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

Abstract

<em>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.</em>