📊 statistiek

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

Deze reactie bekritiseert Mahmood et al. (2025) voor methodologische fouten in hun vergelijking tussen werkkapitaalfinanciering en bedrijfsprestaties, waarbij specifiek wordt gewezen op de misclassificatie van de hoofdcomponentanalyse, het onjuist rapporteren van lineaire regressiestatistieken voor boomgebaseerde modellen, en de aanwezigheid van onderling inconsistente schattingen die de conclusie van de studie dat machine learning-modellen beter presteren dan fixed-effects-modellen ondermijnen.

Oorspronkelijke auteurs: Gwenael Piaser

Gepubliceerd 2026-10-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gwenael Piaser

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de wereld van het bedrijfsleven moeten bedrijven voortdurend twee concurrerende behoeften balanceren: genoeg contant geld aanhouden om hun dagelijkse rekeningen te betalen, en dat geld investeren om te groeien en winst te maken. Deze evenwichtsoefening staat bekend als werkkapitaalbeheer. Decennialang hebben economen geprobeerd de perfecte formule voor deze relatie te vinden, waarbij ze vaak ervan uitgingen dat hoe efficiënter een bedrijf zijn kortetermijnfinanciën beheert, hoe winstgevender het wordt. De echte wereld is echter zelden een rechte lijn. Soms is het hebben van te veel contant geld net zo slecht als te weinig, wat een curve creëert waarbij een optimaal middelpunt bestaat. Om deze complexe patronen te begrijpen, hebben onderzoekers steeds vaker gebruikgemaakt van computerprogramma's genaamd machine learning. Deze hulpmiddelen zijn ontworpen om verborgen vormen en verbanden te vinden in enorme hoeveelheden gegevens die traditionele statistische methoden mogelijk missen, wat een nieuwe manier biedt om te zien hoe de financiële beslissingen van een bedrijf daadwerkelijk hun succes beïnvloeden.

Een recente studie door een onderzoeker genaamd Mahmood, Ahmed, Hussain en Ben-Zaied probeerde deze moderne aanpak toe te passen op Chinese productiebedrijven. Ze verzamelden gegevens over meer dan 15.000 bedrijf-jaren verspreid over bijna twee decennia, in de hoop te bewijzen dat hun nieuwe machine learning-modellen de relatie tussen werkkapitaal en winst beter konden verklaren dan de standaardmethoden die jarenlang zijn gebruikt. Ze beweerden dat hun computermodellen superieur waren omdat ze de gegevens nauwer lieten aansluiten en hogere nauwkeurigheidsscores produceerden. Een scherpzinnige kritiek door een onderzoeker genaamd Gwenael Piaser heeft hun werk echter sindsdien onderzocht en vastgesteld dat de studie, hoewel ze een geldige vraag stelt, gebouwd is op een fundament van fundamentele fouten. De kritiek onthult dat de studie niet daadwerkelijk de machine learning-tools heeft gebruikt die het claimde te gebruiken, en dat de cijfers die in het uiteindelijke rapport worden gepresenteerd, intern tegenstrijdig zijn.

De kern van het probleem ligt in de manier waarop de onderzoekers hun methoden beschreven. Ze stelden dat ze "regressiebomen" en "random forests" gebruikten, wat specifieke soorten computeralgoritmen zijn die werken door gegevens op te splitsen in steeds kleinere groepen om voorspellingen te doen. Deze hulpmiddelen produceren niet het soort resultaten dat de auteur publiceerde. Een echte boomgebaseerde methode genereert geen lijst met genummerde waarden met standaardfouten en sterretjes die statistische significantie aangeven, noch produceert het een F-statistiek, die een maatstaf is die alleen wordt gebruikt voor traditionele lineaire vergelijkingen. In plaats daarvan produceren deze computermodellen ranglijsten van welke variabelen het belangrijkst zijn en schattingen van hoe goed het model nieuwe gegevens voorspelt. Piaser wijst erop dat de tabellen in de oorspronkelijke studie exact lijken op de output van een standaard, ouderwetse lineaire regressie, en niet op een machine learning-algoritme. De aanwezigheid van handmatig toegevoegde gekwadrateerde termen en interactievariabelen in de vergelijkingen van de studie bevestigt verder dat de onderzoekers eigenlijk een traditioneel lineair model hebben uitgevoerd, ondanks het labelen ervan als een "beslissingsboom".

De verwarring verdiept zich wanneer men naar de specifieke cijfers kijkt. De studie presenteert een tabel met de titel "Random forest regression algorithm results", maar de cijfers in de tabel zijn een verwarrende mix van twee verschillende modellen. Voor de belangrijkste variabelen van belang komt de tabel exact overeen met het traditionele fixed-effects model, terwijl de controlevariabelen en de algemene nauwkeurigheidsscores overeenkomen met het random forest-model. Het is wiskundig onmogelijk voor een enkel model om een reeks coëfficiënten te produceren die bij de ene methode horen en een nauwkeurigheidsscore die bij een andere methode hoort. Bovendien presenteert de studie drie keer exact hetzelfde coëfficiënt voor een belangrijke variabele, waarbij drie volledig verschillende waarden in de tekst en de tabellen verschijnen. Dit suggereert dat de gegevens niet consistent zijn verwerkt, of dat de definitieve cijfers zijn samengesteld uit verschillende bronnen zonder de juiste verificatie.

Nog een ander belangrijk probleem betreft het gebruik van een techniek genaamd principal component analysis. De auteur vermeldde dit als een van hun concurrerende schattingsmethoden, waarbij het op hetzelfde niveau werd geplaatst als de machine learning-modellen. Echter, principal component analysis is geen methode om de relaties tussen variabelen te schatten; het is een hulpmiddel dat wordt gebruikt om gegevens te vereenvoudigen door veel verschillende metingen samen te voegen tot één enkele, schonere samenvatting. Het is een stap die wordt genomen vóór de eigenlijke analyse, niet een manier om een hypothese te testen. Door het als een rivaal voor de andere modellen te behandelen, maakte de studie een categorie-fout door een gegevenszuiveringsinstrument te vergelijken met een methode om antwoorden te vinden. Daarnaast paste de studie een proces van gegevenszuivering genaamd winsorizing twee keer toe, eerst op de ruwe gegevens en opnieuw na het combineren van de variabelen. Deze dubbele compressie van de gegevens heeft de extremen waarschijnlijk kunstmatig afgevlakt, waardoor de modellen nauwkeuriger lijken dan ze werkelijk zijn door de zeer moeilijk te voorspellen gevallen te verbergen die een robuust model zou moeten kunnen afhandelen.

Uiteindelijk concludeert de kritiek dat de centrale claim van de oorspronkelijke studie — dat machine learning-modellen de variantie in bedrijfsprestaties beter verklaren dan traditionele methoden — ononderbouwd is. De vergelijking vertrouwde op het meten van hoe goed de modellen pasten op de gegevens waarop ze al getraind waren, een praktijk die complexe modellen bevoordeelt simpelweg omdat ze de trainingsgegevens kunnen memoriseren in plaats van ervan te leren. Zonder de modellen te testen op nieuwe, ongeziene gegevens, zijn de gerapporteerde hogere nauwkeurigheidsscores betekenisloos. De studie heeft ook nagelaten de ruwe gegevens of de computercode te verstrekken die andere wetenschappers nodig hebben om het werk te controleren, waardoor de inconsistenties onoplosbaar blijven voor iedereen behalve de oorspronkelijke auteurs. Hoewel de vraag hoe werkkapitaal de winstgevendheid beïnvloedt een vitale kwestie blijft voor de wereldeconomie, lijkt deze specifieke poging om die vraag met behulp van machine learning te beantwoorden, de zeer instrumenten die het probeerde te gebruiken, verkeerd te hebben geleerd. De gepresenteerde cijfers weerspiegelen niet de output van de geavanceerde algoritmen die ze beweren te vertegenwoordigen, en de conclusies die daaruit getrokken kunnen worden, kunnen niet worden vertrouwd.

Technische Samenvatting: Een Commentaar op Mahmood et al. (2025)

Probleemstelling
Mahmood et al. (2025) onderzoeken de relatie tussen kortetermijn werkkapitaalfinanciering (WCF) en de winstgevendheid van bedrijven met behulp van een gebalanceerde paneldataset van Chinese productiebedrijven (2000–2018). De oorspronkelijke studie veronderstelt een niet-lineaire, concave (omgekeerd U-vormige) relatie, gemodereerd door eigendom, bedrijfsgrootte en leverage. Methodologisch beweert de auteur een standaard fixed-effects (FE) panelmodel te vergelijken met twee "machine learning"-schatters: een regressieboom en een random forest. De auteur concludeert dat de boomgebaseerde modellen de variantie beter verklaren op basis van hogere gerapporteerde $R^2$ -waarden en $F$ -statistieken.

Dit commentaar, geschreven door G. Piaser, identificeert fundamentele methodologische gebreken, interne inconsistenties en misrepresentaties van statistische outputs in het oorspronkelijke artikel. Het kernprobleem dat wordt geadresseerd is niet de economische vraag over WCF en winstgevendheid, maar de validiteit van de econometrische en machine learning-implementatie die gebruikt is om deze te beantwoorden.

Methodologie en Kritiek
Het commentaar hanteert een verificatiebenadering, waarbij de interne consistentie van de tekst, vergelijkingen en tabellen van het oorspronkelijke artikel wordt gecontroleerd zonder externe data-herestimatie te vereisen. De kritiek richt zich op drie primaire methodologische tekortkomingen:

Misclassificatie van Principale Componentenanalyse (PCA):
De oorspronkelijke studie vermeldt PCA als een concurrerende schatter naast regressiebomen en random forests. Piaser voert aan dat dit een categoriefout is. PCA is een ongesuperviseerde techniek voor dimensiereductie die wordt gebruikt voor featureconstructie (het creëren van "master proxies" uit meerdere literatuur-proxies), en niet een gesuperviseerde schatter die relaties tussen afhankelijke en onafhankelijke variabelen modelleert. Het produceert geen coëfficiënten, significantieniveaus of $R^2$ -waarden met betrekking tot een doelvariabele. In de oorspronkelijke studie dient PCA slechts als een voorverwerkingsstap, waardoor de opname ervan in een tabel met modelvergelijkingen logisch ongeldig is.
Misrepresentatie van Machine Learning-outputs:
Het commentaar toont aan dat de tabellen gelabeld als "Decision Tree" en "Random Forest" in de oorspronkelijke studie hoeveelheden rapporteren die boomgebaseerde methoden niet produceren. Specifiek rapporteren de tabellen getekende coëfficiënten, parametrische standaardfouten, $t$ -statistieken, significantie-sterretjes en $F$ -statistieken.
- Aard van Boomgebaseerde Methoden: Regressiebomen en random forests verdelen de voorspellerruimte in regio's en voorspellen constante waarden binnen die regio's. Ze leveren geen globale parametervector ( $\beta$ ) op, noch genereren ze parametrische standaardfouten of $F$ -statistieken (die via ANOVA-decompositie gedefinieerd zijn voor lineaire modellen).
- Bewijs van Lineaire Regressie: De aanwezigheid van handmatig geconstrueerde kwadratische termen ( $WCF^2$ ) en interactietermen ( $WCF \times \text{dummy}$ ) bevestigt een parametrische lineaire specificatie. Boomgebaseerde methoden benaderen niet-lineariteit en interacties via recursieve splitsing, waardoor dergelijke handmatige termconstructie overbodig is. De gerapporteerde tabellen worden geïdentificeerd als standaard Ordinary Least Squares (OLS) of Fixed-Effects output, foutief gelabeld als machine learning-resultaten.
Interne Numerieke Inconsistenties:
Het commentaar documenteert ernstige numerieke discrepanties die de gerapporteerde resultaten onreproduceerbaar maken:
- Hybride Kolommen: Tabel 13, getiteld "Random forest regression algorithm results", blijkt een composiet te zijn van twee verschillende modellen. De coëfficiënten voor de kernvariabelen ( $WCF$ en $WCF^2$ ) komen overeen met de Fixed-Effects schattingen, terwijl de controlevariabelen, $R^2$ en de $F$ -statistiek overeenkomen met de Random Forest-schattingen. Deze combinatie is wiskundig onmogelijk voor een enkel gefit model, aangezien $R^2$ mechanisch bepaald wordt door de specifieke coëfficiëntvector en de data.
- Conflicterende Coëfficiënten: De volledige-steekproefcoëfficiënt voor $WCF$ in het Random Forest-model wordt drie keer gerapporteerd met drie incompatibele waarden: 0,598 (tekst), 0,403 (Tabel 13) en 0,323 (Tabel 7).
- Data-inconsistenties: Er bestaan discrepanties in steekproefomvang (15.238 versus 15.239 observaties) en sub-sample aantallen (bijv. het aantal observaties in de textielindustrie varieert tussen 167 en 679 over de tabellen heen).

Belangrijkste Bevindingen en Resultaten
Het commentaar biedt geen nieuwe empirische resultaten met betrekking tot WCF en winstgevendheid. In plaats daarvan zijn de "resultaten" de blootlegging van de methodologische incoherentie van de oorspronkelijke studie:

Ongeldige Modelvergelijking: De centrale claim dat machine learning-modellen fixed-effects modellen overtreffen, is gebaseerd op een vergelijking van in-sample $R^2$ -waarden. Het commentaar voert aan dat dit oninformatief is omdat flexibele boomgebaseerde modellen (indien ze correct geïmplementeerd waren) mechanisch gezien een hogere in-sample fit zouden bereiken dan parsimonieuze lineaire modellen. Een geldige vergelijking vereist out-of-sample of cross-validated foutmetrieken, die niet gerapporteerd worden.
Fouten in Dataprocessing: De oorspronkelijke studie past dubbele winsorisatie toe (eerst op 5% op de ruwe proxies, daarna op 10% op de resulterende principale componenten). Deze procedure comprimeert de datadispersie tweemaal, wat de $R^2$ kunstmatig opblaast en de hellingscoëfficiënten (slope estimates) dempt, terwijl er geen sensitiviteitsanalyse wordt verstrekt.
Reproduceerbaarheidsprobleem: Vanwege het gebruik van propriëtaire CSMAR-data zonder het verstrekken van replicatiesets, code of bedrijfsidentificatoren, en gezien de interne tegenstrijdigheden in de gerapporteerde getallen, kunnen de resultaten niet worden geverifieerd of gereconstrueerd.

Betekenis en Claims
Het artikel claimt bescheiden de "interne consistentie" van de methoden, gerapporteerde statistieken en numerieke waarden van het oorspronkelijke artikel te beoordelen. De betekenis ligt in:

Methodologische Correctie: Het verduidelijken dat PCA een instrument is voor featureconstructie en geen estimator, en dat boomgebaseerde methoden geen lineaire regressie-achtige coëfficiënten en $F$ -statistieken produceren.
Waarschuwing voor Replicatie: Het benadrukken dat de conclusies van de oorspronkelijke studie niet worden ondersteund door het gerapporteerde bewijs vanwege de mislabeling van lineaire regressie-outputs als machine learning-resultaten en de aanwezigheid van tegenstrijdige numerieke waarden.
Onderzoeksintegriteit: Het benadrukken dat, zonder een replicatieset en code, en gezien de gedocumenteerde inconsistenties, de bevindingen van de studie met betrekking tot de superioriteit van machine learning-benaderingen in deze context niet geaccepteerd kunnen worden.

Het commentaar concludeert dat de centrale claim van het oorspronkelijke artikel — dat machine learning-modellen een nauwkeurigere verklaring van de data bieden — op zichzelf ongeldig is vanwege het misbruik van statistische objecten en het gebrek aan een geldige generalisatiemetriek.

Meer zoals dit