Таблица 3. Дескриптивная статистика изменений

Число наблюдений	89
Среднее значение	0,0103%
Медиана	0,5208%
Стандартное отклонение	6,98%
Максимум	20,81%
Минимум	-17,60%
Число положительные изменения	46
Число отрицательных изменений	43

Источник: расчеты автора

Согласно проведенному анализу, более половины сделок привели к приросту рентабельности компании по OCFROA.

Предполагается, что в таком случае, сделку можно назвать успешной, так как по прошествии двух лет, в среднем, ее реализация привела к росту компании.

Для более глубоко понимания связи между доходностями в пред - и постаквизиционный период, был проведен одномерный регрессионный анализ следующей модели:

, (8)

где:

- средняя рентабельность активов по операционному денежному потоку объединенной i-той компании в постаквизиционный период;

- средняя рентабельность активов по операционному денежному потоку гипотетически объединенной i-той компании в предаквизиционный период;

- коэффициент пересечения, отображающий аномальную доходность по сделкам;

- мера эффекта рентабельности компаний в предсделочный период на доходность в постаквизиционный период;

По результатам регрессионного анализа была получена следующая спецификация модели (в скобках значение t-статистики):

Таблица 4. Результаты регрессионного анализа зависимости доходностей в постаквизиционный период от доходностей до сделки

Из результатов следует, что рентабельность в постаквизиционный период находится в положительной зависимости от результатов гипотетически объединенной компании до сделки. Коэффициент пересечения равный 0,0718 являет собой - оцененную аномальную доходность и свидетельствует о том, что, контролируя финансовые результаты до сделки, по выборке наблюдается улучшение в операционном денежном потоке в постаквизиционный период.

Как было замечено ранее, некоторая доля оцененной разницы в показателях "до” и "после" сделки может появиться за счет отраслевых факторов, поэтому анализ необходимо провести также с учетом корректировки операционных денежных потоков по отраслям. Дескриптивная статистика результатов данного анализа представлена в Таблице 5.

Таблица 5. Дескриптивная статистика изменений

Число наблюдений	89
Среднее значение	-0,970%
Медиана	-2,690%
Стандартное отклонение	5,338%
Максимум	12,09%
Минимум	-26,46%
Число положительные изменения	38
Число отрицательных изменений	56

Источник: расчеты автора

Как видно из Таблицы 5, результаты по операционным показателям эффективности, скорректированным по отраслевому признаку, отличаются от результатов без соответствующей корректировки. Так, в данном случае лишь 38 сделок показали относительный прирост в операционном денежном потоке в постаквизиционный период.

Для показателей, скорректированных по отрасли, также был проведен одномерный регрессионный анализ, спецификация которого представлена ниже:

Таблица 6. Результаты регрессионного анализа зависимости постаквизиционных доходностей от доходностей до сделки, с корректировкой по отраслям (в скобках значение t-статистики).

По результатам оценки коэффициентов этой модели можно сделать вывод, что между операционными показателями эффективности "до” и "после" сделки, опять же наблюдается значимая положительная зависимость. Кроме того, оцененная аномальная доходность равняется 2, 59%, что несколько ниже, чем в случае, когда операционные показатели не скорректированы по отраслям, но тем не менее, свидетельствует об улучшении в операционных показателях компаний, участвующих в M&A.

Описанный в данном разделе анализ эффективности сделок M&A для выборки в исследовании был проведен с одной единственной целью - определить входные данные для зависимой переменной "успех", чтобы в дальнейшем использовать их для тестирования сформулированных в разделе 2.2 гипотез.

Цель раздела можно считать достигнутой. Для формирования зависимой переменной в дальнейшем будет использована информация, полученная по результатам, учитывающим влияние отраслевого фактора, так как целесообразно полагать, что они представляют собой более реалистичную картину рентабельности сделок.

3.3 Логистическая модель анализа релевантности гипотез исследования

Как было заявлено в разделе 2.3, для проверки релевантности выдвинутых гипотез следует использовать бинарные модели регрессионного анализа, так как в роли зависимой переменной выступает фиктивная переменная, принимающая значение "1" в случае, если сделка была определена как успешная, "0" - если результат сделки был признан нерентабельным. Эмпирическая модель была сформулирована следующим образом (раздел 2.3, формула (7)):

Регрессионный анализ был применен к нескольким вариациям данной модели, в зависимости от того, какие гипотезы проверялись на значимость. Конечные спецификации модели были выбраны исходя из значимости коэффициентов и модели в целом, ориентируясь также на показатели LR статистики и критериях Акаике и Шварца. Для тестирования моделей использовался эконометрическая программа EViews, полные выкладки по результатам анализа можно найти в Приложениях.

Первая протестированная модель имеет вид:

SUCCESS_i = б +в₁ *ACQSIZE_i+ в₂*MVBV_i+ в₃*PAYMENT_i+ в₄*PEXP_i+ в₅*CROSSB_i+ +в₆*TARLEV_i+ в₇*BETA+ e_i; (9)

Спецификация данной модели изложена в таблице 7.

Таблица 7. Логистическая модель №1

Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	5.037975	4.178408	1.205716	0.2279
ACQSIZE	-0.000131	6.16E-05	-2.129541	0.0332
MVBV	-2.163989	0.709044	-3.051981	0.0023
PAYMENT	0.287259	1.481865	0.193850	0.8463
PEXP	-0.158068	0.211760	-0.746450	0.4554
CROSSB	0.558282	1.425167	0.391731	0.6953
TARLEV	-0.121492	0.057761	-2.103356	0.0354
BETA	-2.912606	1.974902	-1.474810	0.1403
LR statistic	93.43809

Исходя из результатов можно говорить о том, что получила свое подтверждение гипотеза Н₁: коэффициент при переменной "acqsize" - отрицательный и является значимым на 5 % уровне, то есть как и в работах Moeller et. al. (2004) и Gorton et. al (2009), мы получили доказательство того, что чем ниже размер компании-покупателя, тем более вероятен удачный исход сделки. На 1% уровне значимости нашла свое подтверждение гипотеза H_3, отрицательный коэффициент говорит о том, что вероятность успешности сделки растет в случае, если статус компании-поглотителя к моменту сделки являлся "стоимостным”.

Для российского рынка M&A гипотеза H₆ оказалось не релевантной. Несмотря на то, что коэффициент при переменной "payment" положительный, он не значим. Возможно, такой результат получился в силу некоторой смещенности выборки по данной переменной: как оказалось на российском рыке большая часть платежей по M&A поступает в форме наличного расчета, в то время как выплата акциями встречается значительно реже. Не значимыми оказались и коэффициенты при переменных "pexp" и "crossb", то есть гипотезы Н₇ и Н₉ не получили своего подтверждения.

В следующей модели, контролируя прочие факторы проверялась значимость гипотезы Н_2.

Уравнение модели выглядит как:

SUCCESS_i = б +в₁ *RELSIZE_i+ в₂*MVBV_i+ в₃*PAYMENT_i+ в₄*PEXP_i+ в₅*CROSSB_i+ +в₆*TARLEV_i+ в₇*BETA_i+ e_i; (10)

Спецификация данной модели изложена в таблице 8.

Таблица 8. Логистическая модель №2

Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	4.952891	3.863074	1.282111	0.1998
RELSIZE	0.049939	0.241486	0.206798	0.8362
MVBV	-1.703225	0.736808	-2.311627	0.0208
PAYMENT	0.734680	1.344065	0.546611	0.5846
PEXP	-0.239537	0.192096	-1.246966	0.2124
CROSSB	0.482574	1.282489	0.376279	0.7067
TARLEV	-0.099857	0.056673	-1.761985	0.0781
BETA	-3.299100	2.080498	-1.585726	0.1128
LR statistic	90.22322

По результатам оценки коэффициентов регрессии можно сделать вывод о том, что гипотеза Н₂ не значима, то есть относительный размер компании-цели к компании-покупателя не оказал влияния на эффективность M&A компаний в выборке исследования. Стоит отметить, что выборки исследователей, в работах которых относительный размер компаний имел значения, носили специфический характер - Bruton et. al. (1994) рассматривали аквизиции компаний-целей, находящихся в затруднительном финансовом положении, Ahuja, Katila, (2001) изучали технологические аквизиции.

Так как выборка в данной работе подобных ограничений не имеет, то полученный результат интерпретировать с этой точки зрения. Прочие факторы в данном виде модели не изменили значимости своих результатов по сравнению с предыдущей. Далее, следуя логике Sudarsanam et. al. (2001) и исследованию КПМГ, контролируя прочие факторы, были проверены на релевантность гипотезы H₄ и Н_5. Тестируемая модель имела следующий вид:

SUCCESS_i= б +в₁ *ACQSIZE_i + в₂*PETAR_i+ в₃*PEACQ_i+ в₄*PAYMENT_i+ в₅*PEXP_i+ в₆*CROSSB_i+ +в₇*TARLEV_i+ в₈*BETA_i + e_i; (11)

Результаты регрессионного анализа представлены в таблице 9.

Таблица 9. Логистическая модель №3

Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	10.86514	6.152274	1.766036	0.0774
ACQSIZE	-9.86E-05	4.91E-05	-2.009080	0.0445
PETAR	-0.198208	0.074824	-2.648979	0.0081
PEACQ	-0.530723	0.232467	-2.283007	0.0224
PAYMENT	-0.779660	2.610601	-0.298651	0.7652
PEXP	-0.180658	0.275126	-0.656636	0.5114
CROSSB	1.275649	1.395471	0.914135	0.3606
TARLEV	-0.121910	0.063508	-1.919614	0.0549
BETA	-3.290368	2.141501	-1.536477	0.1244
LR statistic	95.52341

Результаты данной модели еще раз находят подтверждение тому, что "стоимостные" покупатели положительно влияют на эффективность M&A. Коэффициент при переменной "peacq" - отрицательный и значим на 5% уровне, что несколько уступает в значимости коэффициенту при переменной "mvbv" в логистической модели №1, однако по-прежнему делает статус компании-поглотителя релевантным фактором и подтверждает гипотезу Н₄. Статус компании-цели оказался также объясняющим некоторую вариацию в эффективности M&A. Коэффициент при переменной "petar" - отрицательный и значим на 1% уровне, что говорит о том, что в рамках данного исследования есть все основания полагать, что вероятность успешного исхода сделки увеличивается, если компания-цель имеет финансовый статус "стоимостной" компании к моменту M&A. Что касается прочих факторов: коэффициент при переменной "acqsize", относящейся к размеру компании-покупателя, является значимым и в этой спецификации модели (по-прежнему на 5% уровне значимости); коэффициенты при переменных "payment", "pexp" и "crossb" для данной спецификации остаются не значимыми, поэтому гипотезы Н₆, Н₇ и Н₉ не находят своего подтверждения.

Еще одна модель была проанализирована с целью проверить релевантность гипотезы Н₈ и имела вид:

SUCCESS_i = б +в₁ *ACQSIZE_i+ в₂*MVBV_i+ в₃*PAYMENT_i+ в₄*PEXPSQR_i+ в₅*CROSSB_i+ +в₆*TARLEV_i+ в₇*BETA_i+ e_i; (12)

Результаты данной модели представлены в Таблице 10.

Таблица 10. Логистическая модель №4

Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	4.384088	4.502413	0.973720	0.3302
ACQSIZE	-9.66E-05	4.45E-05	-2.169681	0.0300
MVBV	-1.797438	0.548699	-3.275819	0.0011
PAYMENT	0.309869	1.606766	0.192853	0.8470
PEXPSQR	-0.017817	0.017771	-1.002611	0.3160
CROSSB	0.548434	1.392669	0.393801	0.6937
TARLEV	-0.142690	0.069112	-2.064620	0.0390
BETA	-2.575470	1.763137	-1.460732	0.1441
LR statistic	93.67235

По полученным результатам можно сказать, что опыт проведения сделок по-прежнему остается не релевантным - коэффициент при переменной "pexpsqr" не является значимым, ввиду чего, основания говорить о наличие квадратичной зависимости рентабельности сделки от предыдущего опыта проведения сделок не приходится. Коэффициенты при прочих переменных не меняют свою значимость по сравнению с предыдущими моделями.

Итак, по результатам эмпирического исследования, проведенном в данном главе, можно судить о релевантности гипотез, выдвинутых в разделе 2.1 Свое подтверждение нашли гипотезы Н₁, Н₃, Н₄, Н_5, в то время как гипотезы Н_2, Н₆, Н₇, Н₈ и Н₉ не нашли подтверждения своей релевантности на российском рынке M&A.

Заключение

Данное исследование проводилось с целью выявить факторы, влияющие на успешность слияний и поглощений на российском рынке M&A.

По результатам обзора литературы были обнаружены основные факторы, которые могут влиять на успешность слияний и поглощений. Ими оказались размер компаний-участниц сделки, их финансовый статус, форма оплаты, опыт проведения M&A и транснациональный характер слияния. Далее по этим факторам, на основании проведенного обзора, были разработаны гипотезы для тестирования.

Прежде чем переходить к эмпирическому анализу, была проведена оценка успешности сделок M&A по выборке исследования. В результате было установлено, что из 89 слияний и поглощений в выборке, 38 оказались успешными; 51 сделка была признана нерентабельной. По этим данным была сформирована зависимая переменная для эконометрической модели.

Для тестирования релевантности выдвинутых гипотез был применен многомерный регрессионный анализ логистической модели, по итогам которого можно сделать следующие выводы. Размер компании-покупателя отрицательно влияет на успешность слияний и поглощений, то есть чем больше компания-покупатель, тем меньше вероятность рентабельности сделки. Таким образом, для российского рынка подтвердились результаты, полученные в работах Moeller et. al (2004) и Gorton et. al. (2009). Гипотеза о влиянии относительного размера компаний оказалась не значимой. Возможной причиной такого результата могло стать то, что выборка в данном исследовании не была ограничена каким-либо специфическим видом M&A, как в работах Bruton et. al. (1994) и Ahuja, Katila, (2001). Кроме того, было установлено, что финансовый статус компании является важным фактором в объяснении эффективности сделки - результаты анализа полностью соответствуют выводам Rau, Vermaelen (1998) и Sudarsanam et. al. (2001) и говорят о том, что вероятность успешного исхода M&A повышается в случае, если на момент аквизиции компании имели статус "стоимостных" фирм. На российском рынке метод оплаты не сыграл значительной роли в объяснении эффективности сделок. Опыт проведения M&A, как и транснациональный характер слияния, также не оказали значимого влияния на рентабельность сделок российских компаний.

Исследование эффективности M&A в данной работе сопоставимо с предыдущими исследованиями по этой теме на развивающихся рынках. В отличие от Kumar, (2009), который доказывает, что на индийском рынке показатели эффективности компаний в среднем не выявили улучшения после проведения сделки, и в отличие от Ismail et al. (2010) которые находят, что M&A Египетских компаний можно назвать успешными, только говоря о конкретной отрасли, в данном исследовании наблюдалось улучшение в операционных показателях компаний после заключения сделки. Лишь в работе Ramaswamy и Waegelein (2003) был проведен анализ факторов, влияющих на эффективность M&A. Авторы установили, что метод оплаты сделки не оказал значимого влияния на успешность M&A (как и в данной работе). Размер компании-покупателя оказался значимым фактором, однако в отличие от результатов данного исследования, его влияние было положительным - чем больше размер покупателя, тем более вероятен удачный исход сделки.

Гипотезы, не нашедшие в настоящем исследовании своего подтверждения, могут стать предметом для дальнейшего анализа, который поможет либо выявить другие формы зависимости, нежели предложены в данной работе, либо найти объяснение нерелевантности этих гипотез в случае с российским рынком в частности, или развивающимися рынками в целом.

успешность сделка поглощение слияние

Список литературы

Статьи:

1. Ahuja, G., Katila, R. (2001), "Technological Acquisition and the Innovation Performance of Acquiring Firms: A Longitudinal Study”, Strategic Management Journal, 3 (2): 197-220.

2. Bruton G.D., Oviatt B.M., White M.A. (1994), "Performance of acquisitions of distressed Firms”, Academy of management Journal.37 (4): 972-989

3. Cohen, W.M., Levinthal, D.A. (1990), "Absorptive capacity: a new perspective on learning and innovation”, Administrative Science Quarterly, Vol.35, pp.128-52.

4. Conn, R.L., A. Cosh, P.M. Guest, A. Hughes (2003)"The Impact on UK Acquirers of Domestic, Cross-border, Public and Private Acquisitions”, Journal of Business Finance & Accounting, 32 (5) & (6): 815-870

5. Demsetz, H., Lehn, K. (1985), "The structure of corporate ownership: causes and consequences”, Journal of Political Economy, 93 (6): 1155-1177.

6. Dewing A.S., (1921), "A Statistical Test of the Success of Consolidations”, The Quarterly Journal of Economics, Vol.36, No.1, pp.84-101

7. Fowler F.K., Schmidt D. (1989), "Determinants of tender offer post-acquisition financial performance”, Strategic Management Journal, 10 (4): 339-350.

8. Ghosh, A. 2001, "Does Operating Performance Really Improve Following Corporate Acquisition? ”, Journal of Corporate Finance 7: 151-178.

9. Gorton, G., Kahl, M., Rosen, R.J. (2009), "Eat or Be Eaten: A Theory of Mergers and Firm Size”, Journal of Finance, 64 (3): 1291-1344.

10. Hansen, R. (1987), "A Theory for the Choice of Exchange Medium in Mergers and Acquisitions, Journal of Business”, Vol.60, pp.75-95

11. Healy P. M., Palepu K., Ruback R. S. (1992), "Does corporate performance improve after mergers? ”, Journal of Financial Economics, 31: 135-175

12. Huber, G. (1991), "Organizational learning: the contributing processes and the literatures”, Organization Science, Vol.2 No.1, pp.88-115.

13. Ismail, T.H.,. Abdou A. A., Annis R.M., (2010), "Exploring Improvements of Post-Merger Corporate Performance - the Case of Egypt”, the Icfai University Journal of Business Strategy (forthcoming).

14. Jensen, M. (1986)"Agency costs of free cash flow, corporate finance, and takeovers”, American Economic Review 76 (2), pp.323-29.

15. Jung, K., Kim, Y., Stulz, R. (1996), "Timing, Investment Opportunities, Managerial Discretion, and the Security Issue Decision”, The Journal of Financial Economics, Vol.42, Issue 2, pp.159-185

16. Kelly E.M., (1968), "The Profitability of Growth Through Mergers”, The Journal of Finance, Vol.23, No.3, pp.546-547

17. Kumar, R., (2009),"Post-Merger Corporate Performance: an Indian Perspective", Management Research News 32 (2), pp.145-157.

18. Kusewitt J.B., Jr., (1985), "An Exploratory Study of Strategic Acquisition Factors Relating to Performance”, Strategic Management Journal, 6 (2): 151-170.

19. Lakonishok, J., Shleifer A., Vishny R., `Contrarian investment, extrapolation, and risk', Journal of Finance 49 (5) 1994, pp.1541-78.

20. Lang, L., Stulz, R., Walkling, R. (1991), "A Test of the Free Cash Flow Hypothesis: The Case of Bidder Returns”, Journal of Financial Economics, Vol.29, pp.315-335

21. Livermore S., (1935), "The Success of Industrial Mergers”, The Quarterly Journal of Economics, Vol.50, No.1, pp.68-96

22. Loughran T., Vijh A.M., (1997), "Do Long-Term Shareholders Benefit From Corporate Acquisitions? ” The Journal of Finance Vol.52, No.5 (Dec., 1997), pp.1765-1790

23. McCabe, G., Yook, K. (1997), "Jensen, Myers-Majluf, Free Cash Flow and the Returns to Bidders”, Quarterly Review of Economics and Finance, Vol.37, pp.697-707

24. Moeller S.B., Schlingemann F.P., (2004), "Global diversification and bidder gains: A comparison between cross-border and domestic acquisitions”, Journal of Banking & Finance 29 533-564

25. Moeller, S.B., Schlingemann, F.P., Stulz, R.M., (2004), "Firm Size and the Gains from Acquisitions”, Journal of Financial Economics, 73 (2): 201-228.

26. Myers, S. (1977), "Determinants of Corporate Borrowing”, Journal of Financial Economics, Vol.5, pp.147-175

27. Myers, S., Majluf N. (1984), "Corporate financing and investment decisions when firms have information that investors do not have”, Journal of Financial Economics 13 (2), pp.187-221.

28. Ramaswany, K., Waegelein J., (2003),. "Firm Financial Performance Following Mergers", Review of Quantitative Finance and Accounting 20, pp.115-126.

29. Rau, P. Raghavendra, Vermaelen, T. (1998), "Glamour, value and the post-acquisition perfor mance of acquiring firms”, Journal of Financial Economics 49, 223-253.

30. Seth, A. (1990), "Value Creation in Acquisitions: A Re-Examination of Performance Issues”, Strategic Management Journal, 11 (2): 99-115.

31. Sudarsanam S., Mahate A.A., Freeman A., (2001), " Glamour Acquirers, Method of Payment and Post acquisition performance: The UK evidence”, EFMA

Базы данных:

1. Bloomberg

2. Bureau van Dijk, Ruslana

3. Bureau van Dijk, Zephyr

Приложения

Приложение № 1. Описание переменных

OCF	Оперативный денежный поток, рассчитывается как выручку за вычетом себестоимости произведенной продукции, а так же торговых и административных издержек, плюс амортизационные отчисления по материальным нематериальным активам
TOTAL ASSETS	Бухгалтерская стоимость совокупных активов компании
OCFROA	Рентабельность активов по операционному денежному потоку, рассчитывается как отношение OCF/TOTAL ASSETS
IAOCFROA	Рентабельность активов по операционному денежному потоку, скорректированная по отрасли, вычисляется как разница между OCFROA компании и средним по индустрии OCFROA.
SUCCESS	Фиктивная переменная, принимающая значение "1" в случае, если сделка определена как успешная, ”0” - если результат сделки был признан нерентабельным.
ACQSIZE	Рыночная капитализация компании-поглотителя, предшествующая году совершения сделки
RELSIZE	Отношение рыночной капитализации компании-мишени к капитализации поглотителя, в год, предшествующий году сделки
MVBV	Коэффициент "цена/балансовая стоимость”, рассчитывается как рыночная капитализация компании к ее балансовой капитализации, измеряется за три месяца до объявления о сделке
PEACQ	Коэффициент "цена/чистая прибыль" компании-покупателя. Рассчитывается как отношение рыночной цены акций компании к чистой прибыли в расчете на одну акцию, измеряется за три месяца до объявления сделки
PETAR	Коэффициент "цена/чистая прибыль" компании-цели. Рассчитывается как отношение рыночной цены акций компании к чистой прибыли в расчете на одну акцию, измеряется за три месяца до объявления сделки
PAYMENT	Фиктивная переменная, которая принимает значение "1" в случае, если аквизиция была оплачена наличными, "0" - если в качестве метода оплаты использовались акции
PEXP	Количество завершенных сделок M&A компанией-поглотителем в период с начала ее существования и до текущей сделки
PEXPSQR	Количество завершенных сделок M&A компанией-поглотителем в период с начала ее существования и до текущей сделки, возведенное в квадрат
CROSSB	Фиктивная переменная, принимающая значение "1" в случае, если сделка носила транснациональный характер, "0" - если сделка была проведена между двумя компаниями - резидентами одной страны
TARLEV	Коэффициент левериджа целевой компании, рассчитывается как отношение долга компании к ее суммарным активам
BETA	Коэффициент учета риска по модели САРМ, в данном исследовании использовались значения по индустрии

Приложение 2. Дескриптивная статистика финальной выборки

Количество наблюдений	89
Период	2003-2010
Число успешных сделок	38
Число нерентабельных сделок	51
% сделок, оплаченных наличными	0,80
% транснациональных сделок	0,26
	Среднее	Стандартное отклонение	Медиана	Минимум	Максимум
Размер компании-покупателя	29686,29	23307,51	27902,52	396,03	98181,75
Коэффициент "цена/балансовая стоимость" компании-покупателя	2,73	1,87	2,60	0,10	11,38
Коэффициент "цена/чистая прибыль" (Р/Е) целевой компании	9,67	6,73	10,95	0,56	49,61
Коэффициент "цена/чистая прибыль" (Р/Е) компании-покупателя	10,54	8,41	8,95	0,59	42,68
Уровень левериджа целевой компании	15,69	8,79	16,29	0,00	30,91

Приложение 3. Логистическая модель №1

Dependent Variable: SUCCESS
Method: ML - Binary Logit (Quadratic hill climbing)
Sample: 1 89
Included observations: 89
Convergence achieved after 7 iterations
Covariance matrix computed using second derivatives
Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	5.037975	4.178408	1.205716	0.2279
ACQSIZE	-0.000131	6.16E-05	-2.129541	0.0332
MVBV	-2.163989	0.709044	-3.051981	0.0023
PAYMENT	0.287259	1.481865	0.193850	0.8463
PEXP	-0.158068	0.211760	-0.746450	0.4554
CROSSB	0.558282	1.425167	0.391731	0.6953
TARLEV	-0.121492	0.057761	-2.103356	0.0354
BETA	-2.912606	1.974902	-1.474810	0.1403
McFadden R-squared	0.796110	Mean dependent var	0.370787
S. D. dependent var	0.485752	S. E. of regression	0.180367
Akaike info criterion	0.448655	Sum squared resid	2.635109
Schwarz criterion	0.672353	Log likelihood	-11.96515
Hannan-Quinn criter.	0.538821	Deviance	23.93029
Restr. deviance	117.3684	Restr. log likelihood	-58.68419
LR statistic	93.43809	Avg. log likelihood	-0.134440
Prob (LR statistic)	0.000000
Obs with Dep=0	51	Total obs	89
Obs with Dep=1	38

Приложение 4. Логистическая модель №2

Dependent Variable: SUCCESS
Method: ML - Binary Logit (Quadratic hill climbing)
Sample: 1 89
Included observations: 89
Convergence achieved after 6 iterations
Covariance matrix computed using second derivatives
Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	4.952891	3.863074	1.282111	0.1998
RELSIZE	0.049939	0.241486	0.206798	0.8362
MVBV	-1.703225	0.736808	-2.311627	0.0208
PAYMENT	0.734680	1.344065	0.546611	0.5846
PEXP	-0.239537	0.192096	-1.246966	0.2124
CROSSB	0.482574	1.282489	0.376279	0.7067
TARLEV	-0.099857	0.056673	-1.761985	0.0781
BETA	-3.299100	2.080498	-1.585726	0.1128
McFadden R-squared	0.768718	Mean dependent var	0.370787
S. D. dependent var	0.485752	S. E. of regression	0.190057
Akaike info criterion	0.484777	Sum squared resid	2.925864
Schwarz criterion	0.708475	Log likelihood	-13.57258
Hannan-Quinn criter.	0.574943	Deviance	27.14516
Restr. deviance	117.3684	Restr. log likelihood	-58.68419
LR statistic	90.22322	Avg. log likelihood	-0.152501
Prob (LR statistic)	0.000000
Obs with Dep=0	51	Total obs	89
Obs with Dep=1	38

Приложение 5. Логистическая модель №3

Dependent Variable: SUCCESS

Method: ML - Binary Logit (Quadratic hill climbing)
Sample: 1 89
Included observations: 89
Convergence achieved after 7 iterations
Covariance matrix computed using second derivatives
Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	10.86514	6.152274	1.766036	0.0774
ACQSIZE	-9.86E-05	4.91E-05	-2.009080	0.0445
PETAR	-0.198208	0.074824	-2.648979	0.0081
PEACQ	-0.530723	0.232467	-2.283007	0.0224
PAYMENT	-0.779660	2.610601	-0.298651	0.7652
PEXP	-0.180658	0.275126	-0.656636	0.5114
CROSSB	1.275649	1.395471	0.914135	0.3606
TARLEV	-0.121910	0.063508	-1.919614	0.0549
BETA	-3.290368	2.141501	-1.536477	0.1244
McFadden R-squared	0.813877	Mean dependent var	0.370787
S. D. dependent var	0.485752	S. E. of regression	0.193038
Akaike info criterion	0.447696	Sum squared resid	2.981107
Schwarz criterion	0.699356	Log likelihood	-10.92249
Hannan-Quinn criter.	0.549133	Deviance	21.84497
Restr. deviance	117.3684	Restr. log likelihood	-58.68419
LR statistic	95.52341	Avg. log likelihood	-0.122725
Prob (LR statistic)	0.000000
Obs with Dep=0	51	Total obs	89
Obs with Dep=1	38

Приложение 6. Логистическая модель № 4

Dependent Variable: SUCCESS
Method: ML - Binary Logit (Quadratic hill climbing)
Sample: 1 89
Included observations: 89
Convergence achieved after 7 iterations
Covariance matrix computed using second derivatives
Variable	Coefficient	Std. Error	z-Statistic	Prob.
C	4.384088	4.502413	0.973720	0.3302
ACQSIZE	-9.66E-05	4.45E-05	-2.169681	0.0300
MVBV	-1.797438	0.548699	-3.275819	0.0011
PAYMENT	0.309869	1.606766	0.192853	0.8470
PEXPSQR	-0.017817	0.017771	-1.002611	0.3160
CROSSB	0.548434	1.392669	0.393801	0.6937
TARLEV	-0.142690	0.069112	-2.064620	0.0390
BETA	-2.575470	1.763137	-1.460732	0.1441
McFadden R-squared	0.798105	Mean dependent var	0.370787
S. D. dependent var	0.485752	S. E. of regression	0.180138
Akaike info criterion	0.446023	Sum squared resid	2.628437
Schwarz criterion	0.669721	Log likelihood	-11.84802
Hannan-Quinn criter.	0.536189	Deviance	23.69604
Restr. deviance	117.3684	Restr. log likelihood	-58.68419
LR statistic	93.67235	Avg. log likelihood	-0.133124
Prob (LR statistic)	0.000000
Obs with Dep=0	51	Total obs	89
Obs with Dep=1	38

Размещено на Allbest.ru