بررسي سودمندي روش‌هاي مختلف انتخاب متغيرهاي پيش‌بين در پيش‌بيني نوع اظهارنظر حسابرسان

Different Feature Selection Methods and Auditorsי Opinion Type Prediction

پژوهش حاضر به بررسی و مقایسه سودمندی روش­‌های مختلف انتخاب متغیر در پیش­بینی نوع اظهارنظر حسابرسان شركت‌های پذیرفته شده در بورس اوراق بهادار تهران می­پردازد. در این راستا، عملكرد روش­های انتخاب متغیر (شامل مبتنی بر همبستگی، آزمون t، تحلیل تشخیصی گام به گام، ریلیف و تحلیل عاملی) بررسی و با یكدیگر مقایسه شده است. طبقه‌بندی­كننده­های استفاده شده نیز شامل ماشین بردار پشتیبان و شبكه‌های عصبی مصنوعی است. ازاین‌رو، یافته­های تجربی مربوط به بررسی 1214 مشاهده (سال- شركت) پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1386 الی 1393 حاكی از سودمندی و تأثیر مثبت استفاده از روش‌های­ انتخاب متغیر بر عملكرد پیش­بینی نوع اظهارنظر حسابرسان و هم‌چنین وجود تفاوت معنادار بین میزان سودمندی این روش‌ها است. به عبارتی دیگر، در صورت استفاده از متغیرهای منتخب این روش‌ها نسبت به استفاده از 35 متغیر اولیه­، میانگین دقت افزایش و خطای نوع اول و دوم كاهش می‌یابد. افزون‌براین، یافته­های پژوهش حاكی از عملكرد بهتر و مناسب ماشین بردار پشتیبان نسبت به شبكه‌های عصبی است.

This research is aimed to investigate and compare the effects of different feature selection methods on auditorsʹ opinion type prediction. To do so, this research compares the performance of feature selection methods (including correlation-based, t-test, stepwise discriminate analysis, relief and factor analysis). Two classifiers used in this study are support vector machine and neural networks. The sample includes 1214 firms-years listed in the Tehran Stock Exchange in the period from 2008 to 2015. The results confirm the effectiveness of feature selection methods and significant differences among their performance. In other wordsc, using the feature selection methods increases the mean of accuracy and reduces type I and type II errors. Furthermore, the results indicate that support vector machine outperforms the neural networks.