انواع متدولوژی‌های سنتی اعتبارسنجی
مقدمه:
روش‌های مورد استفاده برای اعتبارسنجی از به کارگیری تکنیک‌های آماری سنتی تا متدهای نوآورانه‌تر مانند هوش مصنوعی (یادگیری ماشین، جنگل‌های تصادفی، ارتقای گرادیان و شبکه‌های عصبی عمیق)، در حال تکامل هستند که در ادامه به صورت مختصر به توضیح انواع متدولوژی‌های اعتبارسنجی سنتی پرداخته می‌شود.
متدولوژی‌های اعتبارسنجی سنتی:
برجسته‌ترین روش‌های مورد استفاده در توسعه اعتبارسنجی سنتی، متدهای تبعیض آماری و طبقه‌بندی است. این مدل‌ها شامل مدل‌های رگرسیون خطی، تجزیه و تحلیل‌های تشخیصی، مدل‌های لجستیک و پروبیت و مدل‌های مبتنی بر قضاوت متخصص هستند که در ادامه به انواع مدل‌های ذکر شده پرداخته خواهد شد.
- الف) رگرسیون خطی:
در فرآیند اعتبارسنجی، تجزیه و تحلیل رگرسیون خطی به جهت آن که دارای قدرت بالایی در توضیح رویکردهای آماری و نیز پیش‌بینی‌کنندگی پارامترها است (به عنوان مثال تخمین احتمال ورشکستگی)، بسیار مفید تلقی می‌شود. در رگرسیون خطی، متغیر وابسته و یا نتیجه مورد انتظار بر روی مجموعه‌ای از متغیرهای مستقل رگرسیون شده و یا تخمین زده می‌شود. لازم به ذکر است متغیرهایی که به عنوان متغیر مستقل انتخاب می‌شوند نیز باید به گونه‌ای باشند که قدرت برآوردکنندگی بالا داشته و در عین حال خطای کمتری را در مدل نشان دهند.
ب) تجزیه و تحلیل‌های تشخیصی:
تجزیه و تحلیل تشخیصی در واقع نوعی رگرسیون تحلیلی است که برای طبقه‌بندی مورد استفاده قرار می‌گیرد. پایه و اساس این مدل براساس طبقه‌بندی داده‌ها است و ساده‌ترین نوع آن مدل دو قطبی نامیده می‌شود یعنی تخمین متغیر وابسته فقط دو نتیجه متمایز خواهد داشت؛ به عنوان مثال احتمال نکول در برابر احتمال عدم نکول. اولین مدل تشخیصی دو قطبی در سال 1936 توسط فیشر ایجاد شد.
در پیش‌بینی احتمال شکست و یا ورشکستگی، تحلیل تشخیصی خطی، اولین و ابتدایی‌ترین متدی بود که به صورت سیستماتیک برای تشخیص احتمال ورشکستگی شرکت‌ها براساس نسبت‌های حسابداری و سایر متغیرهای مالی، مورد استفاده قرار گرفت. در حال حاضر برای تجزیه و تحلیل‌های تشخیصی از توسعه مدل ادروارد آلتمن که در سال 1968 ایجاد شد، استفاده می‌شود.
پ) تحلیل پروبیت و رگرسیون لجستیک:
در رگرسیون خطی، رابطه بین متغیر مستقل و متغیر وابسته به صورت یک عدد کمی بیان می‌شود اما گاهی متغیرهای وابسته پیوسته هستند و لازم است تا برای بیان آنها بازه مناسب انتخاب شود که در این صورت دیگر رگرسیون خطی قابلیت توضیح‌دهندگی نخواهد داشت و از رگرسیون لجستیک استفاده می‌شود. در اعتبارسنجی نیز تاکنون تلاش بسیاری شده است تا بتوان مدل‌های رگرسیون خطی را به گونه‌ای تغییر داد که نتیجه مدل به جای هر عدد حقیقی، به صورت احتمال و در بازه معینی تعریف شود. مدل لاجستیک جزء محبوب‌ترین مدل‌ها در تخمین احتمال ورشکستگی محسوب می‌شود زیرا توسعه آن آسان است و از اعتبار بالایی در تفسیر نیز برخوردار می‌باشد. به جای انتخاب پارامترهایی که خطاهای مدل را به حداقل می‌رسانند، تخمین رگرسیون لجستیک پارامترهایی را انتخاب می‌کند که دارای بیشترین توضیح‌دهندگی و شباهت با نمونه باشند. لازم به ذکر است که رگرسیون پروبیت نیز نوعی رگرسیون لجستیک است که از توزیع نرمال تبعیت می‌کند. یکی از موارد استفاده مهم گرسیون لجستیک و پروبیت در اعتبارسنجی و به منظور پیش‌بینی نکول حساب‌های اعتباری می‌باشد.
ت) مدل‌های مبتنی بر قضاوت متخصص:
برای بهره‌مندی از مدل‌های مبتنی بر قضاوت متخصص، ممکن است چندین متد مختلف به کار گرفته شود. یکی از این روش‌ها یا متدها “فرآیند سلسله مراتب تحلیلی” نامگذاری شده است که به اختصار AHP نیز عنوان می‌شود.AHP یک فرآیند ساختاریافته است که برای سازماندهی و تحلیل تصمیمات پیچیده مورد استفاده قرار می‌گیرد. فرآیند سلسله مراتب تحلیلی بر این اصل استوار است زمانی که تصمیم‌گیری در مورد موضوعی خاص موردنیاز است، ملاحظات مربوط به اطلاعات و سایر عوامل اثرگذار می‌تواند به عنوان سلسله مراتب متعدد درنظر گرفته شده و مورد توجه قرار گیرد. تصمیم‌گیرندگان، موضوع مربوط به تصمیم‌گیری را به یک ساختار سلسله مراتبی از زیرساخت‌هایی که به راحتی قابل درک هستند تقسیم می‌کنند و سپس هر کدام را به تنهایی مورد تجزیه و تحلیل قرار می‌دهند. عنصر کلیدی متد فرآیند سلسله مراتب تحلیلی این است که در آن از قضاوت‌های انسان و نه فقط اطلاعات موجود، برای انجام ارزیابی استفاده می‌شود. قضاوت اتسان به ویژه در مواردی که موضوع جزء استثنائات است و یا در اولویت قرار ندارد و یا اطلاعات و داده‌های قابل توجهی در مورد یک مسئله وجود ندارد، بسیار حائز اهمیت است.
به عنوان مثال، محققانی همچون Bana e Costa، Barroso و Soares در سال 2002 یک مدل اعتبارسنجی کیفی را برای وام‌های تجاری بر پایه جوانب فرآیند سلسله مراتب تحلیلی توسعه دادند.
دیدگاهتان را بنویسید لغو پاسخ