Comparison of Binary Logit Model and Multinomial Logit Model in Predicting Corporate Failure
Notice bibliographique
Résumé
A critical issue in the prediction of corporate failures is, whether to categorize sample firms in a binary fashion into failed firms and non-failed firms or to classify failed firms according to multiple financial difficulties. As most previous studies only employ the binary approach in their forecast, this work compares both the binary logit model and the multinomial logit model to determine whether or not the accuracy of forecasting corporate failures can be improved by further classifying financially-failed firms. The binary logit model recognizes slightly-distressed events and bankruptcy-and-reorganizations events both as corporate failure, while the multinomial logit model distinguishes between levels of corporate failure events as slightly-distressed firms and bankruptcy-and-reorganization firms. The empirical results show that the misclassification errors and error costs of the binary logit model are smaller than those of the multinomial logit model, suggesting that the binary logit model performs superior to the multinomial logit model in predicting corporate failure. The comparison results imply that the slightly-distressed firms and bankruptcy-and-reorganization firms are similar in characteristics. The occurrence of slightly-distressed events is already on the verge of bankruptcy, signifying major financial failure in the company operations. In such case, investors and debtors should be especially alert to withdraw their investments or terminate their loans to prevent loss.
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 | 0,000 | 0,000 |
| 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 ».