داده های نامتوازن ، خطای نوع II و غیرخطی بودن در پیش بینی شکست M&A

روش های پیش بینی سنتی در داده های M&A سه محدودیت دارند: اول ، نتیجه معامله M&A است
ثانویه ، با احتمال کمی از شکست ، ثانیاً عواقب عدم موفقیت در نتیجه موفقیت بسیار است
وخیم تر از آنهایی که موفقیت غلط را به عنوان شکست اشتباه می دانند و سوم ، غیرخطی و پیچیده بودن ماهیت
رابطه بین پیش بینی کننده و نتیجه M&A می تواند مزیت رگرسیون لجستیک را محدود کند. فائق آمدن
این محدودیت ها ، ما یک مدل پیش بینی که دو رویکرد مکمل را با هم ترکیب می کند ، توسعه می دهیم: یک تعمیم
چارچوب مدل ورود به سیستم و یک عملکرد حساس به هزینه متن خاص. نتایج تجربی ما نشان می دهد که
روش پیشنهادی پیش بینی های عالی را در مقایسه با روش های پیش بینی سنتی ارائه می دهد.