本研究主要是應用二元分量迴歸BQR（Binary Quantile Regression）模型的方法估計銀行對中小企業授信之信用評等，以期提早偵測出可能會有違約還款的企業，達到授信時的預警效果。信用評等目的為協助金融機構在貸放前更明確的瞭解企業的信用風險，並具以衡量是否核准貸款的重要依據。在過去的研究中最廣為應用的計量方法主要為有母數（parametric）區別迴歸模型，包括Logit Model和Probit Model等區別迴歸模型，這二種模型在正確的條件設定之下，模型的預測結果可以說相當的好，但若是估計資料的分配並未符合所設定的條件，或者是資料具有無法觀察到的異質變異（heteroskedastic），則估計結果會有顯著的偏誤。傳統區別模型的一般設定如下，假設發生違約的機率給定為： ，此處 表示實際上是否真的發生違約逾期還款的情形。 為了在估計時更能控制風險，最近許多有關信用評等的研究方法傾向使用半無母數（semiparametric）單一指數模型以及無母數（nonparametric）的估計方法，如類神經網路與歸納樹（classification trees）分析方法。 而本文主要是將半無母數的分量迴歸區別模型和過去以有母數為主的Probit及Logit區別迴歸模型做比較。Koenker和Bassett（1978）提出分量迴歸估計方法（Quantile Regression Methods），分量迴歸可以更完整的反應出共變異效果對被解釋變數的影響，除此之外，分量迴歸模式提供使用上較多的彈性，在估計時無需對母體的分配做假設，另外，和傳統的最小平方（OLS）估計法不同在於OLS給予估計參數的分量為50%，因此OLS估計出的迴歸線只有一條，因此分析解釋變數對被解釋變數的影響是平均效果；分量迴歸區別模型則給予估計參數不同百分比的分量，從而可在相同樣本下得到不同的分量迴歸線，觀察解釋變數對於被解釋變數影響程度的變化，因此藉由不同分量估計出不同的迴歸係數 ，可以更加瞭解整體分配的全貌。