由於會計師簽發保留意見之背景及本質，使人們相信這些保留意見可以作為企業發生財務危機的警告訊號。本研究以民國70年至85年台灣的上市公司為樣本，定義財務危機公司為其股票被降為全額交割股的公司，探討編製基礎不一致、不確定事項及繼續經營此三類保留意見與企業發生財務危機之關聯性，也就是在研究此三類保留意見對企業財務危機之發生是否具有解釋能力。 本研究採用羅吉斯迴歸分析法建立三個單變量模式及二個多變量模式。三個單變量模式之測試結果指出編製基礎不一致、不確定事項及繼續經營此三類的保留意見，就個別而言，與企業財務危機的發生均具有關聯性，亦即其對財務危機的發生均具有解釋能力。第一個多變量模式，亦即以三種保留意見為自變數所建立的模式（即保留意見模式），其結果則指出編製基礎不一致、不確定事項及繼續經營之保留意見對企業財務危機的發生均具有增額解釋能力。第二個多變量模式，亦即以三種保留意見及六種財務比率為自變數所建立的模式（即保留意見+財務比率模式），其測試結果也指出編製基礎不一致、不確定事項及繼續經營之保留意見對企業財務危機的發生均具有增額解釋能力，且此模式之適合度優於只以財務比率為自變數所建立的模式。 本研究同時也以1:1、10:1、20:1、30:1、40:1及50:1之型一對型二錯誤成本比例來衡量各個模式的預測能力。此部份之研究結果指出，在所有的相對成本比例下，只考慮保留意見的模式是會使錯誤歸類成本最小之預測模式；而Naive模式，亦即將所有公司都預測為非財務危機公司之模式，在大部份的情形下，會發生最大的錯誤歸類總成本。

當資料屬於類別型的長期追蹤資料（Longitudinal categorical data）時，除了可以透過廣義估計方程式（General estimate equation, GEE）來求解模型參數估計值外，潛在移轉分析（Latent transition analysis, LTA）法也是一種可行的資料分析方法。若資料的期數不多，也可以選擇將資料適度分群後使用羅吉斯迴歸分析（Logistic regression）法。當探討的反應變數為二元（Binary）型態，且觀察對象於每一期提供多個測量變數值的情況之下，廣義估計方程式與羅吉斯迴歸分析法的使用，文獻上常見先將所有的測量變數值加總後，以「中位數」作為分類的切割點。不同於以上兩種方法，潛在移轉分析法則是直接使用原始資料來取得觀察對象的潛在狀態相關訊息，因此與前二者的作法不同，可能導致後續的各項分析結果有所差異存在。 為了能夠了解造成中位數分類法與移轉分析法差異的可能因素，我們架構在潛在移轉分析法的模型下，以不同的參數設定來進行電腦模擬，比較各參數條件下的兩分類方法差異。結果發現各潛在狀態下的測量變數反應機率形式、第一期潛在狀態的組成比例等皆會對兩分類方法是否具有相同分類有所影響。另外，透過分析「青少年媒體使用與健康生活調查」的實際資料得知，潛在移轉分析會將大部分的觀察對象歸屬於「網路成癮」，而中位數分類法則是將大部分的觀察對象歸屬於「無網路成癮」。此外，可以注意到「沮喪」、「線上情色每星期平均使用天數」、及「父母相處狀況」這幾個控制變數與各分組結果的關聯性，於上述三種資料分析方法中有所不同。 / Several methods can be used to analyze longitudinal categorical data, as among them Latent Transition Analysis (LTA), and Generalized Linear Models estimated by Generalized Estimating Equations (GEE) probably the most popular. In addition, if the number of periods is two, then with certain grouping of data, the Logistic Regression can also be applied to perform the analyses. When there are more than one manifest response variable for each study subject, LTA is able to classify the subjects in terms of the original manifest response variables and proceeds with necessary analyses. On the other hand, GEE method and Logistic Regression lack the flexibility, and require certain transformation to transform the manifest response variables into a categorical response variable first. One common way to form a binary response is to sum all manifest variables, and then taking median as a cut-point. In this study, we explore the differences of the classification resulted from LTA directly and using median as a cut-point through simulations. An empirical study is also provided to illustrate the classification differences, and the differences on the subsequent analyses using LTA, GEE method, and Logistic Regression approach.