Bảng phân loại độ chính xác đã được sử dụng trong các nghiên cứu trước đó như là một công cụ bổ sung để đo lường độ chính xác trong việc đoán trước các mô hình dự báo vỡ nợ / phá sản. Tuy nhiên, các nghiên cứu hiện nay sử dụng phương pháp khác nhau và phù hợp hơn để ước tính tỷ lệ phân loại về tài chính đúng và sai và các công ty kiệt quệ phi tài chính. Để phân loại một tập hợp các dữ liệu nhị phân, các công trình nghiên cứu trước đó sử dụng các quan sát tương tự được sử dụng để làm phù hợp mô hình ước lượng phân loại sai số, sự kiện dẫn đến sai sót trong tính ước lượng. Nói cách khác, sử dụng rộng rãi 2 × 2 các bảng ước lượng tần số, nơi các quan sát đã phân loại chính xác được hiển thị trên đường chéo chính của bảng, được bắt nguồn từ việc sử dụng tất cả các quan sát để phù hợp với mô hình. Do đó, các kết quả đã bị ảnh hưởng, như mỗi quan sát có ảnh hưởng đến các mô hình được sử dụng để phân loại riêng của nó. Một cách để giảm ảnh hưởng là “loại bỏ các quan sát nhị phân đã được phân loại từ các dữ liệu, tái ước lượng các tham số của mô, nghiên cứu này sử dụng các thủ tục hậu cần để cung cấp một bước gần đúng ít tốn kém với các ước lượng tham số trước.
Hình 7: Những thay đổi về chỉ số kinh tế vĩ mô dự đoán xác suất. Con số vẽ các vectơ phản ánh những thay đổi trong dự đoán xác suất (cho kiệt quệ tài chính = 1) ở các cấp độ khác nhau của các biến độc lập kinh tế vĩ mô chỉ số giá bán lẻ (RPI), và đại diện cho lãi suất, tỷ lệ tiền giảm ngắn hạn (SHTBRDEF), giữ tất cả các đồng biến khác không đổi ở giá trị trung bình của chúng (TFOTL = 0,097, TLTA = 0,498, NOCREDINT = -0.2, BẢO HIỂM = 0,6, RPI = 178,1, SHTBRDEF = 2,046, GIÁ = 4,427, ABNRET = -0.11, SIZE = -10, MCTD = 0,91). Các tính toán được thực hiện có tính đến tất cả các biến có trong mô hình ‘đầy đủ’ hay Model 3 (tỷ lệ báo cáo tài chính, các chỉ số kinh tế vĩ mô và biến thị trường). Xác suất dự đoán được ước tính sử dụng giá trị gần đúng của các phạm vi tối thiểu và tối đa của các biến độc lập. Bằng cách này, các dự đoán xác suất cho tất cả các cấp của một biến có thể được quan sát thấy. Con số này báo cáo các dự đoán xác suất cho mô hình’đầy đủ’ ước tính trong khoảng thời gian t - 1, các vectơ khoảng cách sử dụng các mô hình đầy đủ trong t - 2 có hình dạng rất giống nhau, do đó,chúng không được báo cáo trong nghiên cứu này.
Để xây dựng một bảng phân loại có độ nghiêng thích hợp, dự báo kiệt quệ tài chính được tính cho mỗi quan sát. Nếu xác suất dự đoán sự kiện vượt quá hoặc bằng một giá trị điểm cắt (mà đường thằng thực được ánh xạ vào [0,1]), sau đó các quan sát được dự đoán trong kiệt quệ tài chính, mặt khác, nó được
dự đoán là một điều trái dự đoán hay kiệt quệ phi tài chính. Các mức xác xuất đã chọn khoảng 0,020- 0,120 để có độ nhạy và đặc trưng đạt mức độ cao, được phối hợp từng cái một. Ưu điểm của phương pháp này là để xây dựng bảng Phân loại mà nó cung cấp một công cụ hữu ích để tái chỉnh một mô hình dự đoán kiệt quệ với điểm cắt xác suất khác nhau dựa vào chi phí được định sẵn để các lỗi loại I và II. Các nghiên cứu này đo lường độ chính xác của việc phân loại thông qua độ nhạy của nó (khả năng của các mô hình để dự đoán một sự kiện kiệt quệ tài chính một cách chính xác) và đặc trưng (khả năng của các mô hình để dự đoán một sự kiện kiệt quệ phi tài chính một cách chính xác). Trong Bảng 10, cột 'đúng' cho thấy số lượng các quan sát đã được dự đoán một cách chính xác như kiệt quệ tài chính và kiệt quệ phi tài chính, tương ứng. Cột 'Sai' trình bày số lượng các quan sát kiệt quệ phi tài chính mà không đúng cách đã được dự đoán là kiệt quệ về mặt tài chính, và số lượng các quan sát về kiệt quệ tài chính đó không chính xác đã được dự đoán là kiệt quệ phi tài chính, tương ứng. Cột 'Tỷ lệ' thể hiện tỷ lệ phân loại chính xác, tỷ lệ phản ứng kiệt quệ tài chính đã được dự đoán là sự kiện kiệt quệ tài chính (Độ nhạy, hay khả năng của các mô hình để dự đoán kiệt quệ tài chính một cách chính xác), và tỷ lệ kiệt quệ phi tài chính phản ứng đã được dự đoán là sự kiện kiệt quệ phi tài chính (đặc trưng, hay khả năng của các mô hình để dự đoán kiệt quệ phi tài chính một cách chính xác), tương ứng.
Bảng phân loại điều chỉnh độ nghiêng được tính toán cho mô hình 2 (Mô hình kế toán kết hợp với các chỉ số kinh tế vĩ mô) và mô hình 3 (các mô hình 'đầy đủ') để đánh giá sự gia tăng độ chính xác khi phân loại biến thị trường được thêm vào một mô hình dựa trên chỉ số bảng báo cáo tài chính (hình A và hình B trong Bảng 10, tương ứng). Hơn nữa, Bảng 10 cũng trình bày một bảng phân loại cho mô hình 3 ước tính trong khoảng thời gian t - 2 để kiểm tra xem các mô hình 'đầy đủ' tiếp tục là hữu ích trong việc dự đoán kiệt quệ tài chính trong hai năm trước sự kiện kiệt quệ, do đó xác nhận dự đoán độ chính xác của nó. Có thể kết luận rằng phương pháp làm việc có hiệu quả để xác nhận hai điểm này: có một sự gia tăng đáng kể trong việc thực hiện phân loại từ mô hình 2 đến mô hình 3, có nghĩa là biến thị trường cung cấp các thông tin hữu ích không được bao gồm trong tỷ lệ báo cáo tài chính hoặc các chỉ số kinh tế vĩ mô. Hơn nữa, sự tiến bộ cho thấy ba loại biến động như bổ sung, xác nhận các sự kiện trước đó thu được từ việc phân tích các khu vực dưới đường cong ROC . Các mức xác suất 0,060 được chọn là một tiêu chuẩn thích hợp để thực hiện một sự so sánh giữa các mô hình cho các lý do sau: Thứ nhất, mức này tương đương với tỷ lệ thất bại trong công ty vững mạnh mà dữ liệu hoàn chỉnh thực hiện các tính toán xác suất dự đoán khả thi. Thứ hai, mức độ này tạo ra khoảng cách nhỏ nhất giữa tỷ lệ phần trăm độ nhạy và đặc trưng. Các bảng A, B, và C cho thấy một mức độ xác suất 0,060 được sử dụng như điểm cắt, mang lại kết hợp chính xác dự đoán cao nhất giữa độ nhạy và đặc trưng cho ba mô hình. Sự gia tăng độ chính xác khi dự đoán biến thị trường được bổ sung vào mô hình 'kế toán và các chỉ số kinh tế vĩ mô' bằng 5 điểm phần trăm được đo bằng tỷ lệ phân loại chính xác ở cột 6 của Bảng 10, ở mức xác suất 0,060 như là giá trị điểm cắt; 80-85% phân loại chính xác trong mô hình 2 và 3, tương ứng. Hơn nữa, khi mô hình 3 được ước tính trong khoảng thời gian t - 2, tỷ lệ phân loại chính xác giảm bởi chỉ có một điểm phần trăm so với cùng một mô hình ước tính trong khoảng thời gian t - 1, tại cùng một điểm cắt xác suất 0,060: phân loại tỷ lệ chính xác là 85 năm t - 1, giảm nhẹ chỉ có 84 năm t - 2. Điều này chỉ ra rằng mô hình "đầy đủ" cũng rất hữu ích để dự đoán kiệt quệ tài chính trong hai năm trước sự kiện này.
Ghi chú: Bảng này báo cáo bảng phân loại được điều chỉnh độ nghiêng đối với dự đoán tần số kiệt quệ ở mức xác suất khác nhau như cắt giảm giá trị cho mô hình 2 ước tính trong khoảng thời gian t - 1, và mô hình 3 ước tính trong khoảng thời gian t - 1 và t - 2, trong hình A, B và C, tương ứng. Cột 'đúng' cho thấy số lượng các quan sát đã được dự đoán một cách chính xác như kiệt quệ về tài chính (cột 2) và kiệt quệ phi tài chính (cột 3), tương ứng. Cột 'Sai' trình bày số lượng các quan sát kiệt quệ phi tài chính mà không đúng cách đã được dự đoán là kiệt quệ về tài chính (cột 4), và số lượng các quan sát về kiệt quệ tài chính đó không chính xác đã được dự đoán là không kiệt quệ về tài chính (cột 5), tương ứng. Cột 'Tỷ lệ' thể hiện tỷ lệ phân loại chính xác (Cột 6), tỷ lệ phản ứng kiệt quệ tài chính đã được dự đoán là sự kiện kiệt quệ tài chính (Độ nhạy, hay khả năng của các mô hình để dự đoán kiệt quệ tài chính một cách chính xác, Cột 7), và tỷ lệ phản ứng kiệt quệ phi tài chính đã được dự đoán là sự kiện kiệt quệ phi tài chính (đặc trưng, hay khả năng của các mô hình để dự đoán tình hình tài chính một cách chính xác, Cột 8), tương ứng.
Bảng phân loại hiện nay cũng sở hữu những lợi thế của việc cho phép một người quản lý rủi ro để tính toán tỷ lệ phần trăm cao của độ nhạy và độ đặc trưng riêng. Điều này đặc biệt hữu ích như các lỗi loại I và II không kém phần trọng đối với người thực hiện. Một sai lầm khẳng định cho lỗi này không đắt bằng một sai lầm phủ định: các chi phí của công ty dự đoán là kiệt quệ tài chính trong khi thực tế nó là lành mạnh, ít hơn so với chi phí của một công ty dự đoán là lành mạnh về tài chính khi thực tế nó kiệt quệ về mặt tài chính. Vì vậy, nếu đây là trường hợp, một người quản lý rủi ro sẽ được quan tâm nhiều hơn trong việc gia tăng tỷ lệ phân loại chính xác các công ty kiệt quệ tài chính (Độ nhạy), lựa chọn một mức độ xác suất thấp hơn là điểm cắt. Điều này sẽ được thực hiện, tuy nhiên, chỉ tại chi phí giảm khả năng của các mô hình để dự đoán các sự kiện kiệt quệ phi tài chính một cách chính xác (Đặc trưng). Các nghiên cứu này được trình bày tỷ lệ đặc trưng và độ nhạy ở mức xác suất khác nhau như các điểm cắt để hiển thị các ứng dụng thực tiễn của phương pháp này để đo độ chính xác của một mô hình dự đoán kiệt quệ và lợi thế của nó liên quan đến sử dụng rộng rãi bảng tần số 2 × 2 này được ngầm hiểu cung cấp cho trọng lượng tương đương với loại lỗi I và loại II.