کارایی شبکه های عصبی، رگرسیون لجستیک و تحلیل تمایزی در پیش بینی نکول (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
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 متأثر 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 و کارایی 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.The Efficiency of Neural Networks, Logistic Regression & Discriminant Analysis in Defaults Prediction
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.
تبلیغات
