4.2. Factors that influence the agg

4.2. Factors that influence the aggregate default prediction accuracy
We now test whether and how firm characteristics (H2) and
firm-credit bureau characteristics (H3) influence the improvement
in aggregate default prediction accuracy. For this purpose, we split
the firms in our sample into terciles based on the following characteristics:
LIMITED_LIABILTY (binary split), AGE, SALES, DISTANCE,
and FIRMS_PER_EMPLOYEE. We then enter the firm’s characteristics
in the baseline and full model and calculate for each tercile
sample the difference in the accuracy ratios. Note that we do not
recalibrate the baseline and full model on the tercile samples since
Creditreform calibrates its model on the full database and not on
subsamples. Table 3 reports the results.
90: sewage and waste disposal; code 95: private households),
and they exhibit already a relatively high baseline AR. In sum, we
show that the influence of business credit information on the default
prediction accuracy varies substantially across industries.
This finding is novel since previous studies have either focused
on a cross-country perspective or samples of firms from single
industries.

Results (Thai) 1:

4.2. ปัจจัยที่มีอิทธิพลต่อความคาดเดาค่าเริ่มต้นรวม
เราตอนนี้ทดสอบ และวิธียืนยันลักษณะ (H2) และ
สำนักงานสินเชื่อบริษัทลักษณะ (H3) มีอิทธิพลต่อการพัฒนา
ในความแม่นยำทำนายรวมเริ่มต้น สำหรับวัตถุประสงค์นี้ เราแบ่ง
บริษัทในตัวอย่างของเราเป็น terciles ตามลักษณะต่อไปนี้:
LIMITED_LIABILTY (แบ่งไบนารี), อายุ ขาย ระยะทาง,
และ FIRMS_PER_EMPLOYEE เราแล้วป้อนลักษณะของบริษัท
พื้นฐานและเต็มรูปแบบ และคำนวณสำหรับแต่ละ tercile
ตัวอย่างความแตกต่างของอัตราความถูกต้อง หมายเหตุที่เราไม่
ทำพื้นฐานและเต็มรูปแบบในตัวอย่าง tercile ตั้งแต่
Creditreform calibrates รูปแบบของฐานข้อมูลเต็มรูปแบบ และไม่บน
subsamples ตาราง 3 รายงานผล.
90: น้ำเสียและกำจัดขยะมูลฝอย รหัส 95: ครัวเรือนส่วนบุคคล),
และพวกเขาแสดงแล้วยังค่อนข้างสูง AR. ในผล เรา
แสดงว่าอิทธิพลของธุรกิจข้อมูลเครดิตในเริ่มต้น
ทำนายแม่นยำมากไปจนข้ามอุตสาหกรรม
ค้นหานี้เป็นนวนิยายเนื่องจากการศึกษาก่อนหน้านี้มีการเน้น
มุมครอสคันทรีหรือตัวอย่างของบริษัทจากเดียว
อุตสาหกรรม

Results (Thai) 2:

4.2 ปัจจัยที่มีอิทธิพลต่อความถูกต้องทำนายเริ่มต้นรวม
ตอนนี้เราทดสอบว่าและวิธีการที่ บริษัท ลักษณะ (H2) และ
ลักษณะสำนักงาน บริษัท เครดิต (H3) มีผลต่อการปรับปรุง
ความถูกต้องในการรวมคำทำนายเริ่มต้น ในการนี้เราแยก
บริษัท ในกลุ่มตัวอย่างของเราใน terciles ตามลักษณะดังต่อไปนี้
LIMITED_LIABILTY (แยก binary), อายุ, การขาย,, ระยะทาง
และ FIRMS_PER_EMPLOYEE จากนั้นเราจะใส่ลักษณะของ บริษัท
ในพื้นฐานและรูปแบบเต็มรูปแบบและการคำนวณสำหรับแต่ละ tercile
ตัวอย่างความแตกต่างในอัตราส่วนความถูกต้อง โปรดทราบว่าเราไม่ได้
ปรับพื้นฐานและรูปแบบเต็มรูปแบบในตัวอย่าง tercile ตั้งแต่
Creditreform ปรับรูปแบบในฐานข้อมูลเต็มรูปแบบและไม่ได้อยู่ใน
subsamples ตารางที่ 3 รายงานผล
90: น้ำเสียและการกำจัดของเสีย รหัส 95: ประกอบการภาคเอกชน)
และพวกเขาแสดงให้เห็นแล้วพื้นฐานค่อนข้างสูง AR โดยสรุปเรา
แสดงให้เห็นว่าอิทธิพลของข้อมูลสินเชื่อธุรกิจที่เริ่มต้น
ความถูกต้องทำนายแตกต่างกันอย่างมีนัยสำคัญในอุตสาหกรรม
การค้นพบนี้เป็นนวนิยายตั้งแต่การศึกษาก่อนหน้านี้ได้มุ่งเน้นทั้ง
ในมุมมองข้ามประเทศหรือตัวอย่างของ บริษัท ที่เดียวจาก
อุตสาหกรรม

Results (Thai) 3:

4.2 . ปัจจัยที่มีอิทธิพลต่อการรวมเริ่มต้นทำนายความถูกต้อง
ตอนนี้เราทดสอบว่าและวิธีการที่ลักษณะของธุรกิจ ( H2 ) และ บริษัท เครดิตบูโร ( H3
3
) มีผลต่อการปรับปรุงในการรวมเริ่มต้นทำนายแม่นๆ สำหรับวัตถุประสงค์นี้ เราแยกบริษัท ในตัวอย่างของเราเป็น
terciles ตามลักษณะดังต่อไปนี้ :
limited_liabilty ( แบบแยก ) , อายุ , ขาย , ระยะทาง ,
และ firms_per_employee . จากนั้นเราก็ใส่ของบริษัทลักษณะ
ในพื้นฐานและแบบและคำนวณสำหรับแต่ละตัวอย่าง tercile
ความแตกต่างในความถูกต้องต่อ โปรดทราบว่าเราไม่ได้
สอบเทียบค่าใหม่ ( และรุ่นเต็มรูปแบบในตัวอย่าง tercile ตั้งแต่
creditreform ปรับรูปแบบของฐานข้อมูลเต็มรูปแบบและไม่ได้
subsamples . ตารางที่ 3 รายงานผล
90 :สิ่งปฏิกูลและของเสีย ; รหัส 95 : ครัวเรือนส่วนบุคคล ) ,
และพวกเขามีพื้นฐานที่ค่อนข้างสูงอยู่แล้ว ทั่วกรุงเทพ สรุปเรา
แสดงให้เห็นว่าอิทธิพลของสินเชื่อธุรกิจ ข้อมูลบนเริ่มต้น
ทำนายความถูกต้องที่แตกต่างกันอย่างมากในอุตสาหกรรม .
หานี่คือนวนิยายตั้งแต่การศึกษาก่อนหน้านี้ได้ให้เน้น
ในมุมมองข้ามประเทศ หรือตัวอย่าง ของบริษัทจากอุตสาหกรรมเดียว