Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | RAM. Revista de Administração Mackenzie |
Texto Completo: | https://editorarevistas.mackenzie.br/index.php/RAM/article/view/4052 |
Resumo: | Bankruptcy prediction may have great utility to financial and nonfinancial institutions with regard to take in advance the best possible decisions regarding loans or investments. In specific literature, many bankruptcy prediction models have made use of Data Mining. The preprocessing step is important to select good quality data for use in mining operations. Still, although the selection of attributes can be very beneficial to pre-select representative data to improve the forecast performance end, it is not known which method is the best selection. This work has as main objective to compare two approaches for evaluating subsets of attributes - Filter and Wrapper. Despite being based on data mining techniques and widely used in the step of feature selection in bankruptcy prediction models, these techniques are rarely used to treat data from financial statements of Brazilian companies. Therefore the empirical basis of this study consists of a sample of Brazilian industrial and commercial enterprises, collecting data for the period 2004 to 2011. The results indicated that, in this sample, the filter approach was more efficient, providing better classification results both for logistic regression (91,80%) and for neural networks (93,98%). It was shown also the importance of making explicit the evaluation stage of the selection of attributes for achieving better results in applications of data mining techniques to predict insolvency. A specific conclusion about the advantages of the filter approach shows that it may be preferred to assess the attributes that will make predictive models. |
id |
MACKENZIE_f0e6e368387ad2979f5971548ca26df4 |
---|---|
oai_identifier_str |
oai:ojs.editorarevistas.mackenzie.br:article/4052 |
network_acronym_str |
MACKENZIE |
network_name_str |
RAM. Revista de Administração Mackenzie |
repository_id_str |
|
spelling |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian DataSelección de Atributos en Previsión de Insolvencia: Aplicación y Evaluación Utilizando Datos Recientes de BrasilSeleção de Atributos na Previsão de Insolvência: Aplicação e Avaliação Usando Dados Brasileiros RecentesÍndices econômico-financeirosPrevisão de insolvênciaMineração de dadosSeleção de atributosAbordagens filtro e wrapper.Bankruptcy prediction may have great utility to financial and nonfinancial institutions with regard to take in advance the best possible decisions regarding loans or investments. In specific literature, many bankruptcy prediction models have made use of Data Mining. The preprocessing step is important to select good quality data for use in mining operations. Still, although the selection of attributes can be very beneficial to pre-select representative data to improve the forecast performance end, it is not known which method is the best selection. This work has as main objective to compare two approaches for evaluating subsets of attributes - Filter and Wrapper. Despite being based on data mining techniques and widely used in the step of feature selection in bankruptcy prediction models, these techniques are rarely used to treat data from financial statements of Brazilian companies. Therefore the empirical basis of this study consists of a sample of Brazilian industrial and commercial enterprises, collecting data for the period 2004 to 2011. The results indicated that, in this sample, the filter approach was more efficient, providing better classification results both for logistic regression (91,80%) and for neural networks (93,98%). It was shown also the importance of making explicit the evaluation stage of the selection of attributes for achieving better results in applications of data mining techniques to predict insolvency. A specific conclusion about the advantages of the filter approach shows that it may be preferred to assess the attributes that will make predictive models.Predicción de bancarrota puede tener gran utilidad para las instituciones financieras y no financieras con respecto a tomar de antemano las mejores decisiones posibles con respecto a los préstamos o inversiones. En la literatura específica, muchos de los modelos de predicción de bancarrota han hecho uso de minería de datos (Data Mining). La etapa de pre-procesamiento es importante seleccionar datos de buena calidad para su uso en las operaciones mineras. Sin embargo, aunque la selección de atributos puede ser muy beneficioso para los datos representativos pre-selección para mejorar el rendimiento final previsto, no se sabe qué método es la mejor selección. Este trabajo tiene como principal objetivo comparar dos enfoques para la evaluación de los subconjuntos de atributos - con filtro y envoltura. A pesar de estar basado en técnicas de minería de datos y se utiliza ampliamente en la etapa de selección de características en los modelos de predicción de quiebra, estas técnicas rara vez se utiliza para tratar los datos de los estados financieros de las empresas brasileñas. Por lo tanto, la base empírica de este estudio consiste en una muestra de brasileños empresas industriales y comerciales, la recogida de datos para el período 2004 a 2011. Los resultados indicaron que, en este ejemplo, el enfoque de filtro fue más eficiente, proporcionando mejores resultados de la clasificación tanto para la regresión logística (91,80%) y de redes neuronales (93,98%). También se demostró la importancia de hacer explícita la etapa de evaluación de la selección de atributos para lograr mejores resultados en la aplicación de técnicas de minería de datos para predecir la insolvencia. Una conclusión específica acerca de las ventajas del enfoque de filtro de muestra que puede ser preferible para evaluar los atributos que harán modelos predictivos.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 que a seleção de atributos pode 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 de 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 Mackenzie2013-11-11info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionPesquisa empírica descritiva.application/pdfhttps://editorarevistas.mackenzie.br/index.php/RAM/article/view/4052Revista de Administração Mackenzie; Vol. 15 No. 1 (2014)Revista de Administração Mackenzie; Vol. 15 Núm. 1 (2014)Revista de Administração Mackenzie (Mackenzie Management Review); v. 15 n. 1 (2014)1678-69711518-6776reponame:RAM. Revista de Administração Mackenzieinstname:Universidade Presbiteriana Mackenzie (MACKENZIE)instacron:MACKENZIEporhttps://editorarevistas.mackenzie.br/index.php/RAM/article/view/4052/4628Copyright (c) 2015 Revista de Administração Mackenzieinfo:eu-repo/semantics/openAccessHorta, Rui Américo MathiasiAlves, Francisco Jose dos Santosde Carvalho, Frederico A.2014-02-17T13:19:02Zoai:ojs.editorarevistas.mackenzie.br:article/4052Revistahttps://editorarevistas.mackenzie.br/index.php/RAM/PUBhttps://editorarevistas.mackenzie.br/index.php/RAM/oairevista.adm@mackenzie.br1678-69711518-6776opendoar:2024-04-19T17:00:50.944894RAM. Revista de Administração Mackenzie - Universidade Presbiteriana Mackenzie (MACKENZIE)false |
dc.title.none.fl_str_mv |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data Selección de Atributos en Previsión de Insolvencia: Aplicación y Evaluación Utilizando Datos Recientes de Brasil Seleção de Atributos na Previsão de Insolvência: Aplicação e Avaliação Usando Dados Brasileiros Recentes |
title |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data |
spellingShingle |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data Horta, Rui Américo Mathiasi Índices econômico-financeiros Previsão de insolvência Mineração de dados Seleção de atributos Abordagens filtro e wrapper. |
title_short |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data |
title_full |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data |
title_fullStr |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data |
title_full_unstemmed |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data |
title_sort |
Attribute Selection in Bankruptcy Prediction: Application and Evaluation Using Recent Brazilian Data |
author |
Horta, Rui Américo Mathiasi |
author_facet |
Horta, Rui Américo Mathiasi Alves, Francisco Jose dos Santos de Carvalho, Frederico A. |
author_role |
author |
author2 |
Alves, Francisco Jose dos Santos de Carvalho, Frederico A. |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Horta, Rui Américo Mathiasi Alves, Francisco Jose dos Santos de Carvalho, Frederico A. |
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 |
Bankruptcy prediction may have great utility to financial and nonfinancial institutions with regard to take in advance the best possible decisions regarding loans or investments. In specific literature, many bankruptcy prediction models have made use of Data Mining. The preprocessing step is important to select good quality data for use in mining operations. Still, although the selection of attributes can be very beneficial to pre-select representative data to improve the forecast performance end, it is not known which method is the best selection. This work has as main objective to compare two approaches for evaluating subsets of attributes - Filter and Wrapper. Despite being based on data mining techniques and widely used in the step of feature selection in bankruptcy prediction models, these techniques are rarely used to treat data from financial statements of Brazilian companies. Therefore the empirical basis of this study consists of a sample of Brazilian industrial and commercial enterprises, collecting data for the period 2004 to 2011. The results indicated that, in this sample, the filter approach was more efficient, providing better classification results both for logistic regression (91,80%) and for neural networks (93,98%). It was shown also the importance of making explicit the evaluation stage of the selection of attributes for achieving better results in applications of data mining techniques to predict insolvency. A specific conclusion about the advantages of the filter approach shows that it may be preferred to assess the attributes that will make predictive models. |
publishDate |
2013 |
dc.date.none.fl_str_mv |
2013-11-11 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Pesquisa empírica descritiva. |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://editorarevistas.mackenzie.br/index.php/RAM/article/view/4052 |
url |
https://editorarevistas.mackenzie.br/index.php/RAM/article/view/4052 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://editorarevistas.mackenzie.br/index.php/RAM/article/view/4052/4628 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2015 Revista de Administração Mackenzie info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2015 Revista de Administração Mackenzie |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Editora Mackenzie |
publisher.none.fl_str_mv |
Editora Mackenzie |
dc.source.none.fl_str_mv |
Revista de Administração Mackenzie; Vol. 15 No. 1 (2014) Revista de Administração Mackenzie; Vol. 15 Núm. 1 (2014) Revista de Administração Mackenzie (Mackenzie Management Review); v. 15 n. 1 (2014) 1678-6971 1518-6776 reponame:RAM. Revista de Administração Mackenzie instname:Universidade Presbiteriana Mackenzie (MACKENZIE) instacron:MACKENZIE |
instname_str |
Universidade Presbiteriana Mackenzie (MACKENZIE) |
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 (MACKENZIE) |
repository.mail.fl_str_mv |
revista.adm@mackenzie.br |
_version_ |
1796794718193975296 |