چکیده:
مدل های آماری مختلفی برای پیش بینی و طبقه بندی در علوم وجود دارد. روش های آماری و اقتصادسنجی نظیر رگرسیون، تحلیل تمایزی، سری های زمانی، رده بندی و دیگر روش ها، بر اساس متغیرها و اطلاعات موجود برای پیش بینی و طبقه بندی یک موضوع خاص به کار می روند. مدل های آماری متاثر از مفروضات و محدودیت های زیادی هستند، بدین لحاظ اخیرا شبکه های عصبی به عنوان شیوه ی نوین پیش بینی به دلیل عدم نیاز به فروض و محدودیت ها در توزیع داده ها وکارایی بالاتر آن مورد توجه ویژه قرار گرفته است. هدف از این مقاله مقایسه ی توانایی مدل های شبکه ی عصبی مصنوعی با رگرسیون لجستیک و تحلیل تمایزی برای پیش بینی ریسک نکول است. با استفاده از اطلاعات 23801 قرارداد لیزینگ و انتخاب متغیرهای مدت قرارداد، مبلغ قرارداد، نوع صنعت، نوع قرارداد، نوع تضمین و خط مشی و سیاست اعتباری به عنوان متغیرهای پیش بین مدل های رگرسیون لجستیک، تحلیل تمایزی و شبکه ی عصبی برازش شد. از تحلیل راک و مقایسه ی صحت طبقه بندی برای مقایسه ی قدرت پیش بینی مدل ها استفاده شد. نتایج حاکی از معنی دار بودن متغیرهای فوق در پیش بینی نکول بوده و مقایسه ی قدرت پیش بینی مدل ها موید برتری شبکه های عصبی نسبت به رگرسیون لجستیک و تحلیل تمایزی است.
There are different statistical models for prediction and classifications in science. Statistical and econometric models like regression، discriminant analysis، time series، ratings and the others are used for forecasting and classifying، based on variables and data about certain subject. However، statistical models have many presumptions and limitations، so in spite of different existing statistical models، recently، neural networks as modern method of forecasting have received considerable attention for its high efficiency and no needs to the presumption and limitation in data distributions. This study is aimed to compare the ability of artificial neural networks model to that of logistic regression and discriminant models in forecasting default events. To do this، logistic regression، discriminant analysis and neural network models were evaluated using the data of 23801 contracts and taking the contract time، contract amount، industry type ، contract type، guarantee type and credit policy as forecasting variables. The ability of models in predicting default risks was compared using ROC analysis and the classification accuracy reviews. The results of this study indicate that the variables mentioned above are significant in forecasting defaults and artificial neural networks model is more efficient as compared to the two other models.
خلاصه ماشینی:
"گوکاسیان و سیمان{o5o}(2007)در"استراتژیهایی برای پیشبینی نکول درقرارداد اجارهی تجهیزات"با استفاده از 250/000 قرارداد اجاره در طی دورهی{o(1) namtlA o} {o(2) iksworoB dna remlE o} {o(3) onaireG dna sitneruaL eD o} {o(4) kcyutS dna timhcS o} {o(5) namaeS dna naisakuoG o} زمانی 2002 تا 2005 و به کارگیری سه روش رگرسیون لجستیک،تحلیل تمایزیو شبکهی عصبی به نتایج زیر رسیدند:درجهی رتبهبندی ترکیبی{o6o}پینت(یکسیستم رتبهبندی اعتباری)،متغیرهای جمعیتشناسی سنتی،{o7o}عقود اجارهیقبلی شرکت{o8o}و سابقهی استقراض{o9o}پیشبینی کنندههای برجستهی ریسکاعتباری در هر سه مدل طبقهبندی یاد شده بودهاند.
نتایج حاکی از این بود که ارتباط بین متغیرها در مدل پیشبینی ریسک اعتباریبه صورت خطی نبوده و تابعهای نمایی و سیگموئید مناسبترین مدلهای پیشبینی ریسک اعتباری است و بیشترین کارایی برای پیشبینی ریسک اعتباری بهترتیب مربوط به شبکههای عصبی مصنوعی و مدل لجستیک میباشد.
6-1-رگرسیون لجستیک در این مرحله از کل قراردادها به میزان 20% به طور تصادفی یک نمونه خارج نمودهکه تعداد آن 4672 قرارداد میباشد و براساس 80% قرارداد باقیماندهی مدلرگرسیون لجستیک به روش گامبهگام پیشرو برازش گردید: (به تصویر صفحه مراجعه شود)مدل لجستیک طراحی شده برای پیشبینی ریسک نکول براساس ضرایب بهصورت زیر میباشد: (به تصویر صفحه مراجعه شود)آمارهی والد محاسبه شده برای هر یک از متغیرها و سطح خطای محاسبهشده بیانگر معنیداری ضرایب در مدل است.
نتایج مربوط به صحت طبقهبندی و مساحت زیرمنحنی COR به منظورمقایسهی قدرت پیشبینی مدلها به تفکیک هر یک از شرکتها در جداول زیرارائه گردیده است: (به تصویر صفحه مراجعه شود)در هر سه شرکت مدل شبکههای عصبی عملکرد برتری را نسبت به دو مدلدیگر داشته و سپس رگرسیون لجستیک و تحلیل تمایزی در ردههای بعدی قراردارند."