ارایه مدلی بهینه برای تعیین رتبه اعتباری احتمال نکول بانک‌ها و موسسات اعتباری غیربانکی بر مبنای تحلیل تمایزی (تشخیصی)و احتمال شرطی غیرخطی لاجیت و پروبیت

این مقاله با هدف مدل‌سازی سنجش ریسک اعتباری و اعتبارسنجی بانک‌ها و موسسات اعتباری غیربانکی به روش تحلیل تمایزی (تشخیصی)، رگرسیون لاجیت و پروبیت انجام می‌شود بدین منظور حجم نمونه آماری از طریق »روش نمونه‌گیری غربالگری « تعیین شده است. پژوهش‌گر با اجرای نمونه‌گیری از اعضای جامعه آماری به روش نمونه‌گیری غربالگری مشاهدات را جمع‌آوری می‌نماید. این حجم نمونه طی دوره‌های مالی سال 91 تا 98 را شامل می‌شود. در این مقاله پس از بررسی صورت‌های مالی هریک از بانک‌ها و موسسات اعتباری غیربانکی، متغیرهای توضیح‌دهنده مورد ارزیابی قرار می‌گیرد. در مقایسه کلی که بین دقت پیش‌بینی روش خطی تحلیل ممیزی و روش‌های 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، درحالی‌که 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 nonbanking 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 nonbanking 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.