رگرسیون لاجیت و پروبیت

این مقاله با هدف مدلسازی سنجش ریسک اعتباری و اعتبارسنجی مشتریان در بانک پارسیان به روش رگرسیون لاجیت و پروبیت و مدل شبکه های عصبی هوشمند GMDH انجام می شود. بدین منظور اطلاعات و داده های مالی و کیفی یک نمونه تصادفی 400 تایی از مشتریان که تسهیلات دریافت نموده اند مورد بررسی قرار می گیرد. این حجم نمونه از مشتریان دارای حساب منتهی به سال 1388 انتخاب شده اند. در این مقاله پس از بررسی پرونده های اعتباری هر یک از مشتریان، 11 متغیر توضیح دهنده مورد ارزیابی قرار می گیرد. نتایج مقاله ضمن دلالت بر تایید نظریه های اقتصادی و مالی نشان می دهد که عملکرد پیش بینی الگوی شبکه عصبی (درصد پیش بینی های صحیح آن) به مراتب بهتر از الگوهای اقتصادسنجی متعارف لاجیت و پروبیت است و در زمینه عوامل موثر بر ریسک اعتباری نشان می دهد که از بین متغیرهای مذکور، نوع وثیقه و نسبت بدهی دارای بیشترین اثر بر متغیر احتمال نکول می باشند. همچنین سابقه همکاری، نسبت جاری، نسبت آنی و نسبت مالکانه دارای اثر معمولی و سایر متغیرها کم اثر هستند

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.