Insights into company survival in Italy: A comparative study of cox proportional hazards and deepSurv models

Χάρκεν Αλεξίου, Παναγιώτα Ισμήνη; Harken Alexiou, Panayiota Ismini

dc.contributor.author	Χάρκεν Αλεξίου, Παναγιώτα Ισμήνη	el
dc.contributor.author	Harken Alexiou, Panayiota Ismini	en
dc.date.accessioned	2024-02-05T11:05:56Z
dc.date.available	2024-02-05T11:05:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58779
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26475
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Survival Analysis	en
dc.subject	Ανάλυση Επιβίωσης	el
dc.subject	DeepSurv	en
dc.subject	Cox Proportional Hazards	en
dc.title	Insights into company survival in Italy: A comparative study of cox proportional hazards and deepSurv models	en
dc.title	Στοιχεία για την Επιβίωση Εταιρειών στην Ιταλία: Μια Συγκριτική Μελέτη των Μοντέλων Cox Proportional Hazards και DeepSurv	el
heal.type	masterThesis
heal.classification	Data Science	en
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-16
heal.abstract	Η διπλωματική αυτή παρουσιάζει μια ολοκληρωμένη ανάλυση εταιρειών στην Ιταλία που έχουν κλείσει λόγω πτώχευσης και άλλων αιτίων. Η μελέτη χρησιμοποιεί τεχνικές ανάλυσης επιβίωσης για να εξετάσει τους παράγοντες που επηρεάζουν τον χρόνο επιβίωσης αυτών των εταιρειών. Δύο κύρια μοντέλα, το Cox Proportional Hazards (CPH) και το μοντέλο DeepSurv, χρησιμοποιούνται για την ανάλυση των δεδομένων. Στο πρώτο μέρος της ανάλυσης επικεντρώνεται στο μοντέλο Cox Proportional Hazard,μια καθιερωμένη προσέγγιση στην ανάλυση επιβίωσης. Το μοντέλο CPH χρησιμοποιείται για να αναγνωρίσει και να κατανοήσει την επίδραση διάφορων παραγόντων κινδύνου στον χρόνο επιβίωσης των εταιρειών στο σύνολο δεδομένων. Στο δεύτερο μέρος, η μελέτη χρησιμοποιεί το μοντέλο DeepSurv, το οποίο ϐασίζεται στην τεχνολογία των ϐαθιών νευρωνικών δικτύων για την ανάλυση επιβίωσης. Δύο παραλλαγές του μοντέλου DeepSurv εξετάζονται : μία που ενσωματώνει ϐελτιστοποίηση υπερπαραμέτρων (HPO) και μία που περιλαμβάνει διαδικασία επιλογής χαρακτηριστικών. ΄Ολα τα μοντέλα αξιολογούνται χρησιμοποιώντας τον δείκτη C-Index, ένα διαδεδομένο μέτρο που μετρά τη συμφωνία μεταξύ προβλεπόμενων και παρατηρούμενων χρόνων επιβίωσης. Τα αποτελέσματα δείχνουν ότι το μοντέλο DeepSurv με επιλογή χαρακτηριστικών επέτυχε τη υψηλότερη τιμή C-Index σε σχέση με όλα τα δοκιμασθέντα μοντέλα. Αυτό το εύρημα υποδηλώνει ότι η ενσωμάτωση της επιλογής χαρακτηριστικών συνέβαλε σημαντικά στη ϐελτίωση της προγνωστικής ικανότητας του μοντέλου για εργασίες ανάλυσης επιβίωσης. Επιπλέον, το μοντέλο DeepSurv με HPO επέδειξε ελαφρώς καλύτερη απόδοση από το παραδοσιακό μοντέλο Cox Proportional Hazard, προτείνοντας την δυνατότητα των τεχνικών ϐαθιάς μάθησης να ανακαλύπτουν περίπλοκα πρότυπα στα δεδομένα. Συνολικά, αυτή η διπλωματική εργασία παρέχει πολύτιμες πληροφορίες σχετικά με τους παράγοντες που επηρεάζουν το κλείσιμο εταιρειών στην Ιταλία λόγω πτώχευσης και άλλων αιτίων. Η σύγκριση του μοντέλου Cox Proportional Hazard και του μοντέλου DeepSurv τονίζει τα πλεονεκτήματα της χρήσης των μεθόδων ϐαθιάς μάθησης για την ανάλυση επιβίωσης. Τα ευρήματα υπογραμμίζουν τη σημασία της επιλογής χαρακτηριστι- κών για τη ϐελτίωση των προγνωστικών δυνατοτήτων του μοντέλου DeepSurv, καθιστώντας το μια ελπιδοφόρα προσέγγιση για μελλοντικές μελέτες ανάλυσης επιβίωσης.	el
heal.abstract	This diploma thesis presents a comprehensive analysis of companies in Italy that have closed due to bankruptcy and other reasons. The study utilizes survival analysis techniques to examine the factors influencing the survival time of these companies. Two primary models, namely the Cox Proportional Hazards (CPH) model and the DeepSurv model, are employed to analyze the data. The first part of the analysis focuses on the Cox Proportional Hazards model, a well-established approach in survival analysis. The CPH model is utilized to identify and understand the impact of various risk factors on the survival time of companies in the dataset. In the second part, the study employs the DeepSurv model, which leverages deep neural network technology for survival analysis. Two variations of the DeepSurv model are explored: one incorporating hyperparameter optimization (HPO) and the other featuring a feature selection process. All models are evaluated using the C-Index, a widely used metric that measures the concordance between predicted and observed survival times. The results indicate that the DeepSurv model with feature selection achieved the highest C-Index value among all the models tested. This finding suggests that the inclusion of feature selection significantly improved the model’s predictive performance for survival analysis tasks. Furthermore, the DeepSurv model with HPO demonstrated a slightly better performance than the traditional Cox Proportional Hazards model, indicating the potential of deep learning techniques in capturing complex patterns within the data. In conclusion, this thesis provides valuable insights into the factors influencing the closure of companies in Italy due to bankruptcy and other reasons. The comparison of the Cox Proportional Hazards model and the DeepSurv model highlights the advantages of utilizing deep learning methods for survival analysis. The findings underscore the importance of feature selection in enhancing the predictive capabilities of the DeepSurv model, making it a promising approach for future survival analysis studies.	en
heal.advisorName	Καρώνη, Χρυσιής	el
heal.advisorName	Caroni, Chrysseis	en
heal.committeeMemberName	Καρώνη, Χρυσιής	el
heal.committeeMemberName	Παπανικολάου, Βασίλης	el
heal.committeeMemberName	Παυλοπούλου, Κάλλια	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	103 σ.	el
heal.fullTextAvailability	false