This research empirically investigated the effect of nonnormality on financial stress prediction. The analysis included the application of probit, logit and multiple discriminant analysis to prediction models found in previous literature, and also involved separate samples for both bankrupt and problem‐status companies. Finally, the statistical techniques were evaluated under extreme conditions of nonnormality. Two basic procedures were used to modify the ratio distributions to achieve normality. These included a square‐root transformation procedure and an outlier deletion procedure. Results were compared using both a univariate and a multivariate technique to identify and remove outliers. The results indicate the general sensitivity of the multiple discriminant analysis technique to departures from normality and the sensitivity of the logit and probit techniques to extreme nonnormality. The data indicate that researchers interested in assessing classification accuracy might benefit by testing for distributional sensitivity using procedures outlined in this research. Resumé. Les auteurs ont procédé à une analyse empirique de l'incidence des écarts par rapport à la normalité sur la prévision des contraintes financières. L'analyse comporte l'application du probit, du logit et de l'analyse à discriminants multiples aux modèles prévisionnnels que l'on trouve dans des publications, et l'on a eu recours à des échantillons distincts tant pour les sociétés en situation de faillite que pour les sociétés en difficulté. Enfin, les techniques statistiques ont été évaluees dans des conditions extrêmes d'écart par rapport à la normalité. Deux méthodes fondamentales ont été utilisées pour modifier les distributions de ratios de façon à parvenir à la normalité. Ces méthodes comprennent un procédé de transformation de la racine carrée et un procédé d'élimination des éléments isolés. Les résultats obtenus ont été comparés à l'aide d'une technique univariée ainsi que d'une technique multivariée pour repérer et supprimer les éléments isolés. Les résultats indiquent la sensibilité générale de la technique d'analyse à discriminants multiples aux déviations par rapport à la normalité et la sensibilité des techniques logit et probit aux écarts extrêmes par rapport à la normalité. Ces données révèlent que les chercheurs qui s'intéressent à l'évaluation de l'axactitude de la classification pourraient tirer profit d'une vérification de la sensibilité de la distribution au moyen des méthodes décrites par les auteurs.

The Cohen Commission and previous research have suggested that auditors' opinions are inferior indicators of bankruptcy relative to the predictions of statistical models. This research reexamines this question in light of two important considerations that make the comparison between audit opinions and model predictions considerably more reflective of the auditors' real‐world decision environment. First, the sample is partitioned into stressed and nonstressed observations and the importance of doing so is demonstrated; second, the statistical models and the forecast errors are adjusted so that they reflect the proportion of bankrupt firms actually faced by auditors. The empirical results provide convincing evidence suggesting that the notion established in previous research that auditors' opinions are interior to models in predicting bankruptcy is unfounded. It should be noted, however, that neither the auditors' opinions nor the bankruptcy prediction model are very good predictors of bankruptcy when population proportions, differences in misclassification costs, and financial stress levels are considered. Résumé. Les travaux de recherche de la Commission Cohen et d'autres travaux qui les ont précédés semblent indiquer que les opinions des vérificateurs sont des indicateurs de faillite moins efficaces que les prédictions des modèles statistiques. Les auteurs se penchent à leur tour sur cette question, à la lumière de deux éléments importants qui font en sorte que la comparaison entre les opinions des vérificateurs et les modèles prévisionnels s'inscrit beaucoup plus dans le contexte décisionnel véritable dans lequel travaillent les vérificateurs. D'abord, l'échantillon est scindé en deux groupes d'observations selon la présence ou l'absence de contrainte financière, partage dont les auteurs expliquent l'importance; ensuite, les modèles statistiques et les erreurs prévisionnelles sont ajustés de manière & refléter la proportion des sociétés dont la faillite a été envisagée par le vérificateur. Les résultats empiriques démontrent de façon probante que les conclusions tirées des travaux précédents selon lesquelles les opinions des vérificateurs sont moins efficaces que les modèles en matière de prévision des faillites ne sont pas fondées. Il convient de noter, cependant, que ni les opinions des vérificateurs ni les modèles prévisionnels ne sont des prédicteurs très efficaces des faillites si l'on tient compte des proportions de la population, des différences dans le coût des erreurs de classification et du niveau de contrainte financière.