Bankruptcy is a highly significant social problem which costs enormous social spending related to a failed firm. There have been many studies on firm`s bankruptcies using a variety of statistical methods such as discriminant analysis and logistic regression. Also machine learning methodologies such as support vector machine, artificial neural network, and case-based reasoning have been adopted for the problem.
Although there have been many studies on the bankruptcy, they mainly focused on the individual variables, not on their interactions. However, the interaction has been known to have the additional information to predict the bankruptcy.
In this research, we examined the effectiveness of Multifactor Dimensionality Reduction(MDR) which recently came out as an effective method for finding the interactions of genes which cause sporadic breast cancer.
Two variable interactions and three variable interactions selected by MDR were examined respectively for the effectiveness of bankruptcy predictors. For the experiment, the model without any interaction terms and the model with two variable interaction terms were compared with the prediction accuracy on holdout samples. Three experiments were executed using logistic regression, support vector machine, and artificial neural network methodologies for the robust of the result. In sequence, the model without any interaction terms and the model with three variable interaction terms were compared with the same method. Data was taken from a sample of 577 bankrupt and non-bankrupt small companies for the period 1998 - 2001. 18 variables were selected from the previous researches.
Experiment results revealed that the model with two variable interaction terms significantly outperformed the model without interaction terms. However, three variable interaction terms did not show significant outperformance. That means the interaction terms have additional information for the bankruptcy prediction though the number of variables for the interaction terms should be considered to attain better bankruptcy predictors.
부도는 커다란 비용을 일으키는 심각한 사회적 문제이다. 그 동안 회사의 부도예측에 대하여 판별분석, 로짓분석과 같은 통계적인 방법과 Support Vector Machine, 인공신경망, 사례기반추론과 같은 기계학습 방법이 적용되어왔다. 하지만 이들 연구는 주로 단일변수들의 역할에 초점을 맞추었을 뿐, 변수간의 상호작용에 대한 연구는 거의 없었다. 그러나 상호작용이 부도예측에 추가적인 정보가 있음이 알려져 있다. 이 연구에서는 돌발성 유방암을 일으키는 유전자의 상호작용을 발견하는데 효과적인 방법으로 최근 대두된 다요인차원감소(Multifactor Dimensionality Reduction, MDR)의 효과를 검사하였다. MDR을 통해 발견한 두 변수, 세 변수 간의 상호작용이 부도예측변수로서 유용한지를 검사하였다. 이를 위해 두 변수간의 상호작용 변수를 포함한 모형과 그렇지 않은 모형의 예측율을 비교하였다. 모형은 로짓분석, Support Vector Machine, 인공신경망으로 각기 방법을 달리하며 3회 구축하여 일관성을 높이려 하였다. 같은 방법으로 세 변수의 상호작용을 포함한 모형과 그렇지 않은 모형의 예측율을 비교하였다. 실험에는 1998년부터 2001년 까지 577개의 부도, 비부도 기업의 샘플을 사용하였고, 기존연구를 통해 18개의 독립변수를 선정하였다. 실험결과로 두 변수의 상호작용이 포함된 모형은 상호작용이 없는 모형보다 더 나은 예측율을 보여주었다. 그러나 세 변수간의 상호작용은 유의한 성과차이를 보여주지 못했다. 이를 통해 변수간의 상호작용은 부도예측에 추가적인 정보를 가지고 있고 부도예측변수로 사용될 수 있지만 더 나은 상호작용변수를 선정하기 위한 변수의 수는 고려되어야 함을 확인하였다.
