINC模型進(jìn)行分解提高或者說改進(jìn)了預(yù)測ROE的準(zhǔn)確程度。但是，將總括盈余分解為現(xiàn)金流量與應(yīng)計利潤并沒有改進(jìn)預(yù)測ROE的能力。
　?。?）時間序列預(yù)測模型誤差絕對值中位數(shù)與均值的絕對精確程度與相對精確程度計算
　　為了評價五個時間序列預(yù)測模型對盈余分解后提高預(yù)測程度，我們分別計算預(yù)測準(zhǔn)確度較高模型相對于預(yù)測準(zhǔn)確度最低模型的預(yù)測誤差絕對值中位數(shù)和均值的提高的絕對精確值和相對精確值。我們在計算預(yù)測誤差絕對值中位數(shù)的絕對值時是以預(yù)測效果最差的模型為標(biāo)桿，將預(yù)測效果最差的模型預(yù)測誤差的絕對精確值的中位數(shù)與其他預(yù)測效果較好的模型的預(yù)測誤差的絕對值的中位數(shù)分別相減便得到各個預(yù)測效果較好模型相對于預(yù)測效果最差模型預(yù)測誤差的絕對值的中位數(shù)提高的絕對精確值。例如，在計算各模型預(yù)測誤差絕對值的中位數(shù)提高絕對準(zhǔn)確值時，我們以預(yù)測效果最差的CASHFLOW模型作為標(biāo)桿，將標(biāo)桿模型的誤差絕對值的中位數(shù)與其他預(yù)測效果較好的模型的中位數(shù)相減，分別計算出預(yù)測誤差絕對值的中位數(shù)提高的絕對精確值，如CVCS模型提高的絕對精確值為.021378－.0212232＝ .0001548。我們在計算預(yù)測誤差絕對值中位數(shù)的相對精確值時是將預(yù)測效果最差模型的絕對值的中位與預(yù)測效果最好模型的絕對值的中位數(shù)之差作為100％，即用預(yù)測效果最好模型提高的絕對精確值除以其本身。其他預(yù)測模型的相對精確值分別用該模型所得到的絕對精確值除以預(yù)測效果最好模型提高的絕對精確值。例如，CVCS模型相對于修正ROE模型提高的相對精確程度為.0001548/.0029941＝5.17％。同理，預(yù)測誤差絕對值均值的絕對準(zhǔn)確程度和相對準(zhǔn)確程度的計算原理和方法同上述預(yù)測誤差絕對值中位數(shù)的原理和計算方法相同。我們并沒有以簡單模型為標(biāo)桿計算復(fù)雜模型相對簡單模型的預(yù)測誤差絕對值的減少百分比。當(dāng)然，以簡單模型為標(biāo)桿更直觀地反映依據(jù)復(fù)雜模型分解盈余相對于簡單的基本ROE模型的預(yù)測盈余以及盈余派生指標(biāo)ROE的預(yù)測準(zhǔn)確程度。但是，以預(yù)測誤差絕對值最大為標(biāo)桿也能較好地反映復(fù)雜模型相對于基本ROE模型的預(yù)測改進(jìn)能力的絕對程度和相對程度。因為，我們可以將排在基本ROE模型之前的復(fù)雜模型認(rèn)定為其預(yù)測能力改進(jìn)程度較基本的ROE模型差。我們的計算是通過手工完成的。
　　從描述性統(tǒng)計報告中我們可知，CASHFLOW模型的預(yù)測誤差絕對值最大，因此，我們以CASHFLOW模型的預(yù)測誤差的絕對值為標(biāo)桿，分別計算其他四個時間序列模型相對于CASHFLOW模型的預(yù)測誤差絕對值減少的百分比。其他四個時間序列模型同CASHFLOW模型間特定的預(yù)測誤差準(zhǔn)確度反映了與CASHFLOW模型間存在的總量 “信息溝”。CVCS模型相對于CASHFLOW模型的預(yù)測誤差絕對值的中位數(shù)提高了5.17；OPINC模型相對于CASHFLOW模型的預(yù)測誤差絕對值的中位數(shù)提高了6.39；ROE模型相對于CASHFLOW模型的預(yù)測誤差絕對值的中位數(shù)提高了16.29。同理，對于預(yù)測誤差絕對值均值的提高的絕對程度和相對程度是，ROE模型相對于CASHFLOW模型的預(yù)測誤差絕對值的中位數(shù)提高了12.16； CVCS模型相對于CASHFLOW模型的預(yù)測誤差絕對值的中位數(shù)提高了13.03；OPINC模型相對于CASHFLOW模型的預(yù)測誤差絕對值的中位數(shù)提高了23.46。其結(jié)果計算如表7、表8所示。
　　4、時間序列預(yù)測模型預(yù)測能力實證檢驗結(jié)論
　　我們分別從運用4年時間窗口的行業(yè)水平下隨機系數(shù)回歸分析、模型預(yù)測誤差絕對值的中位數(shù)和均值的描述性統(tǒng)計、模型預(yù)測誤差絕對值中位數(shù)和均值的配對比較、計算模型預(yù)測能力改進(jìn)的絕對準(zhǔn)確程度和相對準(zhǔn)確程度等四個角度來研究五個時間序列模型預(yù)測能力時，即預(yù)測準(zhǔn)確能力。所有的分析結(jié)果均嚴(yán)格一致地表明：在預(yù)測未來一期ROE方面，與忽視盈余組成部分特征的基本ROE模型相比，將會計盈余按滯后期盈余、滯后期盈余盈虧符號為啞變量，以及滯后期盈余、滯后期盈余盈虧符號為啞變量之間乘積等三個變量對盈余進(jìn)行分解所得到的修正ROE模型始終能提供增量的預(yù)測含量，即該模型的預(yù)測能力最好。同時，我們還發(fā)現(xiàn)，運用現(xiàn)金流量和應(yīng)計利潤對對總括盈余進(jìn)行分解的CASHFLOW模型預(yù)測其預(yù)測能力一直最差。這兩個模型預(yù)測效果始終保持嚴(yán)格的一致性。我們從以上四個檢驗結(jié)果中不難發(fā)現(xiàn)，修正的ROE模型在4年期行業(yè)水平下的隨機系數(shù)回歸的調(diào)整后的平均R2最大；修正ROE模型預(yù)測誤差絕對值的中位數(shù)和均值的描述在五個時間序列預(yù)測模型中均最??；修正的ROE模型在模型預(yù)測誤差絕對值中位數(shù)和均值的配對比較中相對其他預(yù)測模型均減少；模型預(yù)測能力改進(jìn)的絕對準(zhǔn)確程度和相對準(zhǔn)確程度均最大；相反，CASHFLOW模型在以上四個方面的檢驗結(jié)果均一致地表明其預(yù)測能力最差；ROE模型、CVCS模型、OPINC模型的預(yù)測能力介于CASGFLOW模型與修正的ROE模型之間，但是這三個模型的預(yù)測能力的排序不具有嚴(yán)格的一致性。CVCS模型和OPINC模型從在4年期行業(yè)水平下隨機系數(shù)回歸分析的調(diào)整后的平均R2方面、預(yù)測誤差的絕對值的均值方面、模型間的預(yù)測誤差的絕對值配對檢驗方面、標(biāo)準(zhǔn)差的描述性統(tǒng)計等四個方面均表明優(yōu)于基本的ROE模型，只是在預(yù)測誤差中位數(shù)數(shù)方面沒有表現(xiàn)出優(yōu)于ROE模型。因此，修正的ROE模型的預(yù)測能力最強，其次是OPINC模型，再次是CVCS模型、基本的ROE模型，最后是CASHFLOW模型。
　　同時，五個時間序列模型預(yù)測能力四個角度的檢驗結(jié)果還表明，相對于簡單ROE模型而言，利用修正的ROE模型、CVCS模型、OPINC模型對扣除非常項目后的凈利潤（扣除非常項目后的總括盈余）分解進(jìn)行盈余以及其派生指標(biāo)的預(yù)測能夠提供增量的信息含量。但是利用CASHFLOW模型對扣除非常項目后的凈利潤分解進(jìn)行盈余以及其派生指標(biāo)的預(yù)測并不能提供增量的信息含量。
　　四、時間序列模型信息含量檢驗－與股票異常收益相關(guān)性檢驗
　?。ㄒ唬r間序列模型信息含量檢驗－與股票異常收益相關(guān)性總述
　　在前面的一部分中，我們主要通過比較五個時間序列模型來研究它們預(yù)測的準(zhǔn)確性。資本市場研究領(lǐng)域中度量盈余預(yù)測模型優(yōu)劣程度的另一個被廣泛運用的標(biāo)準(zhǔn)是評價盈余預(yù)測誤差（例如，取決于模型的未預(yù)期到的盈余或者說是意外的盈余）與當(dāng)期的股票收益之間的相關(guān)性（Fried和Givoly，1982；Brown等，1987；O’Brien，1988）。這個度量標(biāo)準(zhǔn)反映了盈余預(yù)測模型捕捉投資者的盈余預(yù)期的信息（或者說是信息含量）的能力。我們同樣假定中國的資本市場的盈余預(yù)測具有信息有效性，即中國資本市場是有效的市場。如果所選擇定的模型對市場的期望的模擬越接近，那么該模型所報告的未能觀察到的市場期望就越小，從而該模型的噪音也就越小。因此，我們希望能得到來自于該模型的預(yù)測誤差與當(dāng)期的股票異常收益率之間的相關(guān)性就越高（Foster，1977）。因此，時間序列預(yù)測模型的預(yù)測誤差與當(dāng)期的股票異常收益率之間相關(guān)性程度提供了一個度量五個可供選擇的時間序列模型的相對信息含量強弱的尺度。
　　
　　早期的研究發(fā)現(xiàn)，具有更高準(zhǔn)確度的預(yù)測模型未必在相關(guān)性程度上更強（Hughes和Ricks，1987；O’Brien，1988）。因此，我們評價五個時間序列預(yù)測模型的預(yù)測能力的優(yōu)劣程度是通過評價每個模型的預(yù)測誤差與當(dāng)期的投票異常收益率之間的相關(guān)性程度，并且相互比較五個時間序列模型之間的聯(lián)系。同樣，我們也遵從Dechow（1994）以Vuong（1989）所提出的似然比檢驗法來評價模型的相對信息含量。
　　總之，我們擬用三種方法評價五個時間序列預(yù)測模型，即首先，我們檢驗股票異常收益率與每個時間序列預(yù)測模型預(yù)測的預(yù)測誤差之間相關(guān)性，在檢驗相關(guān)性方面，我們又分別作了Spearman和Pearson相關(guān)性分析。其次，進(jìn)行年度截面回歸，然后以所有的樣本建立Pooled模型。每個模型在各個估計期間都有擬合系數(shù)（調(diào)整后的R2），它表示每個時間序列預(yù)測模型的預(yù)測誤差對股票異常收益率的解釋程度。但是，簡單地比較模型的擬合系數(shù)，無法提供統(tǒng)計上可靠的證據(jù)表明哪個模型的解釋能力更強。為了在統(tǒng)計上比較各個模型的解釋能力，Bowen等（1986）和Murdoch、Krause（1989）使用弗里德曼秩檢驗（Friedman'sTestofRanks）。但是，本研究采用的是橫截面預(yù)測模型，而非單個公司的時間序列模型，所以弗里德曼秩檢驗是不恰當(dāng)?shù)?。本文要比較的是一個相互競爭模型的預(yù)測能力，而且假定沒有優(yōu)劣之分；Vuong（1989）提供了一種似然比檢驗，并且沒有假定某個模型更接近于“真實的數(shù)據(jù)產(chǎn)生過程”；從直覺上看，Vuong檢驗?zāi)軌蚋嬖V我們哪個模型具有相對更好的解釋能力，并且，當(dāng)各個模型之間都可能相互存在增量解釋能力時，Vuong檢驗也能夠辨別模型的預(yù)測能力的優(yōu)劣。運用Vuong（1989）似然比檢驗所構(gòu)建的Z統(tǒng)計量的優(yōu)勢在于，在沒有假定某一個模型更具有解釋能力的時候，它能提供關(guān)于兩個互具競爭性的模型中那一個模型更接近能代表真實數(shù)據(jù)（實際數(shù)據(jù)）的模型的直接推斷。因此，本研究使用Vuong檢驗。如果模型1與模型2相比較（模型1 vs. 模型2），Vuong檢驗所構(gòu)建的Z統(tǒng)計量如果顯著為正，那么模型1預(yù)測能力更強；Z統(tǒng)計量如果顯著為負(fù)，那么模型2預(yù)測能力更強；否則就無法區(qū)分模型1與2預(yù)測能力的強弱。因此，最后，我們運用Vuong似然比檢驗所構(gòu)建的Z統(tǒng)計量來決擇模型的優(yōu)劣。
　　
　　上述五個公式里的RET是當(dāng)期年度的股票累計異常收益率。為了確定事件窗口的股票累計異常收益率，就必須確定事件窗口的大小及其股票累計異常收益率的計量。我們選擇年度事件窗口。與Fan和Wong（2002）一致，本文采用市場調(diào)整模型計算累計異常收益率，即股票實際的月收益率減去對應(yīng)的市場收益率，再進(jìn)行年度累計，其中累計窗口與會計年度相對應(yīng)，我們采用前一年5月份到當(dāng)年4月份為累計窗口。FEtROE、FEtOPINC、FEtCASHFLOW、FEtCVCS、FEtLROE分別表示建立在時間序列預(yù)測模型ROE模型、OPINC模型、CASHFLOW模型、CVCS模型和修正的ROE模型的預(yù)測誤差。
　　（二）數(shù)據(jù)來源
　　同樣，我們的數(shù)據(jù)來源于國泰安數(shù)據(jù)庫。如前方所述，每個時間序列預(yù)測模型的預(yù)測誤差是通過每個時間序列預(yù)測模型對未來一期的預(yù)測與該期的實際值之間差得到，RET是股票實際市場收益率與該上市公司個股收益率之差得到。在篩選數(shù)據(jù)時，我們剔除了12月31日沒有RET觀察值的個股；剔除了公司年度的股票異常收益率的觀察值的絕對值超過1的觀察值；我們還剔除了每個預(yù)測模型預(yù)測誤差大于99％和小于1％的極端值。我們最終的樣本一共得到來自2005-2006年505家上市公司的550個觀察值。我們運用Stata10.0統(tǒng)計軟件檢驗。
　?。ㄈ㏄earson與spearman檢驗
　　表9報告了時間序列預(yù)測模型的預(yù)測誤差與股票異常收益率之間的相關(guān)系數(shù)。Pearson（Spearman）相關(guān)性在對角線的上方（下方）。通過表9我們不難發(fā)現(xiàn)，我們所研究的五個時間序列預(yù)測模型中，修正的ROE模型的預(yù)測誤差與股票的異常收益的相關(guān)性是最高的，它們分別為Pearson ρ＝-0.2246，Spearman ρ＝-0.2607。CASHFLOW模型預(yù)測誤差與股票的異常收益的相關(guān)性是最低的，它們分別為Pearson ρ＝-0.1968，Spearman ρ＝-0.2332。其他模型預(yù)測誤差與股票的異常收益的相關(guān)性介于CASHFLOW模型與修正ROE模型之間。另外，這五個時間序列模型所產(chǎn)生的誤差與股票異常收益都具有高度相關(guān)性，因為它們具有相似的信息集合為基礎(chǔ)的——都是通過財務(wù)報表得到的財務(wù)信息。同樣，在這五個時間序列模型中，修正的ROE模型和CVCS模型實質(zhì)上具有相似一致的相關(guān)性，因為這兩個時間序列模型研究盈余質(zhì)量和盈余的持續(xù)盈利能力時，分別考慮了滯后年度的盈余是否大于零和認(rèn)為收入是創(chuàng)造盈余的關(guān)鍵驅(qū)動因素。當(dāng)然，如果有分析師預(yù)測數(shù)據(jù)的話，因為他們預(yù)測時不僅考慮了上市公司財務(wù)信息，而且考慮到了非財務(wù)方面的信息，所以，對于分析師的預(yù)測可能會比五個時間序列模型更準(zhǔn)確，其預(yù)測的誤差與股票的異常收益更相關(guān)，但是由于缺乏財務(wù)分析師預(yù)測數(shù)據(jù)，我們無法提供財務(wù)分析師預(yù)測結(jié)果的相關(guān)檢驗。同樣，由于缺乏所得稅數(shù)據(jù)，我們也無法提供我們所提出模型的相關(guān)檢驗。
　?。ㄋ模┕善碑惓Ｊ找媾c模型預(yù)測誤差回歸分析
　　我們對有關(guān)當(dāng)期股票異常收益及五個ROE預(yù)測模型的預(yù)測誤差的2005-2006年全樣本數(shù)據(jù)（550個觀察值）作了一個描述性統(tǒng)計，統(tǒng)計結(jié)果如表10所示。同期股票異常收益的中位數(shù)（均值）為.4561006（.4623407）；其他關(guān)系類同。
　　表11報告了股票異常收益與建立在五個時間序列預(yù)測模型對ROE的預(yù)測誤差之間關(guān)系的簡單回歸結(jié)果。從表11中我們發(fā)現(xiàn)，最高的調(diào)整后R2為0.0487，它是股票異常收益對建立在修正的ROE模型的預(yù)測誤差的回歸結(jié)果；最低的調(diào)整后R2為0.0370，它是股票異常收益對建立在CASHFLOW模型的預(yù)測誤差的回歸結(jié)果；股票異常收益對其他預(yù)測模型的預(yù)測誤差的簡單純線性回歸結(jié)果的調(diào)整后R2分別為：ROE模型的調(diào)整后R2為0.0389，OPINC模型的調(diào)整后R2為0.0415，CVCS模型的調(diào)整后R2為0.0426。
　　當(dāng)期股票異常收益對各模型預(yù)測誤差的簡單地回歸結(jié)果表明：調(diào)整后R2結(jié)果印證了同期的股票異常收益對各模型預(yù)測誤差之間相關(guān)性檢驗結(jié)果。即修正的ROE模型相關(guān)性始終最好，CASHFLOW模型相關(guān)性始終最差。其他模型的相關(guān)性介于修正ROE模型與CASHFLOW模型之間。這一結(jié)果，也印證了前一部分各檢驗?zāi)Ｐ皖A(yù)測ROE的預(yù)測能力。
　?。ㄎ澹┠Ｐ蜎Q擇Vuong的Z統(tǒng)計值檢驗
　　表12報告的結(jié)果建立在配對樣本比較的基礎(chǔ)上。配對樣本比較的結(jié)果表明，修正的ROE預(yù)測模型的相對信息含量大于其他任何一個預(yù)測模型。在五個時間序列預(yù)測模型中，我們可以發(fā)現(xiàn)，修正的ROE模型拒絕了與其相比較的所有其他四個時間序列預(yù)測模型，與ROE模型相比的Vuong檢驗的Z分值為1.0561（P＝0.2909），與CVCS模型相比的Vuong檢驗的Z分值為0.6019（P＝0.5473），與OPINC模型相比的Vuong檢驗的Z分值為1.2449（P＝0.2132），與CASHFLOW模型相比的Vuong檢驗的Z分值為0.7292（P＝0.4659），所有的配對比較都接受修正的ROE模型?？傊@些結(jié)果都一致地表明，修正的ROE模型在度量市場的盈余預(yù)測時比其他四個時間序列預(yù)測模型更具有相對信息含量，雖然Vuong檢驗結(jié)果的P值并不顯著，但不影響說明問題。
　　
　　我們的Vuong檢驗結(jié)果與Pearson與spearman檢驗、股票異常收益率對誤差的簡單回歸結(jié)果始終相一致。即Vuong檢驗結(jié)果再一次印證了修正ROE模型相對于其他預(yù)測模型最具有相關(guān)性，即：更具有信息含量；CASHFLOW模型的信息含量最差；其他預(yù)測模型如ROE模型、CVCS模型、OPINC模型的信息含量介于CASHFLOW模型與修正的ROE模型之間。
　?。r間序列預(yù)測模型信息含量結(jié)論
　　本章我們研究了五個時間序列預(yù)測模型對扣除非常項目后的凈盈余結(jié)構(gòu)的信息含量問題。我們從當(dāng)期股票異常收益與五個時間序列預(yù)測模型預(yù)測誤差之間相關(guān)性、當(dāng)期股票異常收益對五個時間序列預(yù)測模型預(yù)測誤差簡單回歸的調(diào)整后值、Vuong檢驗的Z分值等三個角度分別研究了五個時間序列模型的信息含量。這三個角度的檢驗結(jié)果均嚴(yán)格一致地表明，利用修正的ROE模型對扣除非常項目后的凈利潤進(jìn)行分解來預(yù)測未來期間的扣除非常項目后的盈余及其派生指標(biāo)最具有信息含量；而利用CASHFLOW模型對扣除非常項目后的凈利潤進(jìn)行分解來預(yù)測未來期間的扣除非常項目后的盈余及其派生指標(biāo)最不具有信息含量；其他模型如ROE模型、CVCS模型、OPINC模型對扣除非常項目后的凈利潤進(jìn)行分解來預(yù)測未來期間的扣除非常項目后的盈余及其派生指標(biāo)的信息含量介于CASHFLOW模型與修正的ROE模型之間。這種結(jié)果在以上三種檢驗中保持嚴(yán)格一致。因此，我們可以認(rèn)為，對于我國資本市場下預(yù)測扣除非常項目后的凈盈余及其派生指標(biāo)的信息含量的研究，我們可以選擇修正的ROE模型進(jìn)行研究，因為該模型包含信息含量最豐富。
　　五、研究結(jié)論、局限性與展望
　　比較扣除非經(jīng)常性損益后的凈利潤的五個時間序列ROE預(yù)測模型在預(yù)測能力與信息含量兩部分前后嚴(yán)格一致的結(jié)論和包括非經(jīng)常性損益凈利潤的五個時間序列ROE預(yù)測模型的預(yù)測能力及其信息含量實證結(jié)論，我們不難發(fā)現(xiàn)，我國證券監(jiān)督委員會制定了《公開發(fā)行證券公司信息披露編報規(guī)則第9號——凈資產(chǎn)收益率和每股收益的計算及披露》及其《公開發(fā)行證券的公司信息披露規(guī)范問答第1號——非經(jīng)常性損益》達(dá)到了真實、準(zhǔn)確反映上市公司盈利能力，客觀評價公司的盈利水平；為進(jìn)一步規(guī)范上市公司信息披露行為，提高上市公司財務(wù)信息披露的質(zhì)量，保護投資者的合法權(quán)益；為準(zhǔn)確考核上市公司、擬發(fā)行上市公司的盈利能力。
　　在本文中，我們研究了五個時間序列預(yù)測模型對扣除非常項目后的凈盈余結(jié)構(gòu)ROE的預(yù)測能力及其信息含量。其中，時間序列預(yù)測模型的ROE預(yù)測能力方面：修正的ROE模型的預(yù)測能力最強；CASHFLOW模型的預(yù)測能力最差；相對于簡單ROE模型而言，CVCS模型、OPINC模型對扣除非常項目后的凈利潤（扣除非常項目后的總括盈余）分解進(jìn)行盈余以及其派生指標(biāo)的預(yù)測能夠提供增量能力信息。時間序列預(yù)測模型的相關(guān)信息含量方面：利用修正的ROE模型對扣除非常項目后的凈利潤進(jìn)行分解來預(yù)測未來期間的扣除非常項目后的盈余及其派生指標(biāo)最具有信息含量；而利用CASHFLOW模型對扣除非常項目后的凈利潤進(jìn)行分解來預(yù)測未來期間的扣除非常項目后的盈余及其派生指標(biāo)最不具有信息含量；其他模型如ROE模型、CVCS模型、OPINC模型對扣除非常項目后的凈利潤進(jìn)行分解來預(yù)測未來期間的扣除非常項目后的盈余及其派生指標(biāo)的信息含量介于CASHFLOW模型與修正的ROE模型之間。綜合時間序列預(yù)測模型在ROE的預(yù)測能力與信息含量兩方面的結(jié)論，我們可以得出如下結(jié)論：時間序列預(yù)測模型中，修正ROE模型效果最優(yōu)；CASHFLOW模型效果最差。CVCS模型、OPINC模型與基本ROE模型效果介于CASHFLOW模型與修正ROE模型之間。
　　由于我們資本市場發(fā)展較晚，導(dǎo)致我們所研究樣本數(shù)據(jù)區(qū)間較短，這可能導(dǎo)致我們結(jié)論穩(wěn)健。我們假定我國資本市場具有市場效率，但我們資本市場效率并不象美國等發(fā)達(dá)國家資本市場那樣能捕捉到與未來盈余有關(guān)的信息含量。另外，與國外學(xué)者研究者對時間序列預(yù)測模型所考慮的的局限性相同，我們的研究還存在如下局限性問題，但同時也是會計學(xué)者的未來研究領(lǐng)域。
　　我們的研究對于未來的研究領(lǐng)域提出了幾個饒有興趣的問題。我們的相關(guān)分析是建立在市場效率的基礎(chǔ)之上的，我們沒有證實證券市場能否完全捕捉到與預(yù)測未來盈余有相關(guān)的成本彈性與成本剛性的信息含量。雖然成本彈性通常是一個很好理解的概念，但是直到目前為止，對于成本剛性的證據(jù)還不是很多，對于成本剛性的理解也比較困難。長窗口時間期內(nèi)投資者對有關(guān)未來盈余的成本剛性反映的理性預(yù)期的程度大小仍然是一個未解的問題。
　　我們只僅僅考慮利潤表數(shù)據(jù)的極少變量的模型。未來的研究領(lǐng)域包括對我們的模型的變量進(jìn)行拓展，可以包括另外一些影響投資者對盈余預(yù)測的變量，如有關(guān)新產(chǎn)品的引入或是工廠的關(guān)閉等變量。另外，為了發(fā)揮對評價過程的更好理解，我們構(gòu)建剛性成本性態(tài)的方法希望可以提供進(jìn)一步考慮應(yīng)計利潤金額和相關(guān)資產(chǎn)負(fù)債表項目影響。
　　我們的研究證實了簡單的成本彈性與成本剛性模型對未來盈利能力的分析具有預(yù)測信息含量。因此，這種成本性態(tài)模型構(gòu)成了一些管理會計系統(tǒng)對預(yù)算和差異分析的基礎(chǔ)，這些證明對于驗證支持他們模型設(shè)計的基本假設(shè)和指明了為了提高他們的設(shè)計包括成本剛性性態(tài)的重要性是很重要的。通過強調(diào)預(yù)測盈余時理解成本性態(tài)的重要性，我們的研究內(nèi)容為豐富未來研究，為整合管理會計與財務(wù)會計的不同領(lǐng)域的研究創(chuàng)造了條件。
　　參考文獻(xiàn)：
　　1、