Результаты апостериорной классификации наблюдений
Группа |
% «верно» классифицированных наблюдений |
Группа “YES” |
Группа “NO” |
Группа “YES” |
90,00000 |
18 |
2 |
Группа “NO” |
83,33334 |
2 |
10 |
В целом по выборке |
87,50000 |
20 |
12 |
В табл. 5.5 по строкам указаны наблюдаемые значения группирующей переменной, а по столбцам – ее расчетные значения, полученные с помощью классификационных функций. Так число 18, стоящее на пересечении строки “Группа “YES”” и одноименного столбца указывает на то, что в анализируемой выборке имеется 18 наблюдений, которые принадлежат группе “YES” и были верно классифицированы. Число 2, стоящее на пересечении строки “Группа “YES”” и столбца “Группа “NO”” указывает на то, что в исходной выборке имеется 2 значения, которые принадлежат группе “YES”, однако были ошибочно отнесены к группе “NO”. Общее число ошибок при апостериорной классификации – 4. Доля верно классифицированных наблюдений – 87,5%.
Для более достоверной оценки качества построенных функций классификации была проведена априорная классификация , то есть классификация наблюдений, не использованных при моделировании. Для этого использовались данные по 11 предприятиям за 2004 год. Результаты априорной классификации приведены в табл. 5.6.
Таблица 5.6
Результаты априорной классификации
Название предприятия |
Значение K1 |
Значение K2 |
Расчетное значение группирующей Переменной |
Истинное значение группирующей переменной |
Волгателеком |
13,28771 |
11,05032 |
YES |
YES |
Дальсвязь |
9,7464 |
7,028047 |
YES |
NO |
РАО ЕЭС России |
6,712691 |
10,50706 |
NO |
NO |
Ростелеком |
3,957363 |
5,503423 |
NO |
NO |
Северо-Западный Телеком |
14,7088 |
12,23476 |
YES |
YES |
Сибирское молоко |
2,617694 |
-0,04177 |
YES |
YES |
Сибирьтелеком |
9,361698 |
7,195263 |
YES |
YES |
Туймазинский молокозавод |
7,510176 |
8,477865 |
NO |
YES |
Уралсвязьинформ |
10,0118 |
7,211544 |
YES |
YES |
ЦентрТелеком |
10,97565 |
7,66109 |
YES |
YES |
ЮТК |
12,70106 |
7,733095 |
YES |
YES |
В
табл. 5.6 в столбцах “Значение K1” и
“Значение К2” указаны значение
классификационных меток, рассчитанные
по формулам (1) и (2) соответственно.
Расчетное значение группирующей
переменной равно “YES” в случае, когда
,
в противном случае – “NO”. Истинное
значение было рассчитано на основании
данных бухгалтерской отчетности. Как
следует из проведенных расчетов,
наблюдения были верно классифицированы
в 9 из 11 случаев, то есть достоверность
априорной классификации равна 81,8% (9/11)
Предложенная в данной работе модель предназначена для отнесения анализируемого предприятия к одной из двух групп:
1. Предприятия, нуждающиеся в привлечении кредитов и займов;
Предприятия, не нуждающиеся в привлечении кредитов и займов.
Исходными данными для расчетов служат статьи бухгалтерской отчетности.
Практический смысл разработанной модели состоит в том, что используя данные на начало года руководство компании может оценивать перспективы изменения структуры капитала, которые произойдут в течение года и таким образом, принимать обоснованные управленческие решения. Для оценки качества построенной модели использовались 2 метода – оценка точности апостериорной и априорной классификации. Апостериорная классификация, состоящая в том, что классифицируются наблюдения, использованные при построении модели, была проведена с точностью 87,5 % (4 ошибки из 32 наблюдений).
Для проведения априорной классификации использовались данные за 2004 год, не включенные в выборку, по которой строились классификационные функции. Точность такой классификации составила 81,8% (2 ошибки на выборке из 11 наблюдений).
Полученная точность свидетельствует о довольно высоком качестве построенной модели и позволяет применять результаты моделирования на практике.