بررسی سودمندی انتخاب متغیرهای پیش‌بین در پیش‌بینی نوع اظهارنظر حسابرسان

Abstract

در اغلب پژوهش‌های انجام‎شده، متغیرهای پیش‌بین بدون ضابطه و فقط براساس مطالعات گذشته انتخاب شده‎اند. فرایند انتخاب متغیرها را می‌توان به‎عنوان مرحلۀ پیش‌پردازش برای حذف متغیرهای نامربوط و اضافه و انتخاب متغیرهای بهینه قبل از ایجاد مدل دانست. در این رابطه، پژوهش حاضر به بررسی سودمندی روش­ انتخاب متغیر مبتنی بر همبستگی برای پیش‎بینی نوع اظهارنظر حسابرسان شرکت­های پذیرفته‎شده در بورس اوراق بهادار تهران می‎پردازد. طبقه­بندی­کننده­های این پژوهش، شبکه‌های عصبی مصنوعی و رگرسیون لجستیک است. به‎طور کلی، یافته­های تجربی مربوط به بررسی 1214 مشاهده (سال ـ شرکت) در بازۀ زمانی 1386 تا 1393 نشان‌ داد سودمندی استفاده از متغیرهای منتخب روش­ انتخاب متغیر همبستگی، در عملکرد پیش­بینی نوع اظهارنظر حسابرسان است. به بیان دیگر، در صورت استفاده از متغیرهای منتخب این روش نسبت به استفاده از کلیۀ متغیرهای اولیه­، میانگین دقت افزایش و خطای نوع اول و دوم کاهش خواهد یافت. افزون‎بر این، یافته­های پژوهش حاکی از عملکرد مناسب و بهتر شبکه‌های عصبی نسبت به رگرسیون لجستیک است.