A Comparison of Jordanian Bankruptcy Models: Multilayer Perceptron Neural Network and Discriminant Analysis
Notice bibliographique
Résumé
<p>The main purpose of this study is to develop and compare the classification accuracy of bankruptcy prediction models using the multilayer perceptron neural network, and discriminant analysis, for the industrial sector in Jordan. The models were developed using the ten popular financial ratios found to be useful in earlier studies and expected to predict bankruptcy. The study sample was divided into two samples; the original sample (n=14) for developing the two models and a hold-out sample (n=18) for testing the prediction of models for three years prior to bankruptcy during the period from 2000 to 2014.</p><p>The results indicated that there was a difference in prediction accuracy between models in two and three years prior to failure. The results indicated that the multilayer perceptron neural network model achieved a higher overall classification accuracy rate for all three years prior to bankruptcy than the discriminant analysis model. Furthermore, the prediction rate was 94.44% two years prior to bankruptcy using multilayer perceptron neural network model and 72.22% using the discriminant analysis model. This is a significant difference of 22.22%. On the other side, the prediction rate of 83.34% three years prior to bankruptcy using multilayer perceptron neural network model and 61.11% using discriminant analysis model. We indicate there was a difference exists of 22.23%. In addition, the multilayer perceptron neural network model provides in the first two years prior to bankruptcy the lowest percentage of type I error.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».