| Journal: | Revista de administracao Mackenzie |
| Database: | CLASE |
| System number: | 000417215 |
| ISSN: | 1518-6776 |
| Authors: | Horta, Rui Americo Mathias1 Alves, Francisco Jose dos Santos2 Carvalho, Frederico Antonio Azevedo de3 |
| Institutions: | 1Universidade Federal de Juiz de Fora, Departamento de Financas e Controladoria, Juiz de Fora, Minas Gerais. Brasil 2Universidade do Estado do Rio de Janeiro, Departamento de Ciencias Contabeis, Rio de Janeiro. Brasil 3Universidade Federal do Rio de Janeiro, Departamento de Ciencias Contabeis, Rio de Janeiro. Brasil |
| Year: | 2014 |
| Season: | Ene-Feb |
| Volumen: | 15 |
| Number: | 1 |
| Pages: | 125-151 |
| Country: | Brasil |
| Language: | Portugués |
| Document type: | Revisión bibliográfica |
| Approach: | Descriptivo |
| Spanish abstract | Predicción de bancarrota puede tener gran utilidad para las instituciones finan- cieras 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 ). En la etapa de pre-procesamiento es importante seleccio- nar 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 repre- sentativos 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 que se basan en técnicas de minería de datos y am- pliamente utilizados en la selección de características en los modelos de predic- ción de la etapa de la insolvencia, estas técnicas son raramente utilizados para tratar datos de los estados financieros de las empresas brasileñas. Así que la base empírica de este estudio consiste en una muestra de empresas comerciales e industriales de Brasil, mediante la recopilación de datos para el período 2004- 2011. Los resultados indicaron que, en este ejemplo, el enfoque de filtro fue más eficiente, proporcionando mejores resultados de la clasificación tanto para la re- gresión 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 atribu- tos 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 |
| English abstract | Bankruptcy prediction may have great utility to financial and nonfinancial institu- tions 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 qual- ity 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 perfor- mance end, it is not known which method is the best selection. This work has as main objective to compare two approaches for evalua ting 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 tech- niques are rarely used to treat data from financial statements of Brazilian com- panies. Therefore the empirical basis of this study consists of a sample of Brazi- lian industrial and commercial enterprises, collecting data for the period 2004 to 2011. The results indicated that, in this sample, the filter approach was more effi- cient, 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 re- sults in applications of data mining techniques to predict insolvency. A specific conclusion about the advantages of the filter approach shows that it may be pre- ferred to assess the attributes that will make predictive models |
| Portuguese abstract | 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, mui- tos 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 mi- neração 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 demons- trada, 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 res- peito das vantagens da abordagem Filtro aponta que ela pode ser a preferida para avaliar os atributos que irão compor os modelos preditivos |
| Disciplines: | Economía, Administración y contaduría |
| Keyword: | Empresas, Dirección y control, Inversiones, Bancarrota, Insolvencia, Instituciones financieras, Préstamos, Minería de datos, Toma de decisiones, Modelos económicos, Indicadores financieros, Empresas comerciales, Empresas industriales, Brasil |
| Full text: | Texto completo (Ver PDF) |
