We rerun the same analysis using an

We rerun the same analysis using an industry segmentation
based on the 2-digit industry code. Panel B of Table 6 reports the
results. We again find DAR to be negative and highly significant.
An improvement of the default prediction accuracy due to the
additional consideration of business credit information in an
industry leads to significantly lower realized default rates, which
is further support for H4. The effect of ARBaseline is not significant
with this industry-based segmentation. Our interpretation is that
some industries are too opaque or too idiosyncratic to have a reasonable
level of default prediction accuracy based on public information.
This fact once more highlights the value of business credit
information sharing documented in our earlier analyses.

Results (Thai) 1:

เรารันการวิเคราะห์เดียวกันโดยใช้การแบ่งอุตสาหกรรม
ตามรหัสตัวเลข 2 อุตสาหกรรม แผง 6 B ตารางรายงานการ
ผลลัพธ์ เราพบ DAR จะลบ และสำคัญมากอีก
การปรับปรุงความแม่นยำทำนายเริ่มต้นเนื่อง
พิจารณาเพิ่มเติมธุรกิจข้อมูลเครดิตในการ
อุตสาหกรรมนำไปลดราคาพิเศษเริ่มต้นที่เกิดขึ้นจริง อย่างมีนัยสำคัญซึ่ง
ได้เพิ่มเติมการสนับสนุนสำหรับ H4 ผลของ ARBaseline ไม่สำคัญ
มีพื้นฐานอุตสาหกรรมที่แบ่ง เราตีความว่า
บางอุตสาหกรรมไม่ทึบเกินไป หรือ idiosyncratic เกินไปให้มีความเหมาะสม
ระดับเริ่มต้นคาดเดาถูกต้องตามข้อมูลสาธารณะ
ความจริงเน้นมูลค่าของสินเชื่อธุรกิจอีกครั้ง
ข้อมูลเอกสารในการวิเคราะห์ของเราก่อน

Results (Thai) 3:

เราเช็ควิเคราะห์กัน โดยใช้อุตสาหกรรมการแบ่งส่วน
ตาม 2-digit อุตสาหกรรมรหัส ตารางที่ 6 รายงานแผง B
ผลลัพธ์ เราอีกครั้งพบ ดาร์ เป็นลบ และสูงอย่างมีนัยสำคัญ
การปรับปรุงเริ่มต้นทำนายความถูกต้องเนื่องจาก
พิจารณาเพิ่มเติมข้อมูลสินเชื่อธุรกิจในอุตสาหกรรมทำให้ลดได้

ราคาเริ่มต้นที่การสนับสนุนเพิ่มเติมสำหรับ H4 . ผลของ arbaseline ไม่สําคัญ
กับอุตสาหกรรมนี้ แบ่งตาม การตีความของเราคือ
บางอุตสาหกรรมก็ขุ่นหรือมีมากเกินไปได้ระดับที่เหมาะสม
ความถูกต้องทำนายเริ่มต้นจากข้อมูลสาธารณะ .
ความจริงอีกครั้งไฮไลท์มูลค่าของธุรกิจบัตรเครดิต
แบ่งปันข้อมูลเอกสารในการวิเคราะห์ก่อนหน้านี้ของเรา