Problem wartości odstających w badaniu kondycji finansowej przedsiębiorstw budowlanych w Polsce

Jadwiga Kostrzewska, Barbara Pawełek, Artur Lipieta

Streszczenie


Wyniki analizy kondycji finansowej przedsiębiorstw są wykorzystywane m.in. w badaniach dotyczących zagrożenia upadłością. Do oceny kondycji finansowej przedsiębiorstw wykorzystuje się wskaźniki finansowe, podstawą badań są zatem dane pochodzące ze sprawozdań finansowych. Ocena jakości tych danych obejmuje m.in. wykrywanie wartości odstających. Celem artykułu jest przedstawienie wyników badań empirycznych nad wpływem wyboru metody wykrywania i eliminacji wartości odstających na skuteczność klasyfikacyjną modelu logitowego, budowanego na podstawie zbiorów uwzględniających lub pomijających wykryte wartości odstające. W badaniach empirycznych wykorzystano jedno- i wielowymiarowe metody wykrywania wartości odstających. Metody te dodatkowo połączono z analizą mocy dyskryminacyjnej wskaźników finansowych. Ocenę skuteczności modelu logitowego oparto na miernikach wrażliwości i specyficzności. Badaniem objęto przedsiębiorstwa budowlane w Polsce w latach 2005, 2007 i 2009.


Słowa kluczowe


wartości odstające, kondycja finansowa, wskaźnik finansowy, model logitowy, klasyfikacja

Pełny tekst

PDF

Literatura


Barnett V., Lewis T. [1994], Outliers in Statistical Data, John Wiley, New York.

Ben-Gal I. [2005], Outlier Detection [w:] Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers, red. O. Maimon i L. Rockach, Kluwer Academic Publishers, Dordrecht.

De Andrés J., Sánchez-Lasheras F., Lorca P., De Cos Juez F.J. [2011], A Hybrid Device of Self Organizing Maps (SOM) and Multivariate Adaptive Regression Splines (MARS) for the Forecasting of Firms’ Bankruptcy, „Accounting and Management Information Systems”, vol. 10, nr 3.

Grubbs F.E. [1969], Procedures for Detecting Outlying Observations in Samples, „Technometrics”, vol. 11, nr 1, http://dx.doi.org/10.1080/00401706.1969.10490657.

Hampel F.R. [1971], A General Qualitative Definition of Robustness, „The Annals of Mathematical Statistics”, vol. 42, nr 6, http://dx.doi.org/10.1214/aoms/1177693054.

Hampel F.R. [1974], The Influence Curve and Its Role in Robust Estimation, „Journal of the American Statistical Association”, vol. 69, nr 346, http://dx.doi.org/10.1080/01621459.1974.10482962.

Hawkins D. [1980], Identification of Outliers, Chapman and Hall, London–New York.

Hodge V.J., Austin J. [2004], A Survey of Outlier Detection Methodologies, „Artificial Intelligence Review”, vol. 22, nr 2, http://dx.doi.org/10.1023/b:aire.0000045502.10941.a9.

John G.H. [1995], Robust Decision Trees: Removing Outliers from Databases [w:] Proceedings of the First International Conference on Knowledge Discovery and Data Mining, red. U.M. Fayyad i R. Uthurusamy, AAAI Press, Menlo Park, CA.

Johnson R., Wichern D.W. [1992], Applied Multivariate Statistical Analysis, Prentice Hall, Upper Saddle River, NJ.

Kaufman L., Rousseeuw P.J. [1990], Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, New York.

Kosiorowski D. [2012], Statystyczne funkcje głębi w odpornej analizie ekonomicznej, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, Seria specjalna: Monografie, nr 208, Kraków.

Pawełek B., Kostrzewska J., Lipieta A. [2015], The Problem of Outliers in the Research on the Financial Standing of Construction Enterprises in Poland [w:] Proceedings of the 9th Professor Aleksander Zeliaś International Conference on Modelling and Forecasting of Socio-economic Phenomena, red. M. Papież i S. Śmiech, Foundation of the Cracow University of Economics, Cracow.

Pociecha J., Pawełek B., Baryła M., Augustyn S. [2014], Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków.

Ramaswamy S., Rastogi R., Shim K. [2000], Efficient Algorithms for Mining Outliers from Large Data Sets [w:] Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, May 16–18, 2000, Dallas, Texas, red. W. Chen, J. Naughton i P.A. Bernstein, Association for Computing Machinery, New York.

Shumway T. [2001], Forecasting Bankruptcy More Accurately: A Simple Hazard Model, „The Journal of Business”, vol. 74(1).

Spicka J. [2013], The Financial Condition of the Construction Companies before Bankruptcy, „European Journal of Business and Management”, vol. 5, nr 23.

Tsai Ch.F., Cheng K.Ch. [2012], Simple Instance Selection for Bankruptcy Prediction, „Knowledge-Based Systems”, vol. 27, http://dx.doi.org/10.1016/j.knosys.2011.09.017.

Tukey J.W. [1977], Exploratory Data Analysis, Addison-Wesley, Reading, PA.

Williams G.J., Baxter R.A., He H.X., Hawkins S., Gu L. [2002], A Comparative Study of RNN for Outlier Detection in Data Mining, IEEE International Conference on Data-mining (ICDM’02), Maebashi City, Japan, CSIRO Technical Report CMIS-02/102.

Wu Y., Gaunt C., Gray S. [2010], A Comparison of Alternative Bankruptcy Prediction Models, „Journal of Contemporary Accounting and Economics”, vol. 6, nr 1, http://dx.doi.org/10.1016/j.jcae.2010.04.002.

Yu Q., Miche Y., Séverin E., Lendasse A. [2014], Bankruptcy Prediction Using Extreme Learning Machine and Financial Expertise, „Neurocomputing”, vol. 128, http://dx.doi.org/10.1016/j.neucom.2013.01.063.

Zuo Y. [2003], Projection-Based Depth Functions and Associated Medians, „The Annals of Statistics”, vol. 31, nr 5, http://dx.doi.org/10.1214/aos/1065705115.

Zuo Y., Serfling R. [2000], General Notions of Statistical Depth Functions, „The Annals of Staistics”, vol. 28, nr 2, http://dx.doi.org/10.1214/aos/1016218226.




DOI: https://doi.org/10.15678/ZNUEK.2016.0949.0102