Paglihis sa Kahusayan ng Gastos sa Kita
factor.formula
Modelo ng regression ng kita-gastos:
Salik ng paglihis sa kahusayan ng gastos sa kita:
sa:
- :
Ang kita sa operasyon ng ika-i na kwarter ay na-Z-Score standardized na upang alisin ang epekto ng dimensyon at mapabuti ang katatagan ng modelo ng regression.
- :
Ang mga gastos sa operasyon sa ika-i na kwarter ay na-Z-Score standardized din upang mapanatili ang parehong dimensyon at mga katangian ng distribusyon gaya ng datos ng kita sa operasyon.
- :
Ang intercept term ng modelo ng regression ay nagpapakita ng inaasahang antas ng kita sa operasyon kapag ang gastos sa operasyon ay 0, na madalas na binabalewala sa aktwal na regression.
- :
Ang slope coefficient ng modelo ng regression ay nagpapahiwatig ng pagbabago sa inaasahang kita sa operasyon para sa bawat yunit na pagbabago sa mga gastos sa operasyon, na nagpapakita ng marginal na ugnayan ng mga makasaysayang gastos sa kita.
- :
Ang residual term ng modelo ng regression ay nagpapakita ng paglihis sa pagitan ng aktwal na kita at inaasahang kita batay sa makasaysayang mga ugnayan, iyon ay, ang forecast error ng modelo. Ang residual term dito ay nagpapakita ng labis na pagganap ng mga kasalukuyang aktibidad sa operasyon at ang pangunahing bahagi ng salik na ito.
- :
Ang residual term ng pinakabagong panahon (panahon t) ay nagpapakita ng pinakahuling paglihis ng kahusayan ng gastos sa kita at ito ang huling halaga ng salik.
- :
i ∈ {0, 1, 2, ..., N-1}, na nagpapahiwatig ng serial number ng bawat kwarter sa lookback period, kung saan ang 0 ay nagpapakita ng pinakahuling kwarter at ang N ay ang haba ng lookback window. Ang default value ay N = 8, na nangangahulugang ang pinakahuling 8 kwarter ay titingnan.
factor.explanation
Ang salik na ito ay unang pumipili ng datos ng kita sa operasyon (Kita) at gastos sa operasyon (Gastos) ng pinakahuling N na kwarter, at nagsasagawa ng Z-Score standardization sa bawat isa upang alisin ang epekto ng dimensyon ng datos at mga pagkakaiba sa distribusyon at mapabuti ang katatagan ng kasunod na regression. Pagkatapos, ang mga na-standardize na kita sa operasyon at mga gastos sa operasyon ay linear na nire-regress gamit ang ordinary least squares (OLS) na paraan upang bumuo ng modelo ng ugnayan ng kita-gastos batay sa makasaysayang datos. Ang natitirang termino (ε) na nakuha mula sa regression ng modelo ay nagpapakita ng antas ng paglihis sa pagitan ng aktwal na kita at ang inaasahang halaga ng modelo. Ang natitirang halaga (εt) ng pinakahuling kwarter ay kinukuha bilang ang huling halaga ng salik na RROC. Ang isang positibong natira ay nagpapahiwatig na ang kasalukuyang kita ay mas mataas kaysa sa inaasahan, na maaaring magpahiwatig ng pagbuti sa kahusayan sa operasyon, at kabaligtaran. Maaari itong magpahiwatig ng pagbaba sa kahusayan sa operasyon. Ang absolute value ng halaga ng salik ay nagpapakita ng antas kung saan ang aktwal na kita ay lumihis mula sa inaasahang kita.