Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | RAM. Revista de Administração Mackenzie |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-69712014000100006 |
Resumo: | Previsão de falências pode ter grande utilidade para instituições financeiras e não financeiras no que se refere a tomar, antecipadamente, as melhores decisões possíveis quanto a empréstimos ou investimentos. Na literatura específica, muitos modelos de previsão de falência têm feito uso de técnicas de data mining (mineração de dados). O pré-processamento é passo importante para selecionar dados de boa qualidade para utilização em operações de mineração. Mesmo assim, apesar de a seleção de atributos poder ser muito benéfica para pré-selecionar dados representativos visando melhorar o desempenho da previsão final, não se sabe que método de seleção é o melhor. Este trabalho tem como objetivo principal comparar as duas abordagens mais utilizadas de avaliação de subconjuntos de atributos: Filtro e Wrapper. Apesar de serem fundamentadas em técnicas de mineração de dados e muito utilizadas na etapa de seleção de atributos em modelos de previsão de insolvência, essas técnicas são muito pouco utilizadas para tratar dados obtidos em demonstrativos contábeis de empresas brasileiras. Por isso, a base empírica deste estudo consiste em uma amostra de empresas comerciais e industriais brasileiras, coletando-se dados relativos ao período 2004-2011. Os resultados indicaram que, na amostra estudada, a abordagem Filtro foi a mais eficiente, fornecendo melhores resultados de classificação tanto para a técnica de regressão logística (91,80%), quanto para redes neurais (93,98%). Foi demonstrada, ainda, a importância da explicitação da etapa de avaliação da seleção de atributos para a obtenção de melhores resultados em aplicações de técnicas de mineração de dados na previsão de insolvência. Uma conclusão específica a respeito das vantagens da abordagem Filtro aponta que ela pode ser a preferida para avaliar os atributos que irão compor os modelos preditivos. |
id |
MACKENZIE-2_8d9160f751ab125e768e75eca3fc1abf |
---|---|
oai_identifier_str |
oai:scielo:S1678-69712014000100006 |
network_acronym_str |
MACKENZIE-2 |
network_name_str |
RAM. Revista de Administração Mackenzie |
repository_id_str |
|
spelling |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentesÍndices econômico-financeirosPrevisão de insolvênciaMineração de dadosSeleção de atributosAbordagens Filtro e WrapperPrevisão de falências pode ter grande utilidade para instituições financeiras e não financeiras no que se refere a tomar, antecipadamente, as melhores decisões possíveis quanto a empréstimos ou investimentos. Na literatura específica, muitos modelos de previsão de falência têm feito uso de técnicas de data mining (mineração de dados). O pré-processamento é passo importante para selecionar dados de boa qualidade para utilização em operações de mineração. Mesmo assim, apesar de a seleção de atributos poder ser muito benéfica para pré-selecionar dados representativos visando melhorar o desempenho da previsão final, não se sabe que método de seleção é o melhor. Este trabalho tem como objetivo principal comparar as duas abordagens mais utilizadas de avaliação de subconjuntos de atributos: Filtro e Wrapper. Apesar de serem fundamentadas em técnicas de mineração de dados e muito utilizadas na etapa de seleção de atributos em modelos de previsão de insolvência, essas técnicas são muito pouco utilizadas para tratar dados obtidos em demonstrativos contábeis de empresas brasileiras. Por isso, a base empírica deste estudo consiste em uma amostra de empresas comerciais e industriais brasileiras, coletando-se dados relativos ao período 2004-2011. Os resultados indicaram que, na amostra estudada, a abordagem Filtro foi a mais eficiente, fornecendo melhores resultados de classificação tanto para a técnica de regressão logística (91,80%), quanto para redes neurais (93,98%). Foi demonstrada, ainda, a importância da explicitação da etapa de avaliação da seleção de atributos para a obtenção de melhores resultados em aplicações de técnicas de mineração de dados na previsão de insolvência. Uma conclusão específica a respeito das vantagens da abordagem Filtro aponta que ela pode ser a preferida para avaliar os atributos que irão compor os modelos preditivos.Editora MackenzieUniversidade Presbiteriana Mackenzie2014-02-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-69712014000100006RAM. Revista de Administração Mackenzie v.15 n.1 2014reponame:RAM. Revista de Administração Mackenzieinstname:Universidade Presbiteriana Mackenzie (UPM)instacron:MACKENZIE10.1590/S1678-69712014000100006info:eu-repo/semantics/openAccessHorta,Rui Américo MathiasiAlves,Francisco José dos SantosCarvalho,Frederico Antônio Azevedo depor2014-02-27T00:00:00Zoai:scielo:S1678-69712014000100006Revistahttps://www.scielo.br/j/ram/https://old.scielo.br/oai/scielo-oai.phprevista.adm@mackenzie.br1678-69711518-6776opendoar:2014-02-27T00:00RAM. Revista de Administração Mackenzie - Universidade Presbiteriana Mackenzie (UPM)false |
dc.title.none.fl_str_mv |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
title |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
spellingShingle |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes Horta,Rui Américo Mathiasi Índices econômico-financeiros Previsão de insolvência Mineração de dados Seleção de atributos Abordagens Filtro e Wrapper |
title_short |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
title_full |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
title_fullStr |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
title_full_unstemmed |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
title_sort |
Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes |
author |
Horta,Rui Américo Mathiasi |
author_facet |
Horta,Rui Américo Mathiasi Alves,Francisco José dos Santos Carvalho,Frederico Antônio Azevedo de |
author_role |
author |
author2 |
Alves,Francisco José dos Santos Carvalho,Frederico Antônio Azevedo de |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Horta,Rui Américo Mathiasi Alves,Francisco José dos Santos Carvalho,Frederico Antônio Azevedo de |
dc.subject.por.fl_str_mv |
Índices econômico-financeiros Previsão de insolvência Mineração de dados Seleção de atributos Abordagens Filtro e Wrapper |
topic |
Índices econômico-financeiros Previsão de insolvência Mineração de dados Seleção de atributos Abordagens Filtro e Wrapper |
description |
Previsão de falências pode ter grande utilidade para instituições financeiras e não financeiras no que se refere a tomar, antecipadamente, as melhores decisões possíveis quanto a empréstimos ou investimentos. Na literatura específica, muitos modelos de previsão de falência têm feito uso de técnicas de data mining (mineração de dados). O pré-processamento é passo importante para selecionar dados de boa qualidade para utilização em operações de mineração. Mesmo assim, apesar de a seleção de atributos poder ser muito benéfica para pré-selecionar dados representativos visando melhorar o desempenho da previsão final, não se sabe que método de seleção é o melhor. Este trabalho tem como objetivo principal comparar as duas abordagens mais utilizadas de avaliação de subconjuntos de atributos: Filtro e Wrapper. Apesar de serem fundamentadas em técnicas de mineração de dados e muito utilizadas na etapa de seleção de atributos em modelos de previsão de insolvência, essas técnicas são muito pouco utilizadas para tratar dados obtidos em demonstrativos contábeis de empresas brasileiras. Por isso, a base empírica deste estudo consiste em uma amostra de empresas comerciais e industriais brasileiras, coletando-se dados relativos ao período 2004-2011. Os resultados indicaram que, na amostra estudada, a abordagem Filtro foi a mais eficiente, fornecendo melhores resultados de classificação tanto para a técnica de regressão logística (91,80%), quanto para redes neurais (93,98%). Foi demonstrada, ainda, a importância da explicitação da etapa de avaliação da seleção de atributos para a obtenção de melhores resultados em aplicações de técnicas de mineração de dados na previsão de insolvência. Uma conclusão específica a respeito das vantagens da abordagem Filtro aponta que ela pode ser a preferida para avaliar os atributos que irão compor os modelos preditivos. |
publishDate |
2014 |
dc.date.none.fl_str_mv |
2014-02-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-69712014000100006 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-69712014000100006 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/S1678-69712014000100006 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Editora Mackenzie Universidade Presbiteriana Mackenzie |
publisher.none.fl_str_mv |
Editora Mackenzie Universidade Presbiteriana Mackenzie |
dc.source.none.fl_str_mv |
RAM. Revista de Administração Mackenzie v.15 n.1 2014 reponame:RAM. Revista de Administração Mackenzie instname:Universidade Presbiteriana Mackenzie (UPM) instacron:MACKENZIE |
instname_str |
Universidade Presbiteriana Mackenzie (UPM) |
instacron_str |
MACKENZIE |
institution |
MACKENZIE |
reponame_str |
RAM. Revista de Administração Mackenzie |
collection |
RAM. Revista de Administração Mackenzie |
repository.name.fl_str_mv |
RAM. Revista de Administração Mackenzie - Universidade Presbiteriana Mackenzie (UPM) |
repository.mail.fl_str_mv |
revista.adm@mackenzie.br |
_version_ |
1752128649216131072 |