制造行业对整个国民经济的发展起着举足轻重的作用，美国的次贷危机引起全球经济的低迷，对我国制造行业打击巨大。很多上市的制造业公司也出现了亏损甚至被ST，其根源是我国的上市制造企业，经营管理落后，财务状况恶化的情况一直长期存在着。因此可以通过构建制造业上市公司的财务危机预模型，帮助利益相关者规避因为企业财务危机带来的风险。　　目前国内外大部分研究采用一年截面数据构建预警模型，并没有充分考虑企业财务状况的恶化具有累积性。由于缺乏大量的时序数据的积累，少量单纯的截面数据的分析难以保证能够识别在整个企业财务恶化过程中起主导作用的因素。近年也有学者采用了时序数据进行分析，但所采用的仅仅是两年的年度数据序列，不但数据样本少，而且年与年之间的时间跨度过大，时间序列数据随着距离财务发生的时间越久，其所含的财务恶化的信息越少，此外年度数据很有可能忽略了财务数据在一个财务年度中的变化，丧失了捕捉动态变化过程中的重要信息，造成两年的年报数据之间没有太多的联系甚至产生跳跃。而使用高频的季度数据可以解决这些困扰。　　在分析方法方面，很多研究者在逻辑回归建模之前使用主成分分析法对数据进行处理避免的财务数据多重共线性的问题，但是所提取的主成分的经济意义不清晰，没有经济学理论的支持。而使用因子分析法可以弥补这点不足，可以寻找到含义清晰的具有潜在解释力的因子。　　鉴于此本文以2007年至2010年我国制造业上市公司为研究对象，选取了这四年被ST的上市公司以及与之进行配对的正常公司各108家，并采用多期季度时序数据，通过因子分析得到影响财务数据的潜在因子，而后利用这些因子进行逻辑回归得到财务预警模型。本文选择了五个不同时间跨度的季度时序数据，即财务危机发生前最近4期，最近5期，最近6期，最近7期的季度数据，分别进行因子分析并建立逻辑回归模型，通过检验并比较这五个不同模型的判别准确率来对不同时间跨度季度数据的建模效果进行评价。本文还分别利用一年截面数据，两年年度时序数据构建逻辑回归模型，并检验模型的判别准确率，最后与采用多期季度时序数据的模型的判别效果进行对比。