| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1. 绪论 | 第11-21页 |
| ·选题背景及意义 | 第11-13页 |
| ·财务报告违规识别的研究综述 | 第13-17页 |
| ·国外相关研究现状 | 第13-15页 |
| ·国内相关研究现状 | 第15-16页 |
| ·文献评述 | 第16-17页 |
| ·本文研究思路与方法 | 第17-18页 |
| ·本文的创新与不足 | 第18-21页 |
| ·本文的创新 | 第18-19页 |
| ·本文的不足 | 第19-21页 |
| 2. 财务报告违规概述 | 第21-26页 |
| ·财务报告违规的内涵 | 第21页 |
| ·财务报告违规的动机和手段 | 第21-26页 |
| ·财务报告违规的动机分析 | 第22-24页 |
| ·财务报告违规的手段分析 | 第24-26页 |
| 3. 财务报告违规识别模型 | 第26-40页 |
| ·传统财务报告违规识别模型 | 第26-31页 |
| ·Logistic回归模型 | 第26-27页 |
| ·神经网络模型 | 第27-28页 |
| ·支持向量机模型 | 第28-30页 |
| ·RPART决策树 | 第30-31页 |
| ·RPART-AdaBoost模型介绍 | 第31-40页 |
| ·Boosting的分类算法 | 第32-33页 |
| ·AdaBoost的分类算法 | 第33页 |
| ·AdaBoost分类算法的具体实现 | 第33-35页 |
| ·AdaBoost算法的理论分析 | 第35-40页 |
| 4. 财务报告违规识别模型的实证分析 | 第40-56页 |
| ·样本的选择 | 第40-42页 |
| ·财务报告违规企业的样本选择 | 第40-41页 |
| ·对照样本的选择 | 第41-42页 |
| ·变量选取及数据预处理 | 第42-49页 |
| ·变量的选取 | 第42-43页 |
| ·缺失值处理 | 第43页 |
| ·变量的剔除——曼·惠特尼U检验 | 第43-45页 |
| ·标准化处理 | 第45页 |
| ·相关性检验 | 第45-49页 |
| ·RPART-AdaBoost模型的构建 | 第49-56页 |
| ·基于财务指标的RPART-AdaBoost模型 | 第49-53页 |
| ·引入非财务指标的RPART-AdaBoost模型 | 第53-54页 |
| ·RPART-AdaBoost模型的识别规则及结果 | 第54-56页 |
| 5. 各模型违规识别效果的比较 | 第56-65页 |
| ·传统的财务报告违规识别模型 | 第56-59页 |
| ·模型识别效果的比较分析 | 第59-65页 |
| ·以第Ⅱ类误判率最低为评价标准 | 第59-60页 |
| ·根据ROC曲线或AUC值评价模型 | 第60-65页 |
| 6. 研究结论 | 第65-68页 |
| 参考文献 | 第68-72页 |
| 后记 | 第72-73页 |
| 致谢 | 第73-74页 |
| 在读期间科研成果目录 | 第74页 |