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

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 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 ۲۳۸۰۱ 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.

کلیدواژه ها:

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