| Abstract: | 由於企業的財務資訊攸關投資決策與授信決策之成效,而財務報表則為表達企業財務狀況與經營績效最重要的資訊,一般投資者往往無法自行分析,而需藉由專業人員判斷的協助,才能正確地解讀財務報表中所蘊涵的寶貴資訊,進而出正確的投資或授信決策。因此,如何提昇專業判斷效能,便成為學者所關切的研究課題。過去在判斷行為的研究,主要是在探討判斷政策(Judgment policy)和判斷品質(Judgment quality)兩個方面,甚少觸及判斷績效(或判斷的正確性);而主要是因為研究的效標變項不易獲得。 有鑑於此,本研究主要係以範例學習法(Learning-from-Example,LFE)探討非診斷資訊,對判斷績效可能造成不利的稀釋作用。研究中將採用民國七十三至八十二年期問,一般上市公司之歷史財務資料及股價作為研究樣本,以形成企業盈虧預測之判斷個案,並對國內財務專家進行測試。研究採用重複測試的方式,以探討判斷個案中加入非診斷資訊,對判斷績效可能造成的不利影響。 研究的進行,主要以人工智慧範例學習技術的研究途徑,來研究非診斷性資訊對人類專家判斷績效所造咸之不利稀釋效果(Dilution effect)。此外,同時也以統計檢定及Logit統計模型之測試來深入了解上述課題,並進一步了解這類稀釋效果是否依然會存在於範例學習系統或統計預測模式之下,據此進行範例學習系統與人類專家或統計預測模式之比較研究。而資訊的不完整(如許多重要線索或是線索值的遺漏)對範例學習系統之判斷績效所造成的不利影響,在本研究亦將有初步的探討。 根據本研究的結果顯示,人類專家的判斷在受到不同程度之非診斷資訊干擾時,其判斷績效確實會顯著地下降而造成稀釋效果,就加入2個及4個非診斷資訊來看,其命中率分別下降了15.56%及11.11%;但就檢定結果看來,加入2個非診斷資訊時達到顯著水準,而加入4個非診斷資訊時則未達顯著水準。另外,若僅針對稀釋前答對情形的個案來分析,則無論是整體樣本、2個或4個非診斷資訊的樣本皆存有顯著的稀釋效果。在干擾效果方面,無論是整體稀釋前後、2個非診斷資訊稀釋前後或4個非診斷資訊稀釋前後,干擾效果皆顯著,但在增量干擾效果方面則未能證實此一效果之顯著性。 此外,在Logit及LFE預測模式之稀釋效果探討下,範例學習法並不因判斷資訊中,內含有非診斷性資訊,而產生不利決策判斷的稀釋效果;LOGIT模式與人類專家同樣會因判斷資訊內含非診斷性資訊,而造成預測績效下降之稀釋效果。進一步的,在LFE模式中,線索或線索值遺漏(資訊的不完整)確實會對範例學習系統之預測績效造成不利之影響,整體而言,系統因資訊的不完整而降低預測績效。 因此本研究建議,人類專家在從事績效判斷時,宜對獲得的資訊先作篩選的工作,事先區分診斷性資訊與非診斷性資訊,然後再根據診斷性資訊來作判斷,將可以提昇判斷之品質與績效。若無法區隔出診斷與非診斷資訊時,則對判斷的結果應有所保留,不能完全信賴其結果。在範例學習法方面,應儘可能蒐集攸關之資訊作為系統之線索輸入,由系統之機制自行篩選重要之線索來建立決策樹,如此應可提昇系統之預測績效。 |
