本文的目的是展示如何在拉丁美洲市场的情况下使用促进方法来量化公司治理风险。 我们将使用 Adaboost 的结果与逻辑回归、装袋和随机森林进行比较。 我们对一个拉丁美洲存托凭证 (ADR) 样本和另一个拉丁美洲银行样本进行了十倍交叉验证实验。 我们发现如果数据集是统一的(类似的公司类型和相同的信息来源),就像拉丁美洲的 ADRs 数据集一样,Adaboost 的结果与 bagging 和随机森林的结果相似。 只有当数据集显示出明显的非均匀性时,bagging 才能改善结果。 此外,数据集的一致性会影响结果的可解释性。 使用 Adaboost,我们能够选择一个交替决策树 (ADT),它解释了决定绩效和效率的公司变量之间的关系。