Skip to main content
فهرست مقالات

کارایی شبکه های عصبی رگرسیون لجستیک و تحلیل تمایزی در پیش بینی نکول

نویسنده:

علمی-پژوهشی/ISC (23 صفحه - از 151 تا 173)

کلیدواژه ها :

شبکه های عصبی ،لیزینگ ،تحلیل تمایزی ،ریسک نکول ،رگرسیون لجستیک

Neural Networks ،logistic regression ،Discriminant Analysis ،default risk ،leasing

کلید واژه های ماشینی : کارایی شبکه‌های عصبی رگرسیون لجستیک ، رگرسیون لجستیک و تحلیل تمایزی ، تحلیل تمایزی در پیش‌بینی نکول ، شبکه‌ی عصبی ، نکول ، مدل ، اطلاعات ، تحلیل تمایزی ، لیزینگ ، قرارداد

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.

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."


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.