Memprediksi Kebangkrutan dengan Regresi Logistik yang Kuat

Richard P. Hauser dan David Booth ∗

Universitas Negeri Kent

Abstrak: Menggunakan data rasio keuangan tahun 2006 dan 2007, penelitian ini menggunakan skema
validasi silang tiga kali lipat untuk membandingkan klasifikasi dan prediksi perusahaan bangkrut dengan
regresi logistik yang kuat dengan Bianco dan Penaksir Yohai (BY) versus regresi logistik kemungkinan
maksimum (ML). Dengan data tahun 2006 dan 2007, OLEH regresi logistik yang kuat meningkat baik
klasifikasi perusahaan pailit dalam set pelatihan dan prediksi perusahaan yang bangkrut di set pengujian.
Dalam uji di luar sampel, regresi logistik yang kuat BY memprediksi dengan tepat kebangkrutan Lehman
Brothers; Namun, regresi logistik ML tidak pernah memprediksi kebangkrutan Lehman Para bruder
dengan data tahun 2006 atau 2007. Analisis kami menunjukkan itu jika BY robust logistik regresi secara
signifikan mengubah estimasi koefisien regresi dari regresi logistik ML, maka BY robust logistic metode
regresi secara signifikan dapat meningkatkan klasifikasi dan prediksi dari perusahaan yang bangkrut.
Paling buruk, regresi logistik yang kuat BY membuat no perubahan dalam koefisien regresi yang
diperkirakan dan memiliki klasifikasi dan hasil prediksi yang sama dengan regresi logistik ML. Ini bukti
kuat bahwa DENGAN regresi logistik yang kuat harus digunakan sebagai pemeriksaan ketahanan Regresi
logistik ML, dan jika ada perbedaan, maka OLEH logistik yang kuat regresi harus digunakan sebagai
pengklasifikasi utama.

Kata kunci: Prediksi kebangkrutan, regresi logistik robust.

1. Perkenalan

Prediksi kebangkrutan perusahaan merupakan hal yang penting dan dipelajari secara luas topik
(Wilson dan Sharda, 1994). Kreditor dan investor di perusahaan membutuhkan untuk dapat
memprediksi kemungkinan gagal bayar untuk keputusan bisnis yang menguntungkan. Bagi bank,
penilaian yang akurat tentang kemungkinan kebangkrutan dapat menyebabkan praktik peminjaman
yang lebih baik serta estimasi nilai wajar suku bunga yang lebih baik yang mencerminkan risiko
kredit. Namun, kebutuhan untuk memprediksi kebangkrutan perusahaan pergi di luar bank.
Misalnya, kantor akuntan dapat mengambil risiko tuntutan hukum jika auditor gagal mengeluarkan
peringatan dini, seperti opini “going concern” bagi yang bermasalah perusahaan. Lebih banyak
tempat dalam bisnis adalah kontrak derivatif di mana perusahaan harus sering melakukannya menilai
risiko rekanan mereka. Secara historis banyak kredit atau rekanan penilaian risiko hanya
menggunakan peringkat yang dikeluarkan oleh peringkat kredit standar agensi. Seperti yang
ditemukan banyak investor baru-baru ini, peringkat ini cenderung seperti itu reaktif daripada
prediktif. Oleh karena itu, ada kebutuhan besar untuk mengembangkan keakuratan model kuantitatif
untuk prediksi kebangkrutan perusahaan.

Pendekatan utama untuk mengembangkan model kuantitatif untuk prediksi semacam itu
telah dilakukan untuk mempelajari hubungan default dengan variabel perusahaan dari data
menggunakan statistic model. Dalam praktik dan studi akademis, model statistik didasarkan pada
analisis diskriminan multivariat, regresi logistik, dan jaringan saraf memiliki. telah digunakan untuk
memprediksi kebangkrutan perusahaan (Sharda dan Wilson, 1996; Lee et al.,2005). Dalam studi ini,
kita akan fokus pada kebangkrutan perusahaan dan regresi logistik, yang memiliki interpretasi
probabilistik yang bagus karena outputnya antara 0 dan 1. Namun, dua masalah utama dengan
regresi logistik terjadi karena sifat dari masalah kebangkrutan. Pertama, kami menegaskan bahwa
perusahaan yang bangkrut dapat dilihat sebagai pencilan dari perspektif sekelompok perusahaan
yang sehat (Booth, 1982). Dalam suatu tahun tertentu, jumlah kebangkrutan perusahaan relatif kecil
untuk jumlah total perusahaan yang diperdagangkan secara publik. Jika perusahaan yang bangkrut
adalah pencilan, hal ini merupakan pelanggaran besar terhadap asumsi distribusi yang mendasarinya
regresi logistik. Pencilan dalam kumpulan data kemudian dapat menyebabkan ketidakkonsistenan
saat kemungkinan maksimum digunakan untuk memperkirakan koefisien untuk regresi logistic
(Bianco dan Martinez, 2009). Pengelompokan penaksir kemungkinan maksimum (ML) tradisional
untuk regresi logistik ini telah menghasilkan sejumlah proposal untuk penduga yang tahan (atau kuat)
terhadap keberadaan pencilan dalam data. Estimator kuat yang kami pertimbangkan adalah yang
disebabkan oleh Bianco dan Yohai (1996) sebagai diimplementasikan oleh Croux dan Haesbroeck
(2003), yang sekarang akan kita sebut sebagai BY regresi logistik yang kuat.

Masalah kedua yang terjadi dengan regresi logistik dalam kebangkrutan. Masalahnya adalah
interpretasi model persen diprediksi (atau diklasifikasikan) dengan benar. Seperti yang dikemukakan
oleh Wooldridge (2009), persen diprediksi dengan tepat adalah ukuran kesesuaian yang berguna,
namun bisa sangat menyesatkan. Persen diprediksi dengan benar bisa sangat menyesatkan jika rasio
relatif hasilnya adalah besar. Sekali lagi, ini benar dengan kebangkrutan perusahaan karena kejadian
kebangkrutan relatif biasanya sangat rendah. Jadi dalam kasus kebangkrutan perusahaan, adalah
mungkin untuk mendapatkan persentase yang agak tinggi yang diprediksi dengan benar bahkan
ketika prediksi model tentang kebangkrutan (hasil yang paling tidak mungkin) sangat buruk.
Wooldridge (2009) kemudian merekomendasikan agar peneliti menghitung persentase diprediksi
dengan benar untuk setiap hasil. Karena tingkat kebangkrutan rendah kemudian, kebanyakan model
kebangkrutan memiliki prediksi kebangkrutan yang relatif buruk.

Tujuan utama dari penelitian ini adalah untuk mengetahui keakuratan prediksi kebangkrutan
menggunakan BY regresi logistik yang kuat versus regresi logistik ML. Menggunakan data rasio
keuangan dari tahun 2006 dan 2007, skema validasi silang tiga kali lipat dirancang untuk
membandingkan klasifikasi yang benar dan prediksi kebangkrutan perusahaan dengan regresi logistik
yang kuat BY dan regresi logistik ML. Dengan keduanya Data tahun 2006 dan 2007, BY regresi logistik
yang kuat meningkatkan baik klasifikasi perusahaan pailit dalam set pelatihan dan prediksi
perusahaan pailit di set pengujian. Analisis kami menunjukkan bahwa jika BY regresi logistik yang
kuat secara signifikan mengubah estimasi koefisien regresi dari regresi logistik ML, maka metode
regresi logistik yang kuat BY dapat ditingkatkan secara signifikan klasifikasi dan prediksi perusahaan
yang bangkrut. Pengingat kertas adalah diatur sebagai berikut. Bagian 2 meninjau literatur
sebelumnya tentang prediksi kebangkrutan dan pengembangan metode regresi logistik yang kuat BY.
Bagian 3 menyediakan desain dan metodologi penelitian dalam hal data, variabel, dan skema validasi
silang. Hasil regresi ditampilkan dan dibahas di Bagian 4, dan kesimpulan penelitian diberikan di
Bagian 5.

2. Tinjauan Pustaka

2.1 Prediksi Kebangkrutan

Prediksi kebangkrutan telah menjadi topik yang populer di kalangan peneliti bisnis. Beaver
(1966) adalah salah satu peneliti pertama yang mempelajari prediksi kebangkrutan menguji beberapa
rasio keuangan atas kemampuannya untuk mengklasifikasikan dan memprediksi kebangkrutan
perusahaan. Altman (1968) memperkenalkan model kebangkrutan berdasarkan analisis diskriminan
dalam mengklasifikasikan kebangkrutan menurut lima variabel keuangan: bekerj modal / total aset,
laba ditahan / total aset, pendapatan sebelum bunga dan pajak / total aset, nilai pasar ekuitas / total
hutang, dan penjualan / total aset. Ohlson (1980) menggunakan regresi logistik untuk
memperkirakan probabilitas kebangkrutan. Odom dan Sharda (1990) adalah peneliti pertama yang
menggunakan jaringan saraf klasifikasi kebangkrutan dan menemukan bahwa jaringan saraf
setidaknya seakurat analisis diskriminan. Sejak itu, volume jaringan saraf yang signifikan penelitian
untuk klasifikasi kebangkrutan diikuti (Alam et al., 2000; Jo et al., 1997; Lee et al., 2005; O’Leary,
1998; Tam dan Kiang, 1992; Udo, 1993; Wilson dan Sharda, 1994; Zhang et al., 1999). Shumway
(2001) dan Chava dan Jarrow (2004) menyelidiki akurasi prediksi kebangkrutan menggunakan model
bahaya.

Perusahaan yang bangkrut adalah pencilan dari perspektif sekelompok perusahaan yang
sehat. Fakta bahwa hanya 2% dari semua perusahaan bangkrut dalam periode ekonomi normal
menunjukkan (Lenard, Alam dan Madey, 1995; O'Leary, 1998) bahwa perusahaan yang bangkrut
dapat memang diperlakukan sebagai pencilan. Sementara regresi logistik memberikan interpretasi
probabilistik yang bagus untuk kebangkrutan, kita tahu bahwa kemungkinan maksimum (ML).
perkiraan dari regresi logistik tidak tahan terhadap pencilan (Bianco dan Yohai,1996). Karenanya,
pada bagian selanjutnya, kami meninjau perkembangan logistik yang tangguh metode regresi.

2.2 Regresi Logistik Kuat Bianco-Yohai

Pregibon (1981) mempresentasikan analisis regresi logistik dari data vaso-konstriksi kulit
yang mengandung pencilan. Analisisnya menunjukkan bahwa perkiraan kemungkinan maksimum
(ML) dari regresi logistik tidak kuat (yaitu tahan) terhadap pencilan. Kunsch dkk. (1989) kemudian
mengusulkan Optimal Bias-Robust Estimator (OBRE) untuk model linier umum. Kunsch dkk. (1989)
mempresentasikan hasil ntuk data vaso-penyempitan kulit, dan dicatat bahwa fungsinya yang
berlebihan observasi luar yang diturunkan bobotnya menyebabkan kesulitan komputasi dan
sebagainya kesalahan standar yang diperkirakan meningkat secara signifikan. Bianco dan Yohai
(1996) mengusulkan penduga alternatif yang sangat kuat dalam model regresi logistik. The Bianco
dan Yohai (1996) (sekarang disebut sebagai BY) estimator termasuk fungsi terbatas dan istilah koreksi
bias. Croux dan Haesbroeck (2003) mengusulkan metode komputasi untuk berhasil menerapkan
penduga BY. Prosedur Croux dan Haesbroeck (2003) menggunakan fungsi terikat untuk menjamin
keberadaan penaksir BY saat penaksir ML ada dan menyediakan algoritma untuk menghitung
perkiraan BY. Algoritma ini tersedia sebagai fungsi di R. Kami menggunakan fungsi BYLOGREG ini
untuk menghitung BY regresi logistik dalam penyelidikan ini.

Kami menganggap (mengikuti Bianco dan Martinez, 2009) sebagai regresi binomialmodel
dimana variabel respon Y memiliki distribusi Bernoulli

P (Y = 1 | X = x) = F (x0β),di mana F adalah fungsi distribusi kumulatif yang meningkat secara

ketat, X ∈ Rpadalahvektor variabel prediktor dan β ∈ Rpadalah vektor regresi yang tidak diketahui
koefisien. UntukF (t) = exp (t)1 + exp (t), model regresi logistik diperoleh. Penaksir kemungkinan
maksimum (MLE) dari β dapat sangat dipengaruhi oleh pencilan. Diketahui (Bianco dan Martinez,
2009) bahwa MLE dipecah menjadi nol untuk kumpulan data yang berisi pencilan yang parah. Ini
perilaku perincian telah menghasilkan sejumlah proposal untuk penduga yang kuat dari β. Estimator
kuat yang kami pertimbangkan adalah yang dibuat oleh Bianco dan Yohai (1996) eperti yang
diterapkan oleh Croux dan Haesbroeck (2003). Detail lengkap dari Bianco dan penduga Yohai (BY)
termasuk properti ketahanan dapat ditemukan di makalah referensi. Setelah kami memiliki BY βb,
kami ingin menguji hipotesis tentang komponen β. Bianco dan Martinez (2009) menunjukkan bahwa
menggunakan perkiraan BY di statistik uji tipe Wald menghasilkan distribusi Chi-square pusat
asimtotik sebagai distribusi sampel statistik pengujian, seperti halnya statistik Wald klasik dalam
kasus ML. Jadi untuk tes inferensi, bentuk kuadrat dari tipe Wald statistik uji direduksi menjadi z 2

i = [βb

i / Kesalahan standar β b saya]2.

Rincian lengkap di atas diberikan di Bagian 2, 3, 4, dan 5 dari Bianco dan Martinez (2009).
Alasan perkiraan BY digunakan dalam penelitian ini adalah yang pertama, semuanya perkiraan kuat
untuk pencilan (Bianco dan Yohai, 1996). Akhirnya dengan karya terbaru dari Bianco dan Martinez
(2009), kami dapat membuat tes inferensi sejak kami mengetahui distribusi asimtotik dari statistik uji
tipe Wald yang sesuai.

3. Data dan Metodologi

Kumpulan data, variabel yang digunakan, dan skema validasi silang dijelaskan di bawah.

3.1 Data dan Variabel

Sampel data untuk studi prediksi kebangkrutan ini terdiri dari perusahaan A.S. yang
mengajukan pailit pada tahun 2008-2009 seperti yang tercantum dalam penelitian kebangkrutan.
database (http://lopucki.law.ucla.edu/corporations.asp). Lembaga keuangan seperti bank komersial
dan bank investasi dikecualikan dari kumpulan data karena lembaga keuangan ini dapat dipengaruhi
oleh tindakan regulator pemerintah. Selain itu, informasi rasio keuangan diperlukan untuk
kebangkrutan perusahaan. Data keuangan diambil dari COMPUSTAT. Awalnya, tujuannya adalah
untuk memanfaatkan hanya perusahaan yang mengajukan kebangkrutan pada tahun 2008; Namun,
itu persyaratan ketersediaan data dan pengecualian lembaga keuangan mengakibatkan jumlah
perusahaan yang bangkrut tidak mencukupi untuk studi validasi silang. Dalam urutan untuk memiliki
sejumlah perusahaan yang bangkrut, sampelnya termasuk perusahaan yang mengajukan pailit
selama tahun 2009, namun sebelum tanggal 30 Juni 2009, yang mengakibatkan a ukuran sampel dari
24 perusahaan bangkrut. Data keuangan COMPUSTAT diekstraksi perusahaan bangkrut untuk tahun
2006 dan 2007, yang sesuai dengan dua tahun dan periode satu tahun, masing-masing, sebelum
pengajuan kebangkrutan. Tidak seperti penelitian sebelumnya seperti Lee et al. (2005), tidak ada
skema pencocokan yang digunakan untuk sampel perusahaan yang tidak bangkrut. Alasan
pencocokan tidak dilakukan dalam hal ini studi adalah bahwa pencocokan tidak mungkin dalam
aplikasi "dunia nyata" di mana tujuannya adalah untuk memprediksi kebangkrutan dalam sampel
perusahaan. Dengan demikian, perusahaan tidak bangkrut selama kumpulan data kemudian dipilih
secara acak dari perusahaan COMPUSTAT. Hasil kami

menunjukkan bahwa pencocokan tidak diperlukan untuk menunjukkan bahwa OLEH logistik
yang kuat regresi meningkatkan klasifikasi. Karena validasi silang tiga kali lipat Skema yang dipilih
untuk penelitian ini, ukuran sampel 48 perusahaan A.S. non-bangkrut diperlukan. 48 perusahaan
non-bangkrut memenuhi validasi silang tiga kali lipat skema dan memberikan derajat kebebasan yang
cukup untuk regresi. Keuangan perusahaan juga dikeluarkan dari sampel non-bangkrut, dan data
rasio keuangan diperlukan untuk semua perusahaan non-bangkrut dalam sampel. Sekali lagi,
COMPUSTAT data keuangan diambil untuk perusahaan yang tidak bangkrut untuk tahun 2006 dan
2007.

Setiap perusahaan dijelaskan oleh lima rasio keuangan Altman (1968) sejak kemampuan
prediksi rasio ini didokumentasikan dengan baik dalam literatur sebelumnya (Altman, 1968; Bortiz
dan Kennedy, 1995; Odom dan Sharda, 1990; Zhang et al., 1999; Lee et al., 2005):

1. WCTA = modal kerja / total aset sebagai ukuran aset likuid bersih perusahaan terhadap
kapitalisasi total.

2. RETA = laba ditahan / total aset sebagai ukuran profitabilitas kumulatif.

3. EBITTA = laba sebelum bunga dan pajak / total aset sebagai ukuran dari produktivitas
sebenarnya dari aset perusahaan.

4. MEDEBT = nilai pasar ekuitas / nilai buku dari total hutang sebagai ukuran tentang
seberapa besar aset perusahaan dapat menurun nilainya sebelum kewajiban melebihi
aset dan perusahaan menjadi bangkrut.

5. SALETA = penjualan / total aset sebagai ukuran kemampuan menghasilkan penjualan dari
aset perusahaan.

Harus ditekankan bahwa kami menggunakan model rasio keuangan Altman (1968) untuk
kebangkrutan hanya sebagai model dasar untuk perbandingan teknik statistik.Sekali lagi, tujuan
utama dari penelitian ini adalah untuk membandingkan akurasi BY robust regresi logistik versus
regresi logistik ML. Statistik deskriptif dari kumpulan data menunjukkan bahwa rata-rata WCTA, Rasio
RETA, dan EBITTA lebih besar untuk perusahaan tidak bangkrut, yang diindikasikan bahwa
perusahaan yang tidak bangkrut berada dalam kondisi keuangan yang lebih kuat (Ringkasan statistik
tersedia dari penulis atas permintaan). Saat perusahaan mendekat mengajukan pailit, rasio WCTA,
RETA, dan EBITTA semuanya menurun, yang mana menunjukkan perusahaan yang bangkrut berada
dalam kondisi keuangan yang memburuk saat mereka mendekati pengajuan kebangkrutan.
Sedangkan rasio MEDEBT rata-rata serupa antara perusahaan pailit dan tidak pailit pada tahun 2006,
rasio MEDEBT jauh lebih rendah untuk perusahaan yang bangkrut pada tahun 2007. Hal ini
menunjukkan bahwa pada tahun tersebut sebelum mengajukan kebangkrutan, perusahaan memiliki
nilai pasar yang lebih rendah untuk ekuitas, tinggitotal hutang, atau keduanya.

Sedangkan rata-rata rasio keuangan menunjukkan bahwa data sampel sifatnya konsisten
dengan literatur sebelumnya, distribusi beberapa keuangan rasio menunjukkan masalah data yang
memperumit analisis statistik. Sebagai contoh, kami telah menyatakan rata-rata perusahaan yang
bangkrut memiliki WCTA, RETA, dan Rasio EBITTA. Namun, perusahaan dengan WCTA, RETA, dan
EBITTA terendah rasio berasal dari sampel perusahaan yang tidak bangkrut. Distribusi keuangan rasio
adalah masalah data lainnya, terutama ketika seseorang mempertimbangkan maksimum ekstrim
Rasio MEDEBT dibandingkan dengan rasio MEDEBT rata-rata. Misalnya di beberapa kasus, MEDEBT
maksimum adalah lipat lebih besar dari mean, yang menunjukkan adanya pencilan dalam sampel
data.

3.2 Skema Validasi Silang

Skema validasi silang dikembangkan untuk menyelidiki kinerja klasifikasi persamaan prediksi
regresi logistik. Teknik validasi silang memungkinkan kita untuk menggunakan seluruh kumpulan data
sehingga efek bias akan terjadi diminimalkan (Tam dan Kiang, 1992; Zhang et al., 1999). Dalam
penelitian ini tiga kali lipat teknik validasi silang digunakan, dan Tabel 1 menunjukkan rincian skema
ini. Total kumpulan data terdiri dari 24 perusahaan yang mengajukan pailit pada tahun 2008-2009
dan 48 perusahaan yang tidak mengajukan pailit untuk total kumpulan data 72 perusahaan. Seperti
yang ditunjukkan pada Tabel 1, kumpulan data total dibagi menjadi 3 subset yang sama dan saling
eksklusif. Setiap subset berisi 8 perusahaan pailit yang dipilih secara acak dan 16 perusahaan non-
bangkrut yang dipilih secara acak dengan total 24 perusahaan. Pelatihan dulu dilakukan pada dua
dari tiga subset sementara subset sisanya digunakan untuk tujuan pengujian. Dengan demikian
seperti dapat dilihat pada Tabel 1, Run 1 menggunakan subset 1 dan subset 2 sebagai set pelatihan
untuk regresi. Persamaan prediksi yang dikembangkan dari set pelatihan kemudian digunakan untuk
memprediksi kemungkinan kebangkrutan untuk perusahaan dalam subset 3-kumpulan data
pengujian. Proses berlanjut untuk Run 2 dan Jalankan 3 seperti yang ditunjukkan pada Tabel 1
sehingga setiap subset akhirnya digunakan sebagai pengujian Himpunan data. Skema validasi silang
dilaksanakan secara terpisah untuk tahun 2006 dan Data keuangan 2007. Akhirnya, skema validasi
silang yang ditunjukkan pada Tabel 1 adalah kemudian dilakukan dengan menggunakan regresi
logistik ML dan dengan regresi logistik yang kuat.
 4. Hasil Regresi Logistik

4.1 Klasifikasi dan Prediksi yang Benar

Dalam studi ini, baik regresi logistik ML dan regresi logistik BY robust digunakan untuk
memodelkan probabilitas bahwa sebuah perusahaan mengajukan kebangkrutan dengan Altman'
(1968) lima rasio keuangan sebagai variabel penjelas dalam model. Tabel 2

dan 3 meringkas klasifikasi dan prediksi yang diterapkan pada tiga kali lipat Skema validasi
silang dengan data 2006 (Tabel 2) dan data 2007 (Tabel 3) untuk regresi logistik ML dan BY regresi
logistik yang kuat. Di kedua tabel, setiap proses dari skema validasi silang menunjukkan jumlah dan
persentase klasifikasi yang benar untuk set pelatihan serta prediksi yang benar untuk set pengujian.
Untuk keperluan studi ini, klasifikasi atau prediksi pailit dianggap benar bila kemungkinan pailit
sebesar a perusahaan pailit dari persamaan regresi lebih besar dari 0,5. Seperti dibahas sebelumnya,
klasifikasi yang benar seringkali sulit dilakukan dengan logistic regresi karena regresi sangat
dipengaruhi oleh angka relative titik data di setiap grup biner. Karena masalah ini, kami membagi lagi
klasifikasi dan hitungan prediksi untuk perusahaan yang tidak pailit dan pailit perusahaan. Karena ada
dua kali lebih banyak perusahaan non-bangkrut dalam sampel, kami mengharapkan model regresi
ditarik ke arah perusahaan non-bangkrut. Faktanya, kita melihat dalam set pelatihan bahwa
klasifikasi yang benar untuk perusahaan yang tidak bangkrut ebih dari 93% untuk regresi ML untuk
data tahun 2006 (Tabel 2) dan data tahun 2007 (Tabel 3). Karena ada lebih sedikit perusahaan yang
bangkrut, kami mengharapkan persamaan regresi menjadi ditarik dari perusahaan yang bangkrut,
dan dengan demikian persentase klasifikasi yang benar untuk perusahaan yang bangkrut harus jatuh.
Memang, kami melihat klasifikasi bangkrut yang benar perusahaan dengan regresi ML pada tahun
2006 (Tabel 2) rata-rata 21% dalam 3 berjalan. Di mejA 3 dengan data tahun 2007, perusahaan
mendekati kebangkrutan dan kami mengharapkan klasifikasi perusahaan pailit dengan regresi ML
untuk meningkatkan. Seperti yang diharapkan, klasifikasi yang benar dari perusahaan bangkrut
dengan data tahun 2007 meningkat dari 21% benar sampai 31% benar. Pada titik ini, penting untuk
menekankan kesulitannya memprediksi perusahaan yang bangkrut. Meskipun hanya ada dua
kemungkinan hasil, selalu lebih mudah untuk memprediksi perusahaan yang tidak bangkrut karena
perusahaan yang tidak bangkrut lebih banyak di kumpulan data dan di dunia "nyata". Dalam semua
regresi, klasifikasi yang benar dari perusahaan tidak bangkrut adalah sekitar 90%. Kesulitannya
adalah mengklasifikasikan dan memprediksi perusahaan yang bangkrut karena mereka pada
dasarnya adalah outlier. Dengan OLEH regresi logistik yang kuat, sekali lagi fokus kami adalah pada
klasifikasi perusahaan bangkrut. Dari Tabel 2, terlihat bahwa klasifikasi pailit sudah benar perusahaan
dengan data tahun 2006 adalah 37,5%. Berdasarkan data keuangan tahun 2006, kami menemukan
bahwa dengan regresi logistik yang kuat meningkatkan klasifikasi perusahaan yang bangkruT atas
regresi logistik ML dari 21% menjadi 37,5% benar. Pada Tabel 3 dengan 2007 data keuangan, kita
melihat lagi bahwa DENGAN regresi yang kuat meningkatkan klasifikasi perusahaan yang bangkrut
atas regresi ML dari 31% menjadi 56% benar.

Dengan OLEH regresi logistik yang kuat, peningkatan klasifikasi file perusahaan pailit juga
berarti perbaikan dalam prediksi perusahaan bangkrut di set pengujian. Dalam data tahun 2006
(Tabel 2), regresi logistik yang kuat BY meningkatkan prediksi perusahaan yang bangkrut atas regresi
logistik ML dari 16,7% menjadi 29,2% benar.

DENGAN regresi logistik yang kuat meningkatkan prediksi kebangkrutanperusahaan dalam

sampel data 2007 (Tabel 3) atas regresi logistik ML dari 12,5% menjadi 33,3%. Dengan studi validasi
silang tiga kali lipat, OLEH regresi logistik yang kuat memperbaiki klasifikasi perusahaan yang
bangkrut dalam set pelatihan. Selanjutnya, OLEH regresi logistik yang kuat juga meningkatkan
prediksi perusahaan yang bangkrut di set pengujian. Faktanya, berdasarkan klasifikasi dan prediksi
keseluruhan, BY regresi logistik yang kuat lebih unggul dari regresi logistik ML. Kontribusi dari
penelitian ini adalah untuk menunjukkan bahwa dengan regresi logistik yang kuat dapat
meningkatkan klasifikasi dan prediksi perusahaan yang bangkrut atas regresi logistik ML. Sementara
ada model kebangkrutan regresi logistik yang lebih canggih daripada Altman (1968) model rasio
keuangan yang dapat digunakan untuk memperbaiki klasifikasi, kami Poin utamanya adalah bahwa
OLEH regresi logistik yang kuat adalah teknik statistik yang lebih baiK untuk klasifikasi dan prediksi
perusahaan pailit untuk model tertentu.

4.2 Analisis Koefisien Regresi

Untuk mengembangkan beberapa wawasan ke dalam klasifikasi dan prediksi superior hasil
regresi logistik yang kuat BY, itu berguna untuk memeriksa regresi koefisien diperkirakan dari set
pelatihan. Koefisien regresi yang diperkirakan untuk regresi logistik ML dan regresi logistik yang kuat
BY dirangkum pada Tabel 4, dengan hasil dari data tahun 2006 yang ditunjukkan pada Panel A dan
hasilnya dari data tahun 2007 yang ditampilkan di Panel B. Dalam meninjau data tahun 2006 di Panel
A dari Tabel 4, kami mencatat bahwa koefisien regresi diperkirakan dari BY kuat regresi logistik
berbeda secara signifikan dari koefisien yang diperkirakan regresi logistik ML untuk Run 1. Tinjauan
klasifikasi dan prediksi hasil untuk perusahaan yang bangkrut dari Tabel 2 menunjukkan bahwa
dengan regresi logistik yang kuat juga jauh lebih unggul dari regresi logistik ML untuk Run 1.
 Namun, jika kita memeriksa Proses 2 dan 3 pada Tabel 2, kami mencatat bahwa DENGAN
regresi logistik yang kuat tidak tidak meningkatkan hasil klasifikasi dan prediksi atas regresi logistik
ML. Dalam meninjau koefisien regresi yang diperkirakan di Panel A dari Tabel 4 untuk Runs 2 dan 3,
kami mencatat bahwa estimasi koefisien regresi pada dasarnya sama untuk regresi logistik ML dan
OLEH regresi logistik yang kuat. Pola serupa dapat ditemukan di Panel B Tabel 4 untuk estimasi
koefisien dari data tahun 2007.

Dalam Proses 1 dan 2 di Panel B Tabel 4, regresi koefisien yang diperkirakan dari BY regresi
logistik yang kuat berbeda secara signifikan dari koefisien yang diperkirakan dari regresi logistik ML
untuk kasus ini. SEBUAH review dari klasifikasi dan hasil prediksi untuk perusahaan bangkrut dari
Tabel 3 menunjukkan bahwa BY regresi logistik yang kuat sekali lagi lebih unggul dari regresi logistik
ML untuk Run 1 dan 2. Sementara itu, dalam Run 3 di Panel B Tabel 4, koefisien regresi yang
diperkirakan pada dasarnya sama untuk regresi logistik ML dan OLEH regresi logistik yang kuat.
Kemudian review dari Run 3 pada Tabel 3 menunjukkan bahwa dengan regresi logistik yang kuat
tidak meningkatkan klasifikasi dan hasil prediksi atas regresi logistik ML. Analisis ini menunjukkan
bahwa jika regresi logistik yang kuat BY secara signifikan mengubah estimasi regresi koefisien dari
regresi logistik ML, kemudian regresi logistik yang kuat BY metode ini secara signifikan dapat
meningkatkan klasifikasi dan prediksi kebangkrutan perusahaan. Paling buruk, regresi logistik yang
kuat BY tidak membuat perubahan dalam estimasi koefisien regresi dan memiliki klasifikasi dan hasil
prediksi yang sama sebagai regresi logistik ML. Ini adalah bukti kuat bahwa BY regresi logistik yang
kuat harus digunakan juga sebagai pemeriksaan ketahanan pada regresi logistik ML untuk prediksi
saat pencilan ada di kumpulan data.
 Alasan lain bahwa BY regresi logistik yang kuat harus digunakan sebagai pemeriksaan
ketahanan pada regresi logistik ML adalah bahwa DENGAN regresi logistik yang kuat dapat
memberikan kesalahan standar yang berbeda. Hauser dan Booth (2011) menunjukkan bahwa BY
regresi logistik yang kuat dapat menyebabkan interpretasi yang berbeda tentang signifikansi variabel
penjelas, bahkan jika koefisien estimasi serupa. Memang di Tabel 4, kita dapat melihat bahwa dengan
regresi logistik yang kuat menghasilkan estimasi yang berbeda kesalahan standar, yang akibatnya
dapat menyebabkan interpretasi yang berbeda. Pertimbangkan bahwa di semua jalannya skema
validasi silang tiga kali lipat, ML logistic regresi hanya menemukan 1 dari rasio keuangan Altman
(1968) yang signifikan di 10% level dalam 1 run dan tidak ada variabel yang signifikan pada level 5%
dalam hal apapun. Sebagai dapat dilihat pada Tabel 4, OLEH regresi logistik yang kuat ditemukan
lebih dari satu Altman (1968) rasio keuangan signifikan pada tingkat 10% di setiap menjalankan
skema validasi silang tiga kali lipat. Kami telah menyatakannya di Run 3 di Panel B Tabel 4 koefisien
regresi yang diperkirakan pada dasarnya sama untuk regresi logistik ML dan dengan regresi logistik
yang kuat. Juga di Run 3, OLEH logistik yang kuat Regresi tidak memperbaiki klasifikasi atau prediksi
perusahaan yang bangkrut. Namun, dengan regresi robust BY menemukan variabel keuangan WCTA,
RETA, dan SALETA menjadi signifikan pada level 5% di Run 3 sementara regresi logistik ML tidak
menunjukkan variabel penjelas yang signifikan bahkan pada level 10% di Run 3.

Penggunaan BY regresi logistik yang kuat, kemudian menyediakan peneliti dengan "alat" lain
untuk menganalisis hasil regresi ML. Artinya, jika hasilnya adalah sama dengan BY regresi logistik
yang kuat dan regresi logistik ML, peningkatan dalam akurasi klasifikasi hanya dapat dicapai dengan
perbaikan model seperti memasukkan variabel tambahan.

4.3 Prediksi Kebangkrutan Lehman Brothers

Sedangkan skema validasi silang tiga kali lipat menunjukkan bahwa BY logistiknya kuat
regresi memberikan klasifikasi dan prediksi superior dari perusahaan yang bangkrut, itu menarik
untuk meneliti prediksi model kebangkrutan Lehman Brothers pada tahun 2008. Kebangkrutan
Lehman Brothers memberikan studi kasus yang jelas di luar kumpulan data karena itu adalah bank
investasi yang gagal, tetapi bangkrut Tidak dipaksa oleh regulator. Lima rasio keuangan Altman
(1968) dihitung dari pengajuan COMPUSTAT dan SEC 10-K (http://www.sec.gov/Archives/ edgar /
data / 806085/000110465908005476 / a08-3530 110k.htm) untuk data tahun 2006 dan Data tahun
2007. Kemudian menggunakan persamaan regresi dari set pelatihan Run 1-3, probabilitas
kebangkrutan dihitung dengan menggunakan rasio keuangan Lehman Brothers. Perhitungan ini
diringkas dalam Tabel 5. Dari Tabel 5, kami dapat melihat bahwa persamaan regresi dari regresi
logistik ML tidak pernah diprediksi kebangkrutan dengan data tahun 2006 atau 2007. Namun, BY
logistik kuat Regresi memprediksi kebangkrutan Lehman Brothers, meskipun tidak dengan
persamaan prediksi dari setiap proses. Dengan data 2006, persamaan regresi dari Run 1 memprediksi
kebangkrutan Lehman Brothers sementara Run 1 dan Run 2 persamaan regresi dengan data 2007
memprediksi kebangkrutan untuk Lehman Brothers. Tidaklah mengherankan bahwa ini adalah jalan
yang sama di mana OLEH logistik yang kuat Regresi memperbaiki klasifikasi perusahaan yang
bangkrut dan memiliki koefisien estimasi yang berbeda secara signifikan dari regresi logistik ML.
Perhitungan ini menunjukkan sekali lagi bahwa dalam kasus di mana BY regresi logistik yang kuat
berubah secara signifikan koefisien estimasi dari regresi logistik ML, DENGAN regresi logistik yang
kuat meningkatkan prediksi perusahaan bangkrut. Tidak ada analisis "di luar sampel" lainnya atau
ekstrapolasi data dilakukan dengan regresi logistik yang kuat BY.

4.4 Analisis Sisa Deviance

Mengingat klasifikasi atau prediksi perusahaan yang pailit dapat dipertimbangkan masalah
dalam deteksi pencilan (dari perspektif sekelompok perusahaan) dan itu regresi logistik yang kuat BY
tahan terhadap keberadaan pencilan, tampaknya bahwa DENGAN regresi logistik yang kuat harus
meningkatkan prediksi perusahaan yang bangkrut atas regresi logistik ML. Hasil penelitian ini
dikonfirmasi dan diukur hipotesis ini. Di bagian ini, kami membahas masalah pencilan dalam sampel.

Secara univariat, kami membahas distribusi beberapa keuanganrasio yang digunakan sebagai
variabel penjelas dalam regresi logistik. Misalnya, ingat bahwa dalam beberapa kasus rasio MEDEBT
maksimum adalah beberapa kali lipat lebih besar dari rata-rata yang menunjukkan adanya pencilan
univariat dalam data set. Karena kami tertarik untuk memprediksi kebangkrutan, kami lebih tertarik
tertarik pada pencilan multivariasi, yang kemudian lebih rumit untuk dideteksi karena sifat
kebangkrutan yang kompleks. Indikasi kehadiran dari multivariate outlier dapat dilihat dari analisis
deviasi residual dari regresi logistik ML dan sifat sisa penyimpangan. Itu sisa penyimpangan
maksimum terbesar dengan data tahun 2006 dan 2007 di Run 1 dari skema validasi silang tiga kali
lipat. Sejak sisa penyimpangan maksimum relatif besar, kami akan menafsirkan ini untuk
menunjukkan keberadaan setidaknya 1 pencilan multivariasi. Dengan adanya pencilan, kami
mengharapkan logistik yang kuat dari BY regresi untuk mengungguli regresi logistik ML. Ini memang
kasus untuk Run 1 dengan data 2006 dan 2007. Sisa penyimpangan yang besar dalam kasus ini
tampaknya untuk menunjukkan pencilan, dan pencilan resisten OLEH hasil regresi logistik yang kuat
koefisien estimasi yang berbeda secara signifikan dan prediksi kebangkrutan yang lebih baik
perusahaan. Sisa deviasi maksimum terkecil pada tahun 2006 dan 2007data di Run 3.

Dalam kasus ini, kami akan menafsirkan penyimpangan yang relatif kecil residu untuk
menunjukkan tidak ada pencilan yang signifikan. Tanpa pencilan yang signifikan, BY regresi logistik
yang kuat pada dasarnya akan memberikan hasil yang sama seperti logistik ML regresi. Memang,
kami melihat hasil yang pada dasarnya sama untuk BY logistik yang kuat regresi dan regresi logistik
ML di Run 3 untuk data 2006 dan 2007. Kami harus menekankan pada titik ini bahwa analisis
penyimpangan maksimum residual (dan sifat distribusinya) hanya merupakan indikasi pengaruh
pencilan multivariat. Penelitian di masa depan diperlukan untuk lebih menentukan statistik
pengujian, yang akan lebih menentukan pengaruh pencilan multivariat. Sebagai gantinya statistik uji
yang menentukan pengaruh pencilan, hasil kami menunjukkan itu DENGAN regresi logistik yang kuat
harus dilakukan sebagai pemeriksaan ketahanan pada ML regresi logistik. Jika ada outlier dalam
sampel data, BY logistik yang kuat regresi akan menghasilkan koefisien estimasi yang berbeda secara
signifikan dan lebih baik prediksi kebangkrutan. Jika tidak ada pencilan yang signifikan dalam sampel
data, regresi logistik yang kuat BY akan menghasilkan hasil yang pada dasarnya sama dengan ML
regresi logistik.

5. Kesimpulan

Tujuan utama dari penelitian ini adalah untuk mengetahui keakuratan prediksi kebangkrutan
menggunakan BY regresi logistik yang kuat versus regresi logistik ML. Itu kumpulan data untuk
penelitian ini adalah sampel dari 24 perusahaan non-keuangan A.S. yang mengajukan kebangkrutan
pada 2008-2009 dan sampel dari 48 perusahaan non-keuangan A.S. yang melakukannya tidak
mengajukan pailit pada tahun 2008-2009. Menggunakan data rasio keuangan dari tahun 2006 dan
2007, skema validasi silang tiga kali lipat dirancang untuk membandingkan yang benar klasifikasi dan
prediksi perusahaan bangkrut dengan BY regresi logistik yang kuat dan regresi logistik ML. Dengan
data 2006 dan 2007, BY regresi logistik yang kuat meningkat baik klasifikasi perusahaan pailit dalam
set pelatihan dan prediksi perusahaan bangkrut di set pengujian. Dalam data tahun 2006, regresi
logistik yang kuat BY meningkatkan prediksi perusahaan yang bangkrut atas regresi logistik ML 16,7%
hingga 29,2% benar. OLEH regresi logistik yang kuat meningkatkan prediksi perusahaan bangkrut
dalam sampel data tahun 2007 atas regresi logistik ML dari 12,5% menjadi 33,3% benar. Berdasarkan
klasifikasi dan prediksi keseluruhan, BY kuat regresi logistik lebih unggul dari regresi logistik ML.
Sementara ada model kebangkrutan regresi logistik yang lebih canggih daripada Altman (1968)
model rasio keuangan yang dapat digunakan untuk meningkatkan klasifikasi, utama kami.

Intinya adalah bahwa dengan regresi logistik yang kuat adalah teknik statistik yang lebih baik
untuk klasifikasi dan prediksi perusahaan bangkrut untuk model tertentu. Dalam studi kasus sampel
dengan bank investasi yang gagal, Lehman Brothers, regresi logistik ML tidak pernah memprediksi
kebangkrutan baik pada tahun 2006 maupun tahun. Data tahun 2007. Namun, regresi logistik yang
kuat BY mampu memprediksi kebangkrutan Lehman Brothers dengan tepat. Tinjauan terhadap
koefisien yang diperkirakan dari regresi logistik yang kuat BY menunjukkan bahwa klasifikasi dan
prediksi yang lebih baik dari perusahaan yang bangkrut terjadi ketika koefisien yang diperkirakan dari
regresi logistik yang kuat BY berbeda secara signifikan dari koefisien yang diperkirakan dari regresi
logistik ML. Sejak regresi logistik yang kuat BY kuat terhadap keberadaan pencilan, kami
menunjukkan bukti bahwa OLEH regresi logistik yang kuat meningkatkan regresi logistik ML saat
pencilan ada dalam sampel. Analisis kami menunjukkan bahwa jika BY regresi logistik kuat secara
signifikan mengubah estimasi koefisien regresi dari regresi logistik ML, kemudian DENGAN metode
regresi logistik yang kuat dapat secara signifikan meningkatkan klasifikasi dan prediksi perusahaan
yang bangkrut. Yang terburuk, regresi logistik yang kuat BY tidak membuat perubahan dalam estimasi
koefisien regresi serta memiliki klasifikasi dan hasil prediksi yang sama dengan regresi logistik ML. Ini
bukti kuat bahwa BY regresi logistik yang kuat harus digunakan sebagai pemeriksaan ketahanan pada
ML regresi logistik. Jika ada perbedaan, dengan regresi logistik yang kuat seharusnya digunakan
sebagai pengklasifikasi utama dari perusahaan yang bangkrut.