سطح معناداری
آماره F
میانگین تغییرات
درجه آزادی
مجموع تغییرات
خطاها

۰/۲۵۳
۵/۲۱۸
۰/۰۹۳۱۲۱۵
۴
۰/۳۷۲
بین گروهی

۰/۰۰۶۱۱۹۲
۳۹۴
۲/۹۵۵
درون گروهی

۳۹۸
۳/۳۲۷
مجموع

در این جدول مربع و میانگین مجذورات خطاهای برآوردی درون و برون گروهی محاسبه و بر مبنای آن ها آماره فیشر و متناظر با آن سطح معنی داری محاسبه شده است.
با توجه به جدول ۴-۹ از آنجایی که سطح معناداری بیشتر از ۱ درصد بوده و به سمت صفر میل نکرده است، لذا فرض H0 مبنی بر خطی نبودن رابطه برآوردی پذیرفته شده و فرض H1 مبنی بر این که حداقل یکی از متغیرهای مستقل دارای رابطه خطی با متغیر وابسته هستند، رد می شود.
“به عبارتی مدل رگرسیون لجستیک برآوردی از اعتبار لازم برای پیش بینی ریسک اعتباری مشتریان برخوردار نبوده است.”

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۴-۶- اعتبار سنجی مشتریان بانکی با به کار گیری شبکه عصبی
در قسمت قبلی اعتبار سنجی مشتریان بانکی با بهره گرفتن از رگرسیون لجستیک خطی صورت گرفته و در این قسمت، رابطه بین ریسک نسبی تعدیل شده اعتباری مشتریان حقوقی در قلمرو تحت بررسی با متغیرهای مستقل با شبیه سازی به کمک شبکه های عصبی برآورد شده است. برمبنای رابطه برآوردی ریسک اعتباری مشتریان برآورد شده است.
در این قسمت در ابتدا به اختصار معماری شبکه، الگوریتم مورد استفاده، مطرح شده، در ادامه نتایج شبیه سازی و اعتبار سنجی برآوردهای انجام شده مورد بحث قرار گرفته است:
۴-۶-۱- معماری شبکه
صرف نظر از مباحث نظری شبکه که در این بخش نیازی به طرح آن نیست، شبکه طراحی شده بر مبنای استفاده از توابع سیگموئید و لایه های آن در سه سطح تعریف شده است:
۱) سطح اول: ورودی های سیستم مشتمل بر مقادیر واقعی در نمونه تصادفی در ارتباط با هریک از متغیر وابسته ریسک تعدیل شده اعتباری مشتریان حقوقی بانک ملی در استان اصفهان و متغیرهای مستقل مشتمل بر 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 با شبیه سازی به کمک شبکه های عصبی برآورد شده است. برمبنای رابطه برآوردی ریسک اعتباری مشتریان با نمادهای F، X1, X2, X3, X4, X5, X6, X7 نشان داده شده اند.
۲) سطح دوم: عبارت از لایه پنهان شبکه بوده که بر مبنای تبعیت از الگوهای رفتاری نرون های عصبی عملکرده و نتایج استفاده از این الگوها، پیش بینی ریسک اعتباری مشتریان می باشد.
۳)سطح سوم: خروجی های شبکه عصبی یا نتایج مربوط به پیش بینی ها مشتمل بر ضرایب تخصیص یافته به متغیرهای مستقل و پارامترهای اعتبار سنجی نتایج برآوردی است.
آموزش بیش از حد شبکه روی مجموعه آموزش باعث کاهش قابلیت عمومیت پذیری شبکه می گردد. بدین منظور داده ها به صورت تصادفی به سه مجموعه آموزش (۸۵%) ، آزمون (۱۰%) و اعتبارسنجی (۵%) تقسیم شده است. مجموعه آموزش برای تنظیم وزن ها و بایاس ها، مجموعه آزمون برای ارزیابی عملکرد مدل ها در مراحل مختلف آموزش و قابلیت عمومیت پذیری شبکه استفاده شده است. مجموعه اعتبار سنجی نیز برای تخمین عملکرد شبکه های آموزش یافته در محیط توسعه یافته مورد استفاده قرار گرفته است.
پس از تقسیم داده ها به مجموعه های آموزش، آزمون و اعتبار سنجی، مقادیر ورودی ها و خروجی مدل ها با تقسیم بر مقدار حداکثر خود استاندارد شده و پارامترها بی بعد شده و با توجه یکسانی آموزش یابند. پارامتر momentum برای شبکه با سعی و خطا ۹۵/۰ و نرخ آموزش نیز برای شبکه ۰۱/۰ به دست آمده است.
نکته بسیار مهم، قابلیت یادگیری شبکه و کاهش خطا بین مقادیر شبیه سازی شده و مقادیر واقعی است. معمولا هر چه تعداد لایه های مخفی که بین لایه ی ورودی و خروجی شبکه قرار می گیرند و تعداد نورون های هر لایه بیشتر باشد، خطای شبیه سازی کمتر بوده و آموزش بهتر انجام می گیرد. و از طرف دیگر هر چه تعداد لایه ها و نورون ها بیشتر باشد، پارامتر های شبکه ی عصبی (وزن و بایاس) افزایش یافته و مدل پیچیده تر می شود. بنابراین عملکرد مدل های شبکه عصبی قویا به معماری شبکه بستگی داشته و یکی از مهم ترین مراحل در مطالعات شبکه های عصبی، یافتن معماری بهینه در لایه های مخفی می باشد. اختصاص دادن پارامترهای اولیه (وزن ها و بایاس ها) نیز به شدت عملکرد شبکه را تحت تاثیر قرار می دهد. به هر حال هیچ قانون یا رابطه ای برای تعیین معماری بهینه شبکه و پارامتر های مربوط به آن وجود نداشته و تنها راه فرایند سعی وخطا است. در مطالعه حاضر کمترین تعداد لایه ها و نورون ها به نحوی انتخاب شده اند که پارامترهای دینامیکی پیش بینی شده در هر سه مجموعه آزمایش، آزمون، اعتبار سنجی بیشترین سازگاری را با داده های اصلی داشته باشند. بدین منظور شاخص های خطای مختلفی مشتمل بر خطای مطلق میانگین (MAE)، خطای میانگین (MBE)، خطای مربع میانگین (MSE)، جذر مربع خطای میانگین (RMSE) و ضریب همبستگی (IOA) برای هر سه مجموعه (train, test, ver) تعریف گردیده و کمینه شدن این شاخص های خطا و حداکثر شدن ضریب همبستگی برای هر سه مجموعه مد نظر قرار گرفته است.