چکیده:
امروزه روش های کمی، به یکی ازمهمترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان دربازارها تبدیل شده اند. دقت پیش بینی، یکی ازمهم ترین فاکتورهای انتخاب روش پیش بینی است. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده ازشبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظورنه متغیر تأثیرگذار برمدیریت سود به عنوان متغیرهای مستقل واقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق دو صنعت کشاورزی و نساجی ازسال 1385 تا سال1390مورد بررسی قرارگرفت. ازروش رگرسیون کمترین مربعات جهت مدل خطی واز شبکه عصبی پیشخور و درخت تصمیم گیریCart جهت بررسی ازطریق تکنیک های داده کاوی استفاده شد. نتایج حاصل ازاین تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری درپیش بینی مدیریت سود نسبت به روش های خطی دقیق ترودارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل(DAI)، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد(THOD) وحساسیت در پرداخت بابت عملکرد (PPS)درروش های رگرسیون، شبکه عصبی، درختCart دارای بیشترین ارتباط است.
Today, quantitative methods to predict the most important tools for decision making huge investments in the market and capitalism, have become.Theprediction method is the most importantBlanks.The main objectivethis study accurately predicted earnings management using neural networks and decision tree is compared with linear models.For this purpose, nine variables that affect earnings management and accruals as independent variables, was used as the dependent variable.In this study, both agriculture and the textile industry were reviewed. Methods for linear least squares regression and a feedforward neural network and decision tree data mining techniques were used by to evaluate Cart.The results of this study showed that the neural network approach and linear decision tree methods adopted towards more accurate prediction of earnings management with error level is less obvious. Relationships between the dependent variables with the independent variables can be said,Discretionary accruals prior period earnings management variables (DAI), nondiscretionary accruals Prioror threshold function (THOD) and pay for performance sensitivity (PPS) method, regression, neural networks, Sart is most relevant.
خلاصه ماشینی:
هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن با مدل های خطی است .
نتایج به دست آمده نشان داد که روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش های خطی دقیق تر و دارای سطح خطای کمتری است .
در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز میتوان گفت ، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل )DAI(، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد )THOD( و حساسیت در پرداخت بابت عملکرد )PPS( در روش های رگرسیون ، شبکه عصبی، درخت کارت دارای بیشترین ارتباط است .
چی و همکاران در سال ٢٠٠٩ در بورس اوراق بهادار تایوان به پیش بینی مدیریت سود با استفاده از ترکیب مدل شبکه های عصبی و درخت تصمیم گیری پرداختند و در تحقیق خود از ٨ متغیر مستقل به نام های اثرگذاریهای نظارت خارج از شرکت ، آستانه عملکرد، حساسیت عملکرد، اندازه شرکت ، اهرم بدهی، عملکرد شرکت ، کنترل متوسط اثر برگشت پذیری و تحصیل و فعالیت مالی استفاده کردند.
نتایج به دست آمده از این تحقیق نشان داد که روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش های خطی دقیق تر و دارای سطح خطای کمتری است .
“Earnings Management Prediction: A pilot Study of combining Neural Networks and Decision Trees”, Expert systems with Application, 36/ 7183-7191.