ارايه مدلي بهينه براي تعيين رتبه اعتباري احتمال نكول بانك‌ها و مؤسسات اعتباري غيربانكي بر مبناي تحليل تمايزي (تشخيصي) و احتمال شرطي غيرخطي لاجيت و پروبيت

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

اين مقاله با هدف مدل‌سازي سنجش ريسك اعتباري و اعتبارسنجي بانك‌ها و مؤسسات اعتباري غيربانكي به روش تحليل تمايزي (تشخيصي)، رگرسيون لاجيت و پروبيت انجام مي‌شود بدين منظور حجم نمونه آماري از طريق «روش نمونه‌گيري غربالگري» تعيين شده است. پژوهش‌گر با اجراي نمونه‌گيري از اعضاي جامعه آماري به روش نمونه‌گيري غربالگري مشاهدات را جمع‌آوري مي‌نمايد. اين حجم نمونه طي دوره‌هاي مالي سال 91 تا 98 را شامل مي‌شود. در اين مقاله پس از بررسي صورت‌هاي مالي هريك از بانك‌ها و مؤسسات اعتباري غيربانكي، متغيرهاي توضيح‌دهنده مورد ارزيابي قرار مي‌گيرد. در مقايسه كلي كه بين دقت پيش‌بيني روش خطي تحليل مميزي و روش‌هاي غيرخطي رگرسيون لجستيك و پروبيت انجام شد نتايج حاصل از اين مقايسه نشان داد كه روش تحليل مميزي با تحليل رگرسيون پروبيت از نظر دقت و كارايي در يك سطح قرار دارند، درحالي‌كه تحليل رگرسيون لجستيك كارايي متفاوت و كمتري نسبت به اين دو روش داشته است.

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.