Second, an alternative approach to

Second, an alternative approach to assess the default prediction
accuracy is an examination of the type I and type II error. Type I error
refers to cases where firms are predicted as non-defaulters but
they default, while type II error refers to cases where firms are predicted
as defaulters but they do not default. These errors are based
on a binary classification for default and non-default. Given the
estimated probability of default from the probit regression models,
the binary classification can be derived by applying a cut-off value.
If the firm’s estimated probability of default lies above the cut-off
value, we predict that the firm will default and vice versa. To derive
the optimal cut-off value we apply a cost function weighting the
number of false-negative and false-positive with different costs.
The related literature has emphasized that false-negatives lead to
substantially higher costs than false-positives (e.g., Grunert et al.,
2005). Therefore, we assign higher error costs to type I errors than
to type II errors by setting the cost ratio of false-negatives over
false-positives to 20:1. Assuming an interest rate of 5%, a non-predicted
default would lead to a loss of the face value of €100 (falsenegative)
and a denying of a non-default credit (false-positive)
would lead to a loss of the potential interest payment of €5. Based
on this cost ratio we derive the optimal cut-off points for the full

Results (Thai) 1:

สอง วิธีการอื่นเพื่อประเมินพยากรณ์เริ่มต้น
ถูกต้องเป็นการตรวจสอบชนิดของฉันและชนิด II ข้อผิดพลาด ผมพิมพ์ผิดพลาด
หมายถึงกรณีที่บริษัทคาดการณ์เป็น defaulters ไม่ใช่ แต่
พวกเขาเริ่มต้น ในขณะที่ชนิดของข้อผิดพลาดที่สองหมายถึงกรณีที่การคาดการณ์บริษัท
เป็น defaulters แต่พวกเขาเริ่มต้น ข้อผิดพลาดเหล่านี้อยู่
ในประเภทไบนารีสำหรับเริ่มต้นและค่าเริ่มต้นไม่ ให้
ประเมินน่าเริ่มต้นจากแบบจำลอง probit ถดถอย,
ประเภทไบนารีสามารถได้มาโดยการตัดค่า.
ถ้าบริษัทของประเมินน่าเริ่มต้นอยู่ด้านบนตัดออก
ค่า เราคาดการณ์ว่า บริษัทจะเริ่มต้น และในทางกลับกันได้ สามารถรับ
ค่าตัดที่เหมาะสมที่สุดที่เราใช้น้ำหนักเป็นฟังก์ชันต้นทุนการ
จำนวนลบเท็จและเท็จบวกกับต้นทุนที่แตกต่างกัน
วรรณกรรมที่เกี่ยวข้องได้เน้นว่า สิ่งเท็จทำ
ต้นทุนเท็จทำงานผิดพลาดสูงมาก (เช่น Grunert et al.,
2005) ดังนั้น เรากำหนดต้นทุนผิดพลาดสูงพิมพ์ฉันข้อผิดพลาดมากกว่า
ชนิด II ข้อผิดพลาดโดยการตั้งค่าอัตราส่วนต้นทุนของฟิล์มไม่ผ่าน
เท็จทำงานผิดพลาดเป็น 20:1 สมมติว่าดอกเบี้ยในอัตรา 5% ไม่ใช่ทำนาย
เริ่มต้นจะนำไปสู่การสูญเสียมูลค่าของ €100 (falsenegative)
และเป็นการปฏิเสธสินเชื่อไม่ใช่เริ่มต้น (บวกเท็จ)
จะนำไปสู่การสูญเสียของการจ่ายดอกเบี้ยเป็น 5 ปอนด์ โดย
บนอัตราส่วนต้นทุนนี้ เราได้รับจุดตัดที่เหมาะสมที่สุดสำหรับเต็ม

Results (Thai) 3:

ประการที่สอง วิธีการประเมินเริ่มต้นทำนาย
ความถูกต้องคือการตรวจสอบชนิดและประเภทที่สองข้อผิดพลาด ประเภทที่ 1
หมายถึงกรณีที่บริษัทได้คาดการณ์ไว้ เช่น ไม่ defaulters แต่
พวกเขาเริ่มต้น ในขณะที่ชนิดที่ ๒ หมายถึง กรณีที่ บริษัท จะทำนาย
เป็นผู้ไม่ยอมชำระหนี้ แต่พวกเขาไม่ได้เริ่มต้น ข้อผิดพลาดเหล่านี้เป็นฐานในการไบนารีสำหรับ
เริ่มต้นและเริ่มต้นไม่ .ได้รับ
ประมาณความน่าจะเป็นของการเริ่มต้นจากตัวถดถอยแบบไบนารี
การจำแนกสามารถจะได้มาโดยการใช้ค่า cut-off .
ถ้าของบริษัทประมาณความน่าจะเป็นของการเริ่มต้นอยู่ข้างบน ค่าตัด
เราคาดการณ์ว่าบริษัทจะเริ่มต้นและในทางกลับกัน จากที่เราตัดค่า

( ใช้ฟังก์ชันต้นทุนจํานวนลบปลอม false-positive และมีต้นทุนที่แตกต่างกัน ได้เน้นว่า วรรณกรรมที่เกี่ยวข้อง


ฟิล์มปลอมนำค่าใช้จ่ายสูงกว่าผลบวกปลอม ( เช่น
grunert et al . , 2005 ) ดังนั้นเราจึงกำหนดให้สูงกว่าต้นทุนประเภทข้อผิดพลาดข้อผิดพลาดมากกว่า
ประเภท 2 ข้อผิดพลาดโดยการตั้งค่าอัตราส่วนของต้นทุนของเชิงลบเท็จแจ้งเท็จมากกว่า
: . สมมติว่าอัตราดอกเบี้ย 5%ไม่ใช่ทำนาย
เริ่มต้นจะนำไปสู่การสูญเสียของมูลค่าของลูกค้า 100 ( falsenegative )
และปฏิเสธการเริ่มต้นไม่เครดิต ( false-positive )
จะนำไปสู่การสูญเสียศักยภาพในการจ่ายดอกเบี้ยของลูกค้า 5 . โดย
นี้ต้นทุนเราได้รับคะแนนจุดตัดที่เหมาะสมสำหรับเต็ม