HEAL DSpace

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

DSpace/Manakin Repository

Show simple item record

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


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα