Sistematik ÇSY Puanlama Sistemi Oluşturma: Sonuçlar

Bağlantı Tablosu

• Özet ve Giriş
• İlgili Çalışmalar
• Amaç
• Yöntemler
• Sonuçlar
• Tartışma
• Sonuç ve Kaynakça

5. Sonuçlar

Rastgele Orman Regresyon modeli, 64 şirketten oluşan bir örnek üzerinde test edildiğinde en güçlü genel sonuçları gösterdi. Rastgele Orman Regresyon modeli, %26,1'lik istatistiksel olarak anlamlı korelasyon katsayısı ve %13,4'lük ortalama mutlak ortalama hata (MAAE) ile mevcut S&P Global ESG puanlarıyla en güçlü korelasyona sahipti (Şekil 5, 6). Bu, algoritmanın 0,0372 (<0,05) p değerine sahip olduğu anlamına gelir ve bu da algoritmanın mevcut ESG çözümlerine göre iyi kalibre edildiğini gösterir. Öte yandan, diğer modeller benzer MAAE'ye sahipken, istatistiksel olarak anlamlı olmayan daha düşük korelasyon katsayılarına da sahiptirler (Şekil 6). Örneğin, Destek Vektör Regresyon algoritmasının korelasyonu %18,3 ve MAAE'si %13,7 idi, bu da 0,148 p değeriyle sonuçlanır (Şekil 8). XGBoost modelinin korelasyonu %16,0 ve MAAE'si %14,7 idi; bu da 0,207 p değeriyle sonuçlanır (Şekil 7). Son olarak, K-En Yakın Komşular algoritması %13,2'lik bir korelasyona ve %14,0'lık bir MAAE'ye sahipti; bu da 0,298'lik bir p değeridir (Şekil 9). Bununla birlikte, tüm algoritmalar %13-%15 arasında düşen benzer bir MAAE'ye sahipti; Rastgele Orman modeli %13,4 ile en düşük değere sahipti (Şekil 10). Tüm algoritmalar MAAE kriterleri olan %20,0'ı aştı.