📊 statistica

Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain &amp; Ben-Zaied (2025)

Questo commento critica Mahmood et al. (2025) per errori metodologici nel loro confronto tra il finanziamento del capitale circolante e la performance aziendale, evidenziando specificamente la classificazione errata dell'analisi delle componenti principali, la segnalazione scorretta delle statistiche di regressione lineare per i modelli basati su alberi e la presenza di stime mutuamente incoerenti che minano la conclusione dello studio secondo cui i modelli di machine learning superano i modelli a effetti fissi.

Autori originali: Gwenael Piaser

Pubblicato 2026-10-19

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Gwenael Piaser

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo del business, le aziende devono costantemente bilanciare due necessità contrastanti: mantenere abbastanza liquidità per pagare le spese quotidiane e investire quel denaro per crescere e generare profitti. Questo delicato equilibrio è noto come gestione del capitale circolante. Per decenni, gli economisti hanno cercato di trovare la formula perfetta per questa relazione, assumendo spesso che maggiore fosse l'efficienza di un'azienda nella gestione delle proprie finanze a breve termine, maggiore sarebbe il suo profitto. Tuttavia, il mondo reale raramente segue una linea retta. A volte, avere troppa liquidità è dannoso quanto averne troppa poca, creando una curva dove esiste un punto di equilibrio ottimale. Per comprendere questi schemi complessi, i ricercatori si sono rivolti sempre più a programmi informatici chiamati machine learning. Questi strumenti sono progettati per trovare forme e connessioni nascoste in enormi quantità di dati che i metodi statistici tradizionali potrebbero non cogliere, offrendo un nuovo modo per vedere come le decisioni finanziarie di un'azienda influenzino effettivamente il suo successo.

Uno studio recente condotto da un ricercatore di nome Mahmood, insieme a Ahmed, Hussain e Ben-Zaied, ha tentato di applicare questo approccio moderno alle imprese manifatturiere cinesi. Hanno raccolto dati su oltre 15.000 osservazioni anno-azienda che coprono quasi due decenni, sperando di dimostrare che i loro nuovi modelli di machine learning potessero spiegare la relazione tra capitale circolante e profitto meglio dei metodi standard utilizzati per anni. Essi hanno sostenuto che i loro modelli informatici fossero superiori perché si adattavano meglio ai dati e producevano punteggi di accuratezza più elevati. Tuttavia, una critica acuta da parte di un ricercatore di nome Gwenael Piaser ha successivamente esaminato il loro lavoro e ha scoperto che lo studio, pur ponendo una domanda valida, è costruito su una base di errori fondamentali. La critica rivela che lo studio non ha effettivamente utilizzato gli strumenti di machine learning che dichiarava di usare, e che i numeri presentati nel rapporto finale sono internamente contraddittori.

Il nocciolo del problema risiede nel modo in cui i ricercatori hanno descritto i loro metodi. Affermavano di utilizzare "regression trees" (alberi di regressione) e "random forests" (foreste casuali), che sono tipi specifici di algoritmi informatici che funzionano dividendo i dati in gruppi sempre più piccoli per fare previsioni. Questi strumenti non producono il tipo di risultati pubblicati dagli autori. Un vero modello ad albero non genera un elenco di numeri con segno, errori standard e asterischi che indicano la significatività statistica, né produce un F-statistic, che è una misura utilizzata solo per le equazioni lineari tradizionali. Invece, questi modelli informatici producono classifiche di quali variabili siano più importanti e stime di quanto bene il modello predica nuovi dati. Piaser sottolinea che le tabelle nello studio originale sembrano esattamente l'output di una regressione lineare standard e tradizionale, non di un algoritmo di machine learning. La presenza di termini al quadrato e variabili di interazione aggiunti manualmente nelle equazioni dello studio conferma ulteriormente che i ricercatori stavano in realtà eseguendo un modello lineare tradizionale, nonostante lo etichettassero come un "decision tree".

La confusione si approfondisce guardando ai numeri specifici riportati. Lo studio presenta una tabella intitolata "Risultati dell'algoritmo di regressione random forest", ma i numeri all'interno sono un mix confuso di due modelli diversi. Per le variabili principali di interesse, la tabella elenca valori che corrispondono perfettamente al modello a effetti fissi tradizionale, mentre le variabili di controllo e i punteggi di accuratezza complessiva corrispondono al modello random forest. È matematicamente impossibile che un singolo modello produca un insieme di coefficienti appartenenti a un metodo e un punteggio di accuratezza appartenente a un altro. Inoltre, lo studio riporta esattamente lo stesso coefficiente per una variabile chiave per tre volte, con tre valori completamente diversi che appaiono nel testo e nelle tabelle. Ciò suggerisce che i dati non siano stati elaborati in modo coerente, o che i numeri finali siano stati assemblati da fonti diverse senza una verifica adeguata.

Un altro problema significativo riguarda l'uso di una tecnica chiamata analisi delle componenti principali. L'autore l'ha elencata come uno dei loro metodi di stima concorrenti, ponendola allo stesso livello dei modelli di machine learning. Tuttavia, l'analisi delle componenti principali non è un metodo per stimare le relazioni tra variabili; è uno strumento utilizzato per semplificare i dati combinando molte misurazioni diverse in un unico riassunto più pulito. È un passaggio che si compie prima dell'analisi vera e propria, non un modo per testare un'ipotesi. Trattandola come un rivale degli altri modelli, lo studio ha creato un errore di categoria, confrontando uno strumento di pulizia dei dati con un metodo per trovare risposte. Inoltre, lo studio ha applicato un processo di "lavaggio" dei dati chiamato winsorizing due volte, prima ai dati grezzi e poi dopo aver combinato le variabili. Questa doppia compressione dei dati ha probabilmente levigato artificialmente gli estremi, facendo apparire i modelli più accurati di quanto non siano realmente, nascondendo proprio i casi difficili da prevedere che un modello robusto dovrebbe essere in grado di gestire.

In definitiva, la critica conclude che la tesi centrale dello studio originale — ovvero che i modelli di machine learning spieghino la varianza della performance aziendale meglio dei metodi tradizionali — non è supportata. Il confronto si è basato sulla misurazione di quanto bene i modelli si adattassero ai dati su cui erano già stati addestrati, una pratica che favorisce i modelli complessi semplicemente perché possono memorizzare i dati di addestramento piuttosto che imparare da essi. Senza testare i modelli su nuovi dati non visti, i punteggi di accuratezza riportati sono privi di significato. Lo studio ha inoltre omesso di fornire i dati grezzi o il codice informatico necessari affinché altri scienziati potessero verificare il lavoro, lasciando le incongruenze irrisolvibili da chiunque altro non sia uno degli autori originali. Sebbene la questione di come il capitale circolante influenzi la redditività rimanga un tema vitale per l'economia globale, questo particolare tentativo di rispondere utilizzando il machine learning sembra aver appreso male proprio gli strumenti che intendeva impiegare. I numeri presentati non riflettono l'output degli algoritmi avanzati che dichiarano di rappresentare, e le conclusioni tratte da essi non possono essere ritenute affidabili.

Sintesi Tecnica: Un commento su Mahmood et al. (2025)

Problematica
Mahmood et al. (2025) indagano la relazione tra il finanziamento del capitale circolante a breve termine (WCF) e la redditività aziendale utilizzando un panel bilanciato di imprese manifatturiere cinesi (2000–2018). Lo studio originale ipotizza una relazione non lineare, concava (a U rovesciata), moderata dalla proprietà, dalla dimensione aziendale e dalla leva finanziaria. Dal punto di vista metodologico, l'autore sostiene di confrontare un modello standard a effetti fissi (FE) con due stimatori basati sul "machine learning": un albero di regressione e una foresta casuale (random forest). Concludono che i modelli basati sugli alberi "spiegano meglio la varianza" in base ai più elevati valori di $R^2$ e statistiche $F$ riportati.

Questo commento, redatto da G. Piaser, identifica difetti metodologici fondamentali, incongruenze interne e rappresentazioni errate degli output statistici dell'articolo originale. Il problema centrale affrontato non è la questione economica del WCF e della redditività, ma la validità dell'implementazione econometrica e del machine learning utilizzata per rispondere ad essa.

Metodologia e Critica
Il commento impiega un approccio di verifica, controllando la coerenza interna del testo, delle equazioni e delle tabelle dell'articolo originale senza richiedere la ricalibrazione dei dati esterni. La critica si concentra su tre fallimenti metodologici primari:

Classificazione errata dell'Analisi delle Componenti Principali (PCA):
Lo studio originale elenca la PCA come un estimatore concorrente insieme agli alberi di regressione e alle foreste casuali. Piaser sostiene che si tratti di un errore di categoria. La PCA è una tecnica di riduzione della dimensionalità non supervisionata utilizzata per la costruzione di feature (creazione di "proxy master" a partire da molteplici proxy della letteratura), non un estimatore supervisionato che modella le relazioni tra variabili dipendenti e indipendenti. Essa non produce coefficienti, livelli di significatività o valori di $R^2$ relativi a una variabile target. Nello studio originale, la PCA funge solo da passaggio di pre-elaborazione, rendendo logicamente invalida la sua inclusione in una tabella di confronto tra modelli.
Rappresentazione errata degli output del Machine Learning:
Il commento dimostra che le tabelle etichettate come "Decision Tree" e "Random Forest" nello studio originale riportano quantità che i metodi basati sugli alberi non producono. Nello specifico, le tabelle elencano coefficienti con segno, errori standard parametrici, statistiche $t$ e asterischi di significatività, oltre a statistiche $F$ .

Natura dei metodi basati sugli alberi: Gli alberi di regressione e le foreste casuali partizionano lo spazio dei predittori in regioni e predicono valori costanti all'interno di tali regioni. Essi non forniscono un vettore di parametri globale ( $\beta$ ), né generano errori standard parametrici o statistiche $F$ (che sono definiti per i modelli lineari tramite la decomposizione ANOVA).
Evidenza di una regressione lineare: La presenza di termini quadratici costruiti manualmente ( $WCF^2$ ) e termini di interazione ( $WCF \times \text{dummy}$ ) conferma una specifica lineare parametrica. I metodi basati sugli alberi approssimano la non linearità e le interazioni attraverso la suddivisione ricorsiva, rendendo ridondante tale costruzione manuale di termini. Le tabelte riportate sono identificate come output di un ordinario minimo dei quadrati (OLS) o a effetti fissi, erroneamente etichettati come risultati di machine learning.

Incongruenze numeriche interne:
Il commento documenta gravi discrepanze numeriche che rendono i risultati riportati non riproducibili:

Colonne Ibride: La Tabella 13, intitolata "Risultati dell'algoritmo di regressione random forest", si rivela essere un composito di due modelli differenti. I coefficienti per le variabili chiave ( $WCF$ e $WCF^2$ ) corrispondono alle stime a effetti fissi, mentre le variabili di controllo, l' $R^2$ e la statistica $F$ corrispondono alle stime della Random Forest. Questa combinazione è matematicamente impossibile per un singolo modello stimato, poiché l' $R^2$ è meccanicamente determinato dal vettore di coefficienti specifico e dai dati.
Coefficienti Conflittuali: Il coefficiente del campione completo per il $WCF$ nella Random Forest è riportato tre volte con tre valori incompatibili: 0,598 (testo), 0,403 (Tabella 13) e 0,323 (Tabella 7).
Incongruenze nei Dati: Esistono discrepanze nelle dimensioni del campione (15.238 vs 15.239 osservazioni) e nei conteggi dei sottocampioni (ad esempio, le osservazioni del settore tessile variano tra 167 e 679 tra le varie tabelle).

Risultati Chiave e Conclusioni
Il commento non offre nuovi risultati empirici riguardanti il WCF e la redditività. Al contrario, i suoi "risultati" consistono nell'esposizione dell'incoerenza metodologica dello studio originale:

Confronto di Modelli Invalido: La tesi centrale secondo cui i modelli di machine learning superano i modelli a effetti fissi si basa su un confronto di valori di $R^2$ in-sample. Il commento sostiene che ciò sia poco informativo perché i modelli ad alberi flessibili (se fossero stati implementati correttamente) raggiungerebbero meccanicamente un adattamento in-sample superiore rispetto ai modelli lineari parsimoniosi. Un confronto valido richiederebbe metriche di errore out-of-sample o tramite cross-validation, che non sono riportate.
Errori di Elaborazione dei Dati: Lo studio originale applica una doppia winsorizzazione (prima al 5% sulle proxy grezze, poi al 10% sulle componenti principali risultanti). Questa procedura comprime la dispersione dei dati due volte, gonfiando artificialmente l' $R^2$ e attenuando le stime dei coefficienti, pur non fornendo alcuna analisi di sensibilità.
Fallimento della Riproducibilità: A causa dell'uso di dati proprietari CSMAR senza la fornitura di dataset di replica, codice o identificativi aziendali, e date le contraddizioni interne nei numeri riportati, i risultati non possono essere verificati o ricostruiti.

Significatività e Rivendicazioni
Il documento afferma modestamente di voler valutare la "coerenza interna" dei metodi, delle statistiche riportate e dei valori numerici dell'articolo originale. La sua significatività risiede in:

Correzione Metodologica: Chiarire che la PCA è uno strumento di costruzione delle feature, non un estimatore, e che i metodi basati sugli alberi non producono coefficienti di regressione lineare e statistiche $F.
Avvertimento sulla Replicabilità: Evidenziare che le conclusioni dello studio originale non sono supportate dalle prove riportate, a causa dell'errata etichettatura di output di regressione lineare come risultati di machine learning e della presenza di valori numerici contraddittori.
Integrità della Ricerca: Sottolineare che, in assenza di un dataset di replica e del codice, e date le incongruenze documentate, i risultati dello studio riguardanti la superiorità degli approcci di machine learning in questo contesto non possono essere accettati.

Il commento conclude che la tesi centrale dell'articolo originale — ovvero che i modelli di machine learning forniscano una spiegazione più accurata dei dati — è invalida nei suoi stessi termini a causa dell'uso improprio di oggetti statistici e della mancanza di una metrica di generalizzazione valida.

Articoli simili