ارایه مدلی بهینه برای تعیین رتبه اعتباری احتمال نکول بانک ها و مؤسسات اعتباری غیربانکی بر مبنای تحلیل تمایزی (تشخیصی) و احتمال شرطی غیرخطی لاجیت و پروبیت (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
این مقاله با هدف مدل سازی سنجش ریسک اعتباری و اعتبارسنجی بانک ها و مؤسسات اعتباری غیربانکی به روش تحلیل تمایزی (تشخیصی)، رگرسیون لاجیت و پروبیت انجام می شود بدین منظور حجم نمونه آماری از طریق «روش نمونه گیری غربالگری» تعیین شده است. پژوهش گر با اجرای نمونه گیری از اعضای جامعه آماری به روش نمونه گیری غربالگری مشاهدات را جمع آوری می نماید. این حجم نمونه طی دوره های مالی سال 91 تا 98 را شامل می شود. در این مقاله پس از بررسی صورت های مالی هریک از بانک ها و مؤسسات اعتباری غیربانکی، متغیرهای توضیح دهنده مورد ارزیابی قرار می گیرد. در مقایسه کلی که بین دقت پیش بینی روش خطی تحلیل ممیزی و روش های غیرخطی رگرسیون لجستیک و پروبیت انجام شد نتایج حاصل از این مقایسه نشان داد که روش تحلیل ممیزی با تحلیل رگرسیون پروبیت از نظر دقت و کارایی در یک سطح قرار دارند، درحالی که تحلیل رگرسیون لجستیک کارایی متفاوت و کمتری نسبت به این دو روش داشته است.An optimal model for estimation of Probability of Default related to banks and non banking credit institutions on the basis of Linear Discriminant Analysis and Nonlinear Probability Models of Logit Probit
This article aims to model the credit risk assessment and credit assessment of banks and non-banking institutions by Linear Discriminant Analysis ،logit regression and probit.
For this purpose, the statistical sample size is determined through the "screening sampling method". The researcher collects observations by sampling members of the statistical community by screening sampling method This sample size is included during the financial periods of the years 91 to 98. In this article, after reviewing the financial statements of each bank and non-banking institution, the explanatory variables are evaluated.
In the general comparison between the predictive accuracy of linear Discriminant analysis method and nonlinear methods of logistic regression and probit, the results of this comparison showed that the Linear Discriminant Analysis is on the same level with probit regression analysis in terms of accuracy and efficiency, while Logistic regression analysis was different and less efficient than these two methods.
تبلیغات
