4、研究方法
由於解釋變量之間存在一定的相關性，而且解釋變量與被解釋變量的殘差可能相關，在這樣的情況下直接應用多元直線回歸進行分析將會導致變量誤差，所以本文采用兩步模型法進行研究，首先對這些解釋變量做探索性因子分析（EFA），找出相互獨立的解釋因子，然後再就這些主要的解釋因子對資本結構進行多元線性回歸分析，探究這些因子是如何影響資本結構的。
三、實證分析及結果
1、EFA-探索性因子分析
（1）相關性檢驗。EFA是為了簡化數據或者找出基本數據結構，所以在使用因子分析之前需要觀測變量之間有較強相關關係。若變量之間相關程度較小，那麼它們就不可以共享因子。通過對107家企業20項指標的分析，得出了Anti-image相關矩陣及KMO和Bartlett球形檢驗結果和相關係數矩陣。
其中，KMO值為0.631，由Kasier給出的標準值（0.5）可知，適合進行因子分析。Bartlett球形檢驗數值為1946.825，且對應的P值為.000，遠小於顯著性水平0.01，通過檢驗。綜上所述，原指標變量適合做因子分析。從相關係數矩陣（表略）可以看出，每個變量都至少與一個變量存在顯著相關關係，所以保留所有變量，不考慮刪除問題。
（2）提取公共因子。本文分析中，采用主成分分析法來提取公共因子，在解釋的總方差分析表中（表略），10個公共因子的方差貢獻率都大於3%，最高的達到28.018%，累積的方差貢獻率高達89.366%。但是僅僅有前7個公共因子的特征值大於1，且前7個公共因子的方差貢獻率達到了78.502%，足以提供原始數據中足夠的信息。所以為了用最少的公共因子對原始數據進行充分的解釋，在這裏提取前7個公共因子，分別記為F1，F2，……，F7。
利用Varimax正交旋轉法對因子進行旋轉得到的因子載荷，旋轉後，因子載荷進一步提高了因子的可解釋性。在探索的過程中，還運用Direct Oblimin斜交旋轉進行試驗，但得出的結果並沒有明顯比正交旋轉的結果更好，故采用正交旋轉得到的結果。載荷矩陣中係數的絕對值越大，表明公共因子與相應變量的相關程度越強。從分析的結果可以看出，第一公共因子F1包括總資產累計折舊率、累計折舊對銷售比率、固定資產占總資產比率、固定資產在長期負債和股東權益占比、固定占比率，F1可命名為固定性指標。第二公共因子F2包括總資產淨利潤率、總資產報酬率、銷售淨利潤率、淨利潤增長率，所以F2可命名為盈利性指標。第三公共因子F3則包括速動比率、流動比率、總資產變化率，把F3命名為資產流動性指標。第四公共因子F4包括流動負債率、總資產的自然對數以及利息負擔率，可將F4命名為公司規模指標。第五公共因子F5包括總資產周轉率和銷售收入增長率，可將F5命名為成長速度指標。第六公共因子F6僅包括銷售費用支出比率，這個指標可以說明一個企業產品的獨特性，故定名為獨特性指標。第七公共因子F7則包括流動資產負債率和研究開發支出占比，把F7命名為風險性指標。
2、多元回歸分析
為了驗證前麵得到7個影響因子的正確性，以及探究它們與資本結構及總資產負債率RLA之間的關係，本文利用多元線性回歸的方法進一步探究這7個因子是如何影響企業的總負債比率的。從模型擬合的的總體情況來看，R Square值為0.687，即這7個影響因子可以解釋資本結構變異的68.7%。從回歸方程檢驗的方差分析表中可以看出，自變量F1～F7對總資產負債率RLA的線性回歸方程是顯著的，F（7，99）=31.052，P=0.000，即說明選取7個公共因子可以作為影響資產負債率即資本結構的解釋因子。