臺灣博碩士論文加值系統

本文研究目的在於瞭解國軍財務單位業務推展之實況，進而協助管理階層全盤掌握地方單位作業概況，以加強修正弱點，提升組織競爭優勢，故藉由國軍財務單位年度稽核報告，試圖尋找影響績效之變數，進而建構具預測與鑑別效能之預警模式，期及早發現潛在危機。
　　我們採用廣義線性模型之邏輯斯分配去建構統計模型，並引進懲罰函數，建構懲罰概似函數，再同時去執行變數選取及參數估計，並說明了如何計算其懲罰概似估計量，並提供一準則去估計懲罰概似估計量之漸近變異數。
　　模擬例子裡，利用數個強韌統計量說明了透過Smoothly Clipped Absolute Deviation (SCAD)所得之參數估計量是具有統計大樣本性質，且透過各懲罰函數所得到之參數估計量皆比最大概似估計量還要來得精確。實例分析中，我們挑選出薪餉發放、業務費支付及資訊業務三個稽核項目，為顯著影響一個財務單位是否健全之重要因素，並建立財務預警模式，希冀透過此研究，能讓財務單位自身能及早發現其潛在危機，進而加以改善，預防財務弊端肇生。

The research purpose of this article is to understand the actual situation of the business promotion of the Armed Force Financial Section, and then help the management to grasp the overall situation of local unit operations in order to strengthen the correction of weaknesses and enhance the competitive advantage of the organization. Therefore, by reviewing the annual audit report of the financial section, it leads to find the variables that impact on performance, then build an early-warning model with predictive and discriminatory effects to detect potential crises.
　　We use the logistic distribution of the generalized linear model to construct a statistical model, and introduce a penalty function, construct a penalty likelihood function, and then perform variable selection and parameter estimation at the same time, and explain how to calculate its penalty likelihood estimator, and provide a criterion to estimate the asymptotic variation of the penalty likelihood estimator.
In the simulation example, several tough statistics are used to illustrate the smoothing clipped Absolute Deviation.
　　The parameter estimators obtained by (SCAD) are of a statistically large sample nature, and the parameter estimators obtained through each penalty function are more accurate than the most likely estimator. In the case analysis, we selected three audit items: salary distribution, fee payment, and information as variables that significantly affect the integrity of a financial section and establish a financial early warning model, we hope that through this study, the financial section itself can discover its potential crisis and improve it to prevent financial malpractice.

摘要 I
Abstract II
致謝 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章 緒論 1
研究動機與目的 1
第二章 邏輯斯迴歸預警模式之建立 4
第一節 財務預警模式之比較 4
第二節 稽核樣本選取 5
第三節 研究變數 5
1. 反應變數 5
2. 預測變數 6
第四節 正常與問題財務單位操作性定義 6
第五節 財務預警模式建構方法:邏輯斯迴歸模型之概似函數 6
第六節 懲罰函數(penalty function) 7
第七節 懲罰概似估計量(penalized likelihood estimator) 9
第八節 參數估計量的標準誤(standard error formula for estimator) 12
第三章 模擬結果 14
高維度問題上之懲罰概似估計量 14
第四章 實證研究 19
第一節 解釋變數之基本敍述統計 19
第二節 解釋變數之統計差異性 21
第三節 統計預警模型建模 23
第五章 結論與探討 26
附錄 27
一、Median Absolute Deviation (MAD) 27
二、k均值法(k-means method)：(周文賢，2002) 27
參考文獻 28
中文部份： 28
英文部份： 29

王靜宜 (2004)，私立大學院校財務預警模型之實證研究，私立中原大學會計學系碩士論文。
周文賢(2002)，多變量統計分析SAS/STAT使用方法，初版，台北：智勝文化。
胡柏存 (2011)，公司財務危機預警模型之研究-以美國商業銀行為例，元智科技大學資訊管理系碩士論文。
徐淑芳 (1999)，台灣上市公司財務危機預警─應用多變量CUSUM時間序列分析，東華大學企業管理碩士論文。
連志剛 (2013)，「無形資產、研發投入與公司財務危機預警模型之研究」，人文暨社會科學期刊，9(1)，21-33。
張大成 (2003)，「企業危機預測模型在臺灣的應用比較」，臺灣銀行季刊，54（4），147-163。
張啟任 (2012)，臺灣股票公開發行未上市櫃公司財務危機預測之研究，淡江大學金融學系碩士論文。
黃雅苹 (2010)，多期羅吉斯信用風險模型之台灣實證分析，東華大學會計與財務金融碩士論文。
陳生祥 (2005)，運用資料探勘技術建構企業財務危機預警模式--結合財務與非財務資料，中原大學資訊管理研究所碩士論文。
陳秀琪 (2006)，台灣電子業上市公司財務危機預警之研究，私立朝陽科技大學財務金融系碩士論文。
詹益宗 (2006)，財務危機預警模型之比較，國立交通大學財務金融研究所碩士論文。
戴姜慶 (2010)，應用類神經網路與遺傳演算法建構財務預警模型之研究-以台灣上市櫃公司為例，東吳大學經濟學系碩士論文。
藍受麟 (2009)，「國軍財務單位稽核預警模式之研究」，1-34，台北：主計季刊第327期。
藍受麟 (2011)，從內部控制觀點建構國軍財務單位預警模式之研究，國立台東大學資訊管理學系碩士論文。
Beriman, L.(1996), Heuristics of Instability and Stabilization in Model Selection, The Annals of Statistics. 24, 1996, pp. 2350-2383.
Craven, P., and Wahba, G.(1975), Smoothing Noisy Data with Spline Function: Estimating the Correct Degree of Smoothing by the Method of Generalized Cross-Validation, Numerische Mathematik. 31, 1979, pp. 377-403.
Fan, J., and Li, R.(2001), Variable Selection via Nonconcave Penalized Likelihood and Its Oracle Properties, Journal of the American Statistical Association. 96 (2001)：1348-1360.
Fan, J., and Li, R.(2002), Variable Selection for Cox’s Proportional Hazards Model and Frailty Model. The Annals of Statistics. 30 (2002)：74-99.
Hunter, D. R., and Li, R.(2005), Variable Selection using MM Algorithms. The Annals of Statistics. 33 (2005)：1617-1642.
Tibshirani, R.(1996), Regression Shrinkage and Selection via the Lasso. Journal of the American Statistical Association. 58 (1996)：267-288.
Tibshirani, R.(1997), The lasso Method for Variable Selection in the Cox Model. Statistics in Medicine. 16 (1997)： 385-395.
Wang, H., Li, R., and Tsai, C. L.(2007), Tuning Parameter Delectors for the Smoothly Clipped Absolute Deviation Method. Biometrika. 94 (2007)：553-568.