بررسی سودمندی انتخاب متغیرهای پیش‌بین در پیش‌بینی نوع اظهارنظر حسابرسان

در اغلب پژوهش‌های انجام‎شده، متغیرهای پیش‌بین بدون ضابطه و فقط براساس مطالعات گذشته انتخاب شده‎اند. فرایند انتخاب متغیرها را می‌توان به‎عنوان مرحلۀ پیش‌پردازش برای حذف متغیرهای نامربوط و اضافه و انتخاب متغیرهای بهینه قبل از ایجاد مدل دانست. در این رابطه، پژوهش حاضر به بررسی سودمندی روش انتخاب متغیر مبتنی بر همبستگی برای پیش‎بینی نوع اظهارنظر حسابرسان شرکت های پذیرفته‎شده در بورس اوراق بهادار تهران می‎پردازد. طبقه بندی کننده های این پژوهش، شبکه‌های عصبی مصنوعی و رگرسیون لجستیک است. به‎طور کلی، یافته های تجربی مربوط به بررسی 1214 مشاهده (سال ـ شرکت) در بازۀ زمانی 1386 تا 1393 نشان‌ داد سودمندی استفاده از متغیرهای منتخب روش انتخاب متغیر همبستگی، در عملکرد پیش بینی نوع اظهارنظر حسابرسان است. به بیان دیگر، در صورت استفاده از متغیرهای منتخب این روش نسبت به استفاده از کلیۀ متغیرهای اولیه ، میانگین دقت افزایش و خطای نوع اول و دوم کاهش خواهد یافت. افزون‎بر این، یافته های پژوهش حاکی از عملکرد مناسب و بهتر شبکه‌های عصبی نسبت به رگرسیون لجستیک است.