آمار توصیفی
استفاده از جدول داده ها
شاخص های نکویی برازش
ضرایب چولگی و کشیدگی
آزمون ناپارامتریک کولموگروف- اسمیرونوف
آماره دوربین واتسون
ضریب همبستگی خطی پیرسون
آزمون همسانی وایت
توزیع تی استیودنت
۳-۶-۱- روش های آماری
رگرسیون چند متغیره
۳-۶-۲- روش های غیر آماری
شبکه عصبی MLP
۳-۷- برآورد مدل رگرسیون لجستیک
به منظور طراحی مدل بهینه سنجش ریسک اعتباری، اطلاعات اولیه با بهره گرفتن از نرم افزار اکسل برای ورود به مدل آماده شد. به منظور دستیابی به مدل بهینه اعتبارسنجی متغیرهای مورد نظر را وارد مدل کرده و در مدل برازش شده و مورد بررسی قرارخواهدگرفت.
مقادیر برآورده شده ضرایب متغیر های مستقل با بهره گرفتن از نرم افزار SPSS محاسبه خواهد گردید.
در نهایت پس از بررسی مشخص خواهد شد که متغیرهای چک برگشتی، مبلغ تسهیلات دریافتی توسط مشتریان، ارزش وثیقه دریافتی از مشتریان حقوقی، متوسط موجودی حساب جاری مشتریان، گردش بستانکار حساب جاری مشتریان، سابقه اعتباری و سابقه حساب جاری مشتریان در مدل معنادار می باشد بنابراین تابع لجیت یا لگاریتم احتمال قصور در باز پرداخت به احتمال عدم قصور در بازپرداخت به صورت رابطه ۲ است:
رابطه ۲ :
از رابطه بالا احتمال عدم بازپرداخت وام (ریسک اعتباری) توسط مشتریان محاسبه می شود. بدین ترتیب، افزایش متغیرهایی که دارای ضریب منفی هستند باعث کاهش Y می شود و افزایش متغیرهایی که دارای ضریب مثبت هستند، باعث افزایش Y می شوند.
۳-۸- برآورد مدل شبکه های عصبی
پس از تکرار چندین سیکل یادگیری در نهایت ساختار شبکه عصبی پرسپترون ۳ لایه، با ۷ نرون در لایه ورودی، ۲۰ نرون در لایه میانی و یک نرون در لایه خروجی و تابع تانژانت- سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی با الگوریتم پس انتشارانتخاب می گردد. جهت طراحی، آموزش و آزمایش مدل شبکه عصبی از نرم افزار متلب نسخه ۷٫۱ استفاده می شود.
شبکه عصبی
مدل استفاده شده در این تحقیق یک شبکه عصبی سه لایه است که از بردار ورودی با ۷ متغیر ورودی که عبارتنداز: چک برگشتی، مبلغ تسهیلات دریافتی توسط مشتریان، ارزش وثیقه دریافتی از مشتریان حقوقی، متوسط موجودی حساب جاری مشتریان، گردش بستانکار حساب جاری مشتریان، سابقه اعتباری و سابقه حساب جاری مشتریان، شمای ساختاری شبکه پرسپترون سه لایه مورد استفاده در این تحقیق در شکل ۳-۱ نشان داده شده است:
Layer 2
Layer 3
Layer 1
input
=y
R
P
شکل ۳-۱: ساختار شبکه عصبی
P بردار ورودی، ماتریس وزن در لایه پنهان اول می باشد، بردار نرون ها، بردار خروجی، تابع انتقال، بردار بایاس در لایه i ام است و ماتریس وزن در لایه پنهان i ام می باشد.
تعداد نرونها در لایه پنهان اول برابر با تعداد متغیر ها فرض شده است که این تعداد بهینه ترین تعداد نرون در این لایه می باشد.
تابع انتقال استفاده شده در لایه سوم تابع لگاریتمی سیگوئید که در آن است که در شبکه های پس انتشار بسیار مورد استفاده قرار می گیرد.این تابع انتقال موجب می شود
خروجی شبکه عددی بین ۰ تا ۱ باشد.
۳-۹- مدل تحقیق
متغیرهای مورد بررسی در قالب یک مدل مفهومی و شرح چگونگی بررسی و اندازه گیری متغیرها:
رابطه کلی Y = f(x1,x2,x3,x4,x5,x6,x7)
۲-تعریف متغیر ها
= Y
انطباق بر واقع رتبه بندی بر مبنای روش رگرسیون لجستیک = X1
انطباق بر واقع رتبه بندی بر مبنای روش شبکه عصبی = X2
