Xác suất vỡ nợ doanh nghiệp (Logit)

Minh họa Logit cho biến nhị phân: dự báo xác suất vỡ nợ ($Y=1$ nếu vỡ nợ) từ các chỉ số tài chính. Số liệu là minh họa.

Tóm tắt: hồi quy biến nhị phân vo_no theo đòn bẩy, khả năng sinh lời và thanh khoản; diễn giải bằng odds ratio và tác động biên.

---

Bước 1 — Ý tưởng

• Câu hỏi: chỉ số tài chính nào làm tăng xác suất vỡ nợ, và mức độ ra sao?

Bước 2 — Tổng quan tài liệu

Mô hình cảnh báo sớm rủi ro tín dụng (Altman Z-score, mô hình hazard); làm rõ biến và ngưỡng.

Bước 3 — Thu thập dữ liệu

Biến	Ký hiệu	Đo lường	Nguồn
Vỡ nợ	vo_no	1 = vỡ nợ, 0 = không	BCTC doanh nghiệp niêm yết
Đòn bẩy	don_bay	Nợ/Tổng tài sản	BCTC
Sinh lời	roa	LN ròng/Tổng tài sản	BCTC
Thanh khoản	current	TS ngắn hạn/Nợ ngắn hạn	BCTC

Bước 4 — Mô hình hóa

Chọn họ Biến phụ thuộc giới hạn → Logit:

$$P(vo\_no_i = 1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 don\_bay_i + \beta_2 roa_i + \beta_3 current_i)}}$$

Kết quả minh họa (định dạng — không phải kết quả thực):

Biến	Hệ số	Odds ratio	AME	p-value
don_bay	1.45	4.26	0.21	0.000
roa	−3.10	0.045	−0.28	0.000
current	−0.60	0.55	−0.07	0.012
AUC	0.84

Diễn giải mẫu: đòn bẩy cao làm tăng odds vỡ nợ (OR ≈ 4.3); ROA và thanh khoản cao giảm rủi ro; AUC 0.84 cho thấy phân loại tốt.

Stata

* === Logit — Xác suất vỡ nợ doanh nghiệp ===
logit vo_no don_bay roa current

* Tác động biên trung bình (AME)
margins, dydx(*)

* Đường ROC và AUC
lroc

* Bảng phân loại (confusion matrix)
estat classification

* Odds ratio
logit vo_no don_bay roa current, or

R

# === Logit — Xác suất vỡ nợ doanh nghiệp ===
model <- glm(vo_no ~ don_bay + roa + current,
             family = binomial(link = "logit"),
             data   = df)
summary(model)

# Odds ratio và khoảng tin cậy
exp(coef(model))
exp(confint(model))

# Tác động biên trung bình (AME)
library(margins)
m <- margins(model)
summary(m)

# Đường ROC và AUC
library(pROC)
roc_obj <- roc(df$vo_no, fitted(model))
auc(roc_obj)
plot(roc_obj, main = "ROC — Logit vỡ nợ")

Python

# === Logit — Xác suất vỡ nợ doanh nghiệp ===
import statsmodels.api as sm
import numpy as np
import pandas as pd

X = sm.add_constant(df[["don_bay", "roa", "current"]])
y = df["vo_no"]

model = sm.Logit(y, X).fit()
print(model.summary())

# Odds ratio
print("\nOdds Ratios:")
print(np.exp(model.params))

# Tác động biên trung bình (AME)
mfx = model.get_margeff()
print(mfx.summary())

# ROC / AUC
from sklearn.metrics import roc_auc_score, roc_curve
import matplotlib.pyplot as plt

y_pred = model.predict(X)
auc = roc_auc_score(y, y_pred)
print(f"\nAUC = {auc:.4f}")

fpr, tpr, _ = roc_curve(y, y_pred)
plt.plot(fpr, tpr, label=f"AUC = {auc:.2f}")
plt.xlabel("FPR"); plt.ylabel("TPR")
plt.title("ROC — Logit vỡ nợ")
plt.legend(); plt.show()

Bước 5 — Báo cáo

Xuất báo cáo + mã tái lập; kèm bảng phân loại và đường ROC.

Video minh họa

Video Tutorial: Hướng dẫn chạy Logit (vỡ nợ doanh nghiệp) trong EcoLab

Xem thêm

• Logit · Probit · Danh mục