An Inductive Approach to Quantitative Methodology—Application of Novel Penalising Models in a Case Study of Target Debt Level in Swedish Listed Companies
Notice bibliographique
Résumé
This paper proposes a method for conducting quantitative inductive research on survey data when the variable of interest follows an ordinal distribution. A methodology based on novel and traditional penalising models is described. The main aim of this study is to pedagogically present the method utilising the new penalising methods in a new application. A case was employed to outline the methodology. The case aims to select explanatory variables correlated with the target debt level in Swedish listed companies. The survey respondents were matched with accounting information from the companies’ annual reports. However, missing data were present: to fully utilise penalising models, we employed classification and regression tree (CART)-based imputations by multiple imputations chained equations (MICEs) to address this problem. The imputed data were subjected to six penalising models: grouped multinomial lasso, ungrouped multinomial lasso, parallel element linked multinomial-ordinal (ELMO), semi-parallel ELMO, nonparallel ELMO, and cumulative generalised monotone incremental forward stagewise (GMIFS). While the older models yielded several explanatory variables for the hypothesis formation process, the new models (ELMO and GMIFS) identified only one quick asset ratio. Subsequent testing revealed that this variable was the only statistically significant variable that affected the target debt level.
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 | 0,004 | 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 | 0,000 |
| 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 ».