پیش بینی ورشکستگی مالی با استفاده از مدل لوجیت مرکب

Authors

پرویز محمدزاده

parviz mohammadzadeh tabriz universityدانشگاه تبریز علیرضا جلیلی مرند

alireza jalili marand tabriz universityدانشگاه تبریز

abstract

برای پیش بینی ورشکستگی مالی روش های متعددی وجود دارد. یکی از این روش ها ، روش های آماری یا به عبارت بهتر، روش های اقتصادسنجی است. چون متغیر وابسته، یعنی ورشکسته شدن و ورشکته نشدن، متغیری گسسته و کیفی است، باید از مدل های گسسته برای پیش بینی استفاده کرد. در این مطالعه، از روش لوجیت مرکب استفاده شده است که یکی از روش های انعطاف پذیر در مدل های گسسته است . اساس این مدل ، تابع مطلوبیت تصادفی با ضرایب تصادفی است و با استفاده از روش حداکثر راست نمایی شبیه سازی شده است. متغیر های توضیحی، نسبت های مالی شرکت ها هستند که از مدل زیمسکی استخراج شده است . جامعۀ آماری، شرکت های فعال در بورس در بازۀ ۱۳۸۳ تا ۱۳۸۶ است که دو نمونۀتصادفی، یکی برای تخمین و دیگری برای سنجش درصد موفقیت مدل انتخاب شده است. درصد موفقیت مدل، بیشتر از ۹۰ درصد مشاهده شد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی ورشکستگی مالی با استفاده از مدل لوجیت مرکب

  برای پیش‌بینی ورشکستگی مالی ‌روش‌های متعددی وجود دارد. یکی از این ‌‌روش‌ها ، روش‌های آماری یا به‌عبارت بهتر، روش‌های اقتصادسنجی است. چون متغیر وابسته، یعنی ورشکسته‌شدن و ورشکته‌‌نشدن، متغیری گسسته و کیفی است، باید از مدل‌های گسسته برای پیش‌بینی استفاده کرد. در این مطالعه، از روش لوجیت مرکب استفاده شده است که یکی از روش‌های انعطاف‌پذیر در مدل‌های گسسته است . اساس این مدل ، تابع مطلوبیت تصادفی ...

full text

پیش‌بینی ورشکستگی مالی با استفاده از مدل لوجیت مرکب

There are a lot of techniques and methods for prediction of bankruptcy among them “Statistical methods” or econometrics techniques are more popular. As dependent variable in our study is qualitative it is convenient to use qualitative discrete models. Mixed Logit model is one of the powerful and flexible techniques of discrete choices that allow the coefficients to be random with distribution f...

full text

پیش بینی ورشکستگی شرکتها با استفاده از مدل لوجیت

هدف اصلی این مقاله آزمون تجربی توانایی استفاده از نسبتهای مالی برای پیش بینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با بهره گیری از مدل لوجیت و متغیرهای مورد استفاده جوها نام بوده است. جامعه آماری شامل دو گروه مشمول ماده 141 قانون تجارت و عدم مشمول این قانون است. گروه مشمول ماده 141 قانون تجارت به شرکتهایی اطلاق می­شود که زیان انباشته آنها حداقل نیمی از سرمایه آنها باشد. گروه د...

full text

پیش‌بینی ورشکستگی شرکتها با استفاده از مدل لوجیت

هدف اصلی این مقاله آزمون تجربی توانایی استفاده از نسبتهای مالی برای پیش‌بینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با بهره‌گیری از مدل لوجیت و متغیرهای مورد استفاده جوها نام بوده است. جامعة آماری شامل دو گروه مشمول مادة 141 قانون تجارت و عدم مشمول این قانون است. گروه مشمول مادة 141 قانون تجارت به شرکتهایی اطلاق می­شود که زیان انباشته آنها حداقل نیمی از سرمایه آنها باشد. گروه د...

full text

پیش بینی ورشکستگی با استفاده از مدل های تحلیل لوجیت اهلسون و تحلیل ممیز چندگانه فولمر و مقایسه آنها

هدف نخست این تحقیق، ارائه مدل آماری مناسب جهت پیش بینی نسبتاً دقیق ورشکستگی شرکت ها برای هریک از سال های t (سال ورشکستگی)، t-1 (یکسال قبل از ورشکستگی) و t-2 )دوسال قبل از ورشکستگی) و سپس، مقایسه دو مدل پیش بینی ورشکستگی، یعنی مدل تحلیل لوجیت اهلسون و تحلیل ممیز چندگانه فولمردر بازار سهام ایران برای سال های فوق الذکر است. نمونه پژوهش حاضر، از 112 شرکت پذیرفته شده در بورس اوراق بهادار تشکیل شده اس...

full text

یش بینی ورشکستگی شرکتها با استفاده از مدل لاجیت

یکی از ابزارهای مورد استفاده برای تصمیم به سرمایه گذاری در یک شرکت، مدلهای پیش بینی ورشکستگی است. هدف از این تحقیق ارائه بهترین مدل ورشکستگی شرکتها در ایران است. برای این منظور از مدل لاجیت استفاده شد و مدلی جهت پیش بینی ورشکستگی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران ارائه گردیده است.  جامعه آماری برای انجام تحقیق شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در دوره زمانی از سال 1...

full text

My Resources

Save resource for easier access later


Journal title:
تحقیقات مدلسازی اقتصادی

جلد ۲، شماره ۸، صفحات ۱-۲۱

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023