Моделирование вероятности банкротства
Определение и анализ экономической сущности банкротства. Ознакомление с основными нефинансовыми факторами, влияющими на вероятность банкротства. Рассмотрение и характеристика главных этапов процесса построения модели с помощью логистической регрессии.
Рубрика | Экономико-математическое моделирование |
Вид | дипломная работа |
Язык | русский |
Дата добавления | 26.08.2017 |
Размер файла | 229,0 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
0.6481
Если все переменные абсолютно не связаны друг с другом, то показатели VIF и Tolerance будут равны 1. Если же для переменной VIF>10 или Tolerance<0,1, то существует проблема мультиколлинеарности.
В данном случае было принято решение исключить из рассмотрения коэффициент EBIT/Ta, так как ROA чаще оказывался значимым в предыдущих исследованиях (Bellovari, 2007).
Тест на мультиколлинеарность был проведен повторно без учета EBIT/Ta:
Таблица 7. VIF для первоначального набора переменных без EBIT/TA
Variable |
VIF |
VIF |
Tolerance |
Squared |
|
ind |
1.33 |
1.15 |
0.7533 |
0.2467 |
|
lnta |
1.46 |
1.21 |
0.6869 |
0.3131 |
|
lnage |
1.19 |
1.09 |
0.8420 |
0.1580 |
|
ROA |
1.25 |
1.12 |
0.7988 |
0.2012 |
|
ebitsales |
1.07 |
1.03 |
0.9380 |
0.0620 |
|
retta |
4.42 |
2.10 |
0.2262 |
0.7738 |
|
ebitint |
1.09 |
1.05 |
0.9148 |
0.0852 |
|
wcta |
1.98 |
1.41 |
0.5061 |
0.4939 |
|
cashcl |
1.86 |
1.36 |
0.5375 |
0.4625 |
|
cashta |
1.71 |
1.31 |
0.5853 |
0.4147 |
|
cacl |
2.19 |
1.48 |
0.4567 |
0.5433 |
|
quick |
5.51 |
2.35 |
0.1814 |
0.8186 |
|
cogsinv |
1.10 |
1.05 |
0.9089 |
0.0911 |
|
salesta |
1.53 |
1.24 |
0.6555 |
0.3445 |
|
tleq |
1.29 |
1.14 |
0.7739 |
0.2261 |
|
tatl |
2.67 |
1.64 |
0.3739 |
0.6261 |
Ни одно из значений VIF не превышает 10, поэтому можно приступить к следующему шагу - backward stepwise selection.
Stata начинает отбор с полной модели, в которую входят все финансовые коэффициенты, с каждым шагом удаляя наименее значимые из них. Уровень значимости был установлен на уровне 0,25 в соответствии с рекомендациями Hosmer, Lemeshow (2000), которые пишут о том, что при классическом уровне значимости 0,05 для проведения stepwise selection возможно исключение показателей, значимых для модели с точки зрения теории и здравого смысла.
Итоговая модель и коэффициенты при значимых показателях представлены в Таблице 8:
Таблица 8. Построенная логит-модель для предсказания банкротства
status |
Coef. |
Odds Ratio |
Std. Err. |
z |
P>z |
[95% Conf. Interval] |
||
tleq |
.0302407 |
1.030703 |
.0185313 |
1.68 |
0.093 |
.9950143 |
1.067671 |
|
lnta |
-1.904951 |
.14883 |
.0491815 |
-5.76 |
0.000 |
.0778767 |
.2844287 |
|
salesta |
-.9608412 |
.3825709 |
.0730932 |
-5.03 |
0.000 |
.2630772 |
.5563406 |
|
tatl |
-2.502069 |
.0819154 |
.1536615 |
-1.33 |
0.182 |
.0020732 |
3.236665 |
|
retta |
-5.58335 |
.0037599 |
.0063711 |
-3.30 |
0.001 |
.0001358 |
.1041146 |
|
cashcl |
-3.301024 |
.0368454 |
.0482904 |
-2.52 |
0.012 |
.0028235 |
.4808247 |
|
quick |
.4620253 |
1.587285 |
.3977969 |
1.84 |
0.065 |
.971251 |
2.594051 |
|
_cons |
27.44806 |
8.33e+11 |
4.11e+12 |
5.56 |
0.000 |
5.24e+07 |
1.32e+16 |
Большинство полученных коэффициентов при переменных согласуются с экономической теорией:
Tl/Eq измеряет финансовый рычаг компании: показывает объем долга, который фирма использует для финансирования своих активов в сравнении с величиной собственного капитала. Высокий уровень данного показателя ассоциируется с высоким уровнем риска, который берет на себя компания, а значит положительно влияет на вероятность банкротства. Это подтверждается положительным коэффициентом (.0302407) и уровнем odds ratio (1.030703), полученными в модели.
ln(ta) отражает размер компании, и, как и в исследованиях предыдущих авторов, он оказался отрицательно взаимосвязан с вероятностью банкротства (-1.904951, .14883). Иными словами, чем крупней компания, тем она устойчивее.
Sales/ta - это показатель оборачиваемости активов, который часто используется в качестве индикатора эффективности компании. Чем выше данный показатель, тем лучше компания ведет свою деятельность, и тем ниже вероятность её банкротства. Коэффициент (-.9608412) и odds ratio (.3825709), полученные в модели, полностью согласуются с этой логикой.
Ta/tl - это показатель финансового рычага, который отражает общее количество активов компании по отношению к её долгу. Чем выше данный показатель, тем ниже финансовый риск и вероятность банкротства фирмы, что подтверждается отрицательным коэффициентом в модели (-2.502069) и odds ratio (.0819154).
Показатель Ret/ta отражает прибыльность организации: чем выше данное отношение, тем меньше компания полагается на долговое финансирование, и, соответственно, тем меньше вероятность её банкротства. Отрицательная взаимосвязь подтверждается коэффициентом в модели (-5.58335) и odds ratio (.0037599).
Показатель Cash/cl измеряет уровень ликвидности компании и её способность оплачивать краткосрочные обязательства. Соответственно, чем выше данный показатель, тем ниже вероятность банкротства. Это согласуется с полученным коэффициентов в модели (-3.301024, .0368454).
Еще одним показателем ликвидности является quick ratio (показатель срочной ликвидности), поэтому к нему применима та же логика, что и для показателя cash/cl - он отрицательно влияет на вероятность банкротства фирмы. Однако коэффициент, полученный в модели, показывает положительную связь (.4620253, 1.587285). В качестве объяснения можно предположить, что у компаний, находящихся в предбанкротном состоянии, активы увеличиваются за счет большой суммы дебиторской задолженности, что и приводит к росту показателя quick ratio (показателя срочной ликвидности).
В итоговую модель вошли представители практически всех категорий показателей - прибыльности, ликвидности, оборачиваемости, финансового рычага и размера компании. Исключение составили только возраст компании, который был исключен на этапе stepwise selection, а также показатель эффективности EBIT/Ta, исключенный из-за наличия высокой коррелированности с показателем ROA.
После построения модели был проведен тест на правильность спецификации с помощью функции linktest:
Таблица 9. Тест на спецификацию логит-модели
status |
Coef. |
Std. Err. |
z |
P>z |
[95% Conf. Interval] |
||
_hat |
1.000044 |
.1534926 |
6.52 |
0.000 |
.6992038 |
1.300884 |
|
_hatsq |
-.0016503 |
.0772171 |
-0.02 |
0.983 |
-.1529931 |
.1496924 |
|
_cons |
.0031669 |
.2590679 |
0.01 |
0.990 |
-.5045968 |
.5109306 |
Так как тест оказался значимым, то можно полагать, что построенная логистическая регрессия правильно специфицирована, иными словами, невозможно найти дополнительную переменную, которая была бы в модели статистически значима.
Для того, чтобы проверить оценку согласия модели с реально существующими в выборке частотами, был использован тест Hosmer-Lemeshow.
Таблица 10. Тест Hosmer-Lemeshow для логит-модели
number of observations |
172 |
|
number of groups |
10 |
|
Hosmer-Lemeshow chi2(8) |
1.08 |
|
Prob > chi2 |
0.9977 |
Так как тест оказался незначим (chi2<15, p-val>0,05), можно предположить, что построенная модель хорошо согласуется с реальными данными.
Для оценки надежности модели была использована классификационная статистика, представленная в виде матрицы сопряженности:
Таблица 11. Оценка надежности логит-модели
Sensitivity |
Pr( + D) |
81.40% |
|
Specificity |
Pr( -~D) |
83.72% |
|
Positive predictive value |
Pr( D +) |
83.33% |
|
Negative predictive value |
Pr(~D -) |
81.82% |
|
False + rate for true ~D |
Pr( +~D) |
16.28% |
|
False - rate for true D |
Pr( - D) |
18.60% |
|
False + rate for classified + |
Pr(~D +) |
16.67% |
|
False - rate for classified - |
Pr( D -) |
18.18% |
|
Correctly classified |
82.56% |
Компания относилась к категории банкротов, если Pr(D) ? 0.5. Общая точность модели (отношение доли верно классифицированных компаний к общему количеству компаний) составила 82,56%.
Для того, чтобы изобразить зависимость чувствительности (Sensitivity) и специфичности (Specificity) от используемого порога (0,5) используется так называемая ROC-кривая. Для идеального классификатора график ROC-кривой проходит через верхний левый угол, где доля истинно положительных случаев (верно классифицированные банкроты) составляет 100% или 1.0, а доля ложно положительных примеров равна нулю. Поэтому чем ближе кривая к верхнему левому углу, тем выше предсказательная способность модели.
Однако визуальное сравнение кривых ROC не всегда позволяет выявить наиболее эффективную модель. Одним из методов сравнения ROC-кривых является оценка площади под кривыми (AUC - Area Under Curve). Чем больше показатель AUC, тем лучше прогностическая сила у модели.
Для построенной логистической модели была исследована площадь под ROC-кривой, которая составила 0,8943.
Рисунок 1 - ROC-кривая для обучающей выборки
Для тестирования качества модели недостаточно оценить её на той же выборке, поэтому была использована контрольная подвыборка - данные компаний за 2014 год, статус которых (банкрот/небанкрот) определялся в 2015 году. Для анализа также применялась классификационная статистика и площадь под ROC-кривой. Таблицы с деталями представлены в Приложении 1.
Общая точность модели на контрольной подвыборке составила 72,99%, а площадь под ROC-кривой - 0,7793. Такое значительное падение предсказательной силы может быть связано с отличием экономической среды, в которой существовали фирмы в 2014 году.
Для проверки модели было решено использовать еще одну подвыборку - данные фирм за 2013 год, статус которых определялся в 2014 году. По итогам применения модели общая точность составила 81,14%, а площадь под ROC-кривой - 0,8696. Подробные таблицы и график содержатся в Приложении 2.
Таким образом, логит-модель, как и предполагалось автором, показала лучшие результаты на данных компаний за период с относительно устойчивой экономической обстановкой в стране.
3.2 Построение модели с помощью метода деревьев решений
В отличие от логистической регрессии, при использовании метода деревьев решений ограничения для независимых переменных отсутствуют, поэтому для построения модели использовались все первоначально отобранные финансовые и нефинансовые переменные.
Дерево, построенное на основе обучаемой выборки, представлено на Рисунке 1. Значимость каждой из переменных представлена на Рисунке 2. Категория - это статус предприятия (1 - банкрот, 0 - небанкрот).
Одним из самых значимых показателей в модели оказался размер компании, а вслед за ним идет уровень оборачиваемости запасов, оказавшийся незначимым в логит-модели. Значимыми также оказались показатель ликвидности компании cash/cl, а также показатели прибыльности ret/ta и ebit/sales, который отражает процент средств, остающихся в компании, после покрытия операционных расходов. Возраст компании, как и в логит-регрессии, оказался незначимым.
Количество правильно классифицированных компаний на обучающей выборке составило 88, 37%.
Полученная модель также была протестирована на контрольных подвыборках за 2014 и 2013 годы. Прогнозная сила модели составила 66,38% и 80,16%, соответственно.
Таким образом, надежность модели значительно уменьшилась на подвыборке за 2014 год, как и в случае с логит-моделью. При этом доля правильно классифицированных предприятий на контрольной подвыборке 2013 года не опустилась ниже 80%.
Рисунок 2. Классификационное дерево, построенное на обучающей выборке, и важность переменных для его построения
3.3 Сравнение результатов, полученных с помощью логистической регрессии и метода деревьев решений
По итогам проведенного исследования можно прийти к выводу о том, что и логит-регрессия и деревья решений позволили построить модели, которые с надежностью 82,56% и 88,37% на обучающей подвыборке и с надежностью 81,14% и 80,16 % на контрольной подвыборке, предсказывают банкротство компании за год до его наступления. Однако прогнозная способность моделей падает при попытке анализировать данные компаний, существующих в период существенного ухудшения экономической обстановки в стране. Автор исследования предполагает, что для улучшения надежности модели возможно использование дополнительных объясняющих переменных - как рыночных, так и макроэкономических.
Во всех построенных моделях в данной работе оказался значим размер компании, а также показатели оборачиваемости и ликвидности. Что касается категории прибыльности, то, в отличие от работ предыдущих авторов, ROA оказался неважен как для логит-модели, так и для деревьев решений, а показатель Retained Earnings/Total Assets, встречающийся намного реже, оказался значим для обоих типов построенных моделей. Дамми для отраслей, также, как и возраст компании, оказались незначимыми.
Несмотря на то, что логит-модель позволяет нагляднее понять влияние каждой отдельной переменной на вероятность банкротства, в целом, оба метода построения моделей доказали свою надежность. Более того, обе модели позволили определить наиболее важные показатели из первоначального пула различных коэффициентов.
После проведенного анализа построенных моделей представляется возможным перейти к проверке выдвинутых гипотез:
: В данном исследовании автору удалось построить модели на основе логит-анализа и метода деревьев решений, которые с надежностью более 80% позволили предсказывать банкротство компании за год до его наступления, поэтому гипотеза не отвергается.
: Высокие показатели прибыльности, оборачиваемости, финансового рычага и некоторые показатели ликвидности, вошедшие в модель, оказались отрицательно связаны с вероятностью банкротства компании, однако один из показателей ликвидности (quick) оказался положительно связан с вероятностью банкротства. Показатели эффективности и обслуживания долга оказались незначимыми в обеих моделях. Таким образом, гипотеза принимается лишь частично.
: Размер компании оказался отрицательно связан с вероятностью банкротства компании, поэтому гипотеза не отвергается.
: Возраст компании оказался незначим во всех построенных моделей, поэтому гипотеза отвергается.
: Данная гипотеза также отвергается из-за незначимости дамми-переменных для различных отраслей в обеих моделях.
Заключение
Целью данного исследования являлось моделирование вероятности банкротства российских нефинансовых компаний на основе наиболее значимых показателей деятельности фирмы, чтобы получить модель с надежностью не менее 80%.
Для достижения обозначенной цели автор дал определение понятию банкротства, изучил существующую литературу для выбора подходящих методов построения модели, а также первоначального набора финансовых и нефинансовых переменных, а затем смоделировал вероятность банкротства фирм на основе данных за 2015 год.
В результате работы удалось построить модели для предсказания банкротства фирмы за год до его наступления, надежность которых составила более 80%, при помощи как статистического метода (логит-регрессии), так и с помощью методов машинного обучения (деревьев решений).
· Логистическая модель обладала прогнозной силой 82,56% за год до наступления банкротства, а надежность на контрольной подвыборке составила 81,4%.
· Дерево решения, построенное с помощью алгоритма CART, обладало надежностью 88,37% на обучающей выборке и надежностью 80,16% на контрольной.
· Прогнозная сила моделей значительно снизилась при попытках прогнозировать банкротства на основе данных компаний за кризисный период (72,99% у логит-модели и 66,38% у дерева решения)
В результате проведенного исследования можно сформулировать следующие выводы:
· Логистическая регрессия, и деревья решений являются приемлемыми методами построения для получения надежной модели.
· Для прогнозирования банкротства компании наиболее значимыми являются такие категории финансовых показателей, как прибыльность, ликвидность, оборачиваемость и финансовый рычаг
· Из нефинансовых показателей большое влияние на вероятность банкротства компании оказывает её размер.
Для дальнейших исследований представляется интересным включение рыночных переменных в качестве дополнения к финансовым показателям для проверки прогнозной силы модели на данных компаний, существующих в кризисный период времени.
Список используемой литературы
1. Agarwal W., Taffler R. (2008) Comparing the performance of market-based and accounting-based bankruptcy prediction models // Journal of Banking and Finance. № 32. P.1541-1551
2. Altman E.I., Sabato G. (2007) Modelling Credit Risk for SMEs: Evidence from the U.S. Market // Abacus. № 3 (43). P. 332-357.
3. Altman E.I. (1968) Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // The Journal of Finance. № 4 (23). P. 589-609.
4. Beaver W.H. (1966) Financial Ratios As Predictors of Failure // Journal of Accounting Research. № 4. P. 71-11.
5. Bellovary J., Giacomino D., Akers M. A (2007) Review of Bankruptcy Prediction Studies: 1930-Present // Journal of Financial Education. № 33. P. 1-42.
6. E. Berkovitch, R. Israel (1998) The Bankruptcy Decision and Debt Contract Renegotiations // European Finance Review. № 2. P. 1-27.
7. Bharath S.T., Shumway T. (2008) Forecasting Default with the Merton Distance to Default Model // The Review of Financial Studies. № 21 (3). P. 1339-1369.
8. Chava S., Jarrow R.A. (2004) Bankruptcy Prediction with Industry Effects // Review of Finance. № 4 (8). P. 537-569.
9. Chen M.Y. (2011) Predicting corporate financial distress based on integration of decision tree classification and logistic regression // Expert Systems with Applications. № 38. P. 11261-11272.
10. Dong Y.X., Xiao Z, Xiao X (2014). Default prediction for real estate companies with imbalanced dataset // Journal of Information Processing Systems. № 10. P. 314-333.
11. Du Jardin (2017) Dynamics of firm financial evolution and bankruptcy prediction // Expert Systems With Applications. № 75. P. 25-43.
12. Edmister (1972) Financial Ratios As Discriminant Predictors Of Small Business Failure // The Journal of Finance. № 27 (1). P. 139-140.
13. Hillegeist (2004) Assessing the Probability of Bankruptcy // Review of Accounting Studies. № 9. P. 5-34
14. Lennox (1999) Identifying Failing Companies: A Reevaluation of the Logit, Probit and DA Approaches // Journal of Economics and Business. № 51. P. 347-364.
15. Mare D.S. (2015) Contribution of macroeconomic factors to the predictionof small bank failures // Journal of International Financial Markets, Institutions and Money. № 39. P. 25-39.
16. Masten I., Brezigar-Masten A. (2012) CART-based selection of bankruptcy predictors for the logit model // Expert Systems with Applications. № 39. P. 10153-10159.
17. Mella-Barral P., Perraudin W. (1997) Strategic Debt Service // The Journal of Finance. 52 (2). P. 531-556.
18. Mselmi, Lahiani (2017) Financial distress prediction: The case of French small and medium-sized firms // International Review of Financial Analysis. № 50. P. 67-80.
19. Nam, J. H. , & Jinn, T. (2000) Bankruptcy prediction: Evidence from Korean listed companies during the imf crisis // Journal of International Financial Management and Accounting. № 11. P. 178-197 .
20. Ni J, Kwak W, Cheng X, Gong G (2014). The determinants of bankruptcy for Chinese firms // Review of Pacific Basin Financial Markets and Policies. № 17. 22 p.
21. Ohlson J.A. (1980) Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. № 1 (18). P. 109-131.
22. Pindado, J., Rodrigues, L., De la Torre, C. (2008) Estimating financial distress likelihood // Journal of Business Research. № 61. P. 995-1003.
23. Reisz и Perlich (2007), A market-based framework for bankruptcy prediction // Journal of Financial Stability. № 2 (2). P. 85-131.
24. Shumway, Tyler (2001) Forecasting Bankruptcy More Accurately: A Simple Hazard Model // The Journal of Business. № 74 (1). P.101-124.
25. Stein, R. M. (2007) Benchmarking default prediction models: Pitfalls and remedies in model validation // Journal of Risk Model Validation. № 1. P, 77-113.
26. Theodossiou, P. T. (1993) Predicting shifts in the mean of a multivariate time series process: An application in predicting business failures // Journal of the American Statistical Association. № 88. P. 441-449.
27. Tinoco M, Wilson N (2013) Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables // International Review of Financial Analysis. № 30. P. 394-419.
28. Vassalou, M., & Xing, Y. (2004) Default risk in equity returns // Journal of Finance. № 59. P. 831-868.
29. Wruck, K. H. (1990) Financial distress, reorganization, and organizational efficiency // Journal of Financial Economics. № 27. P. 419-444.
30. Zmijewski M.E. (1984) Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. № 22. P. 59-82.
31. Hosmer D. W., Lemeshow S. (2000) Applied Ligistic Regression, Second Edition. A Wiley-Interscience Publication.
32. Давыдова Г.В., Беликов А.Ю. (1999) Методика количественной оценки риска банкротства предприятий // Управление риском. № 3. С. 13-20
33. Демешев Б.Б., Тихонова А.С. (2014) Прогнозирование банкротства российских компаний: межотраслевое сравнение // Экономический журнал Высшей школы экономики. № 3 (18). C. 359-386.
34. Демешев Б.Б., Тихонова А.С. (2014) Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли // Корпоративные финансы. № 3 (31). С. 4-22.
35. Луговская Л. (2010) Predicting default of Russian SMEs on the basis of financial and non-financial variables // Journal of Financial Services Marketing. № 14. P. 301 - 313.
36. Макеева Е.Ю., Бакурова А.О. (2012) Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей // Корпоративные финансы. № 3(23). С. 22-30.
37. Федорова Е., Гиленко Е., Довженко С. (2013) Bankruptcy prediction for Russian companies: Application of combined classifiers // Expert Systems with Applications. № 18 (40). P. 7285-7293.
38. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 29.12.2015) «О несостоятельности (банкротстве)» URL: http://www.consultant.ru
39. Постановление Правительства РФ от 9 февраля 2013 г. N 101 «О предельных значениях выручки от реализации товаров (работ, услуг) для каждой категории субъектов малого и среднего предпринимательства» URL: http://www.consultant.ru
40. Office of the Law Revision Counsel. URL: http://uscode.house.gov
Приложения
Приложение 1
ROC-кривая для контрольной подвыборки (данные за 2014 год)
Матрица сопряженности и другие показатели предсказательной силы логит-модели на данных контрольной подвыборки (2014 год):
True |
||||
Classified |
D |
~D |
Total |
|
+ |
120 |
40 |
160 |
|
- |
54 |
134 |
188 |
|
Total |
174 |
174 |
348 |
Sensitivity |
Pr( + D) |
68.97% |
|
Specificity |
Pr( -~D) |
77.01% |
|
Positive predictive value |
Pr( D +) |
75.00% |
|
Negative predictive value |
Pr(~D -) |
71.28% |
|
False + rate for true ~D |
Pr( +~D) |
22.99% |
|
False - rate for true D |
Pr( - D) |
31.03% |
|
False + rate for classified + |
Pr(~D +) |
25.00% |
|
False - rate for classified - |
Pr( D -) |
28.72% |
|
Correctly classified |
72.99% |
Приложение 2
ROC-кривая для контрольной подвыборки (данные за 2013 год):
Матрица сопряженности и другие показатели предсказательной силы логит-модели на данных контрольной подвыборки (2013 год):
True |
||||
Classified |
D |
~D |
Total |
|
+ |
78 |
7 |
85 |
|
- |
36 |
107 |
143 |
|
Total |
114 |
114 |
228 |
Sensitivity |
Pr( + D) |
68.42% |
|
Specificity |
Pr( -~D) |
93.86% |
|
Positive predictive value |
Pr( D +) |
91.76% |
|
Negative predictive value |
Pr(~D -) |
74.83% |
|
False + rate for true ~D |
Pr( +~D) |
6.14% |
|
False - rate for true D |
Pr( - D) |
31.58% |
|
False + rate for classified + |
Pr(~D +) |
8.24% |
|
False - rate for classified - |
Pr( D -) |
25.17% |
|
Correctly classified |
81.14% |
Размещено на Allbest.ru
Подобные документы
Анализ возможности применения нейронных сетей в оценке вероятности наступления банкротства предприятия в современных условиях хозяйствования. Проблема рисков в экономике. Финансовые коэффициенты, применяемые в российских методиках оценки банкротства.
курсовая работа [451,6 K], добавлен 14.08.2013Исследование особенностей разработки и построения модели социально-экономической системы. Характеристика основных этапов процесса имитации. Экспериментирование с использованием имитационной модели. Организационные аспекты имитационного моделирования.
реферат [192,1 K], добавлен 15.06.2015Ознакомление с основами модели простой регрессии. Рассмотрение основных элементов эконометрической модели. Характеристика оценок коэффициентов уравнения регрессии. Построение доверительных интервалов. Автокорреляция и гетероскедастичность остатков.
лекция [347,3 K], добавлен 23.12.2014Анализ происшествия с помощью построения дерева отказов и дерева событий. Определение последовательностей и последствий, выбор моделей и показателей надежности для базисных событий. Оценка вероятности возникновения происшествий с помощью системы Hazard.
курсовая работа [6,2 M], добавлен 16.01.2015Расчет коэффициента устойчивого экономического роста и рентабельности инвестиций. Факторный анализ политики предприятия. Оценка использования материальных, трудовых и финансовых ресурсов предприятия. Прогнозирование банкротства с помощью модели Альтмана.
контрольная работа [195,2 K], добавлен 20.05.2011Расчет матрицы парных коэффициентов корреляции и статистической значимости коэффициентов регрессии. Оценка статистической значимости параметров регрессионной модели с помощью t-критерия. Уравнение множественной регрессии со статистически факторами.
лабораторная работа [30,9 K], добавлен 05.12.2010Знакомство с основными видами кривых безразличия и функций предложения. Общая характеристика производственной функции Кобба-Дугласа. Рассмотрение особенностей моделирования покупательского спроса и поведения производителя. Рассмотрение модели Стоуна.
презентация [1,3 M], добавлен 31.10.2016Расчет параметров уравнения линейной регрессии, оценка тесноты связи с помощью показателей корреляции и детерминации. Определение средней ошибки аппроксимации. Статистическая надежность моделирования с помощью F-критерия Фишера и t-критерия Стьюдента.
контрольная работа [58,3 K], добавлен 17.10.2009Основы построения и тестирования адекватности экономических моделей множественной регрессии, проблема их спецификации и последствия ошибок. Методическое и информационное обеспечение множественной регрессии. Числовой пример модели множественной регрессии.
курсовая работа [3,4 M], добавлен 10.02.2014Построение поля рассеяния, его визуальный анализ. Определение точечных оценок параметров методом наименьших квадратов. Расчет относительной ошибки аппроксимации. Построение доверительных полос для уравнения регрессии при доверительной вероятности У.
контрольная работа [304,0 K], добавлен 21.12.2013