基于数据挖掘的上市公司会计信息失真识别模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 文献综述 | 第11-16页 |
| 1.2.1 国外研究文献 | 第11-13页 |
| 1.2.2 国内研究文献 | 第13-15页 |
| 1.2.3 文献述评 | 第15-16页 |
| 1.3 研究内容与方法 | 第16-17页 |
| 1.3.1 研究内容 | 第16页 |
| 1.3.2 研究方法 | 第16-17页 |
| 1.4 论文的创新之处 | 第17-18页 |
| 1.5 研究框架 | 第18-19页 |
| 2 相关理论与方法 | 第19-27页 |
| 2.1 会计信息失真 | 第19-22页 |
| 2.1.1 会计信息失真概念 | 第19页 |
| 2.1.2 会计信息失真原因 | 第19-21页 |
| 2.1.3 会计信息失真使用手段 | 第21-22页 |
| 2.2 数据挖掘方法 | 第22-27页 |
| 2.2.1 支持向量机 | 第22-24页 |
| 2.2.2 广义回归神经网络 | 第24-25页 |
| 2.2.3 决策树 | 第25-27页 |
| 3 样本数据及指标体系的构建 | 第27-35页 |
| 3.1 样本选取 | 第27页 |
| 3.2 指标构建 | 第27-29页 |
| 3.2.1 指标构建原则 | 第27-28页 |
| 3.2.2 初始指标体系的建立 | 第28-29页 |
| 3.3 主成分分析 | 第29-35页 |
| 4 会计信息失真识别模型构建 | 第35-45页 |
| 4.1 会计信息失真识别模型的选取 | 第35-36页 |
| 4.2 会计信息失真识别模型总体流程 | 第36-37页 |
| 4.3 基于支持向量机的识别模型构建 | 第37-40页 |
| 4.4 基于广义回归神经网络的识别模型构建 | 第40-41页 |
| 4.5 基于决策树的识别模型构建 | 第41-42页 |
| 4.6 对比分析 | 第42-45页 |
| 5 模型评估与综合识别模型构建 | 第45-49页 |
| 5.1 基于混淆矩阵方法的模型评估 | 第45-46页 |
| 5.2 基于主次因素分析法的综合识别模型构建 | 第46-49页 |
| 5.2.1 主次因素分析法 | 第46-47页 |
| 5.2.2 综合识别模型构建 | 第47-48页 |
| 5.2.3 综合识别模型的应用及分析 | 第48-49页 |
| 6 研究结论与建议 | 第49-53页 |
| 6.1 研究结论 | 第49页 |
| 6.2 相关建议 | 第49-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第59页 |
