本研究預測匯率危機的方法主要是用二元分量迴歸(Binary Regression Quantiles)，此理論基礎與預測方式是使用美國學者Kords (2004)的方法，將分量迴歸運用在應變數為二元的屬質變數上之計量方法。在匯率危機計量模型中，最常使用的模型是Logit模型和Probit模型所做的分析，因此本÷究除了使用二元分量模型外，將在套入Logit模型和Probit模型，並將這三種模型加以比較，且探討匯率危機發生的原因並建立預警變數。而研究資料為十七個發展中的國家，研究時間為1981~2004年。 本研究發現由Logit模型和Probit模型中，兩模型的所預測匯率危機指標大都一致，包括有進口比例、GDP成長率、銀行外債/GDP。而且發現由二元分量回歸模型中，匯率危機預警指標有出口/GDP、貿易條件、海外直接投資/GDP、國際熱錢流入/GDP、銀行存款、GDP成長率、貪污指數，短期外債/全部外債。

在信用風險的分析上，應變數就是發生與不發生，通常以1、0 來表示。若透過一般的最小平方法來處理，所求得的估計量雖滿足不偏性(Unbiased)，但存在幾個缺點，應變數並不滿足迴歸分析中常態分配的假設、殘差項存在變異數異質的問題。在模型的解釋能力方面，更存在著以下困擾 1.忽略了不同規模與分配下應變數的邊際變化。 2.極端值的情形下，參數的係數將會受到很大的影響。 本研究引進了分量迴歸(Quantiles Regression)的工具，最早由Koenker and Bassett(1978)所提出，能解決在使用最小平方法來處理時所出現的問題，以架構公司信用風險模型的評估，提出客觀的評估標準，並檢驗其用以風險控管的能力。 實證結果整理，各分量Binary Regression Quantiles的預測解釋能力和傳統的Logit模型仍存在一定的差距。

我國的信用卡市場在民國八十二年全面開放以來，發展至今不過10餘年，已成為全球成長最快速的信用卡市場之一。但近年來也隨著信用卡業務已有相當顯著的成長，然而信用卡不僅只是一種支付工具，也屬於免擔保的信用融資，對發卡銀行而言，風險很高。故本文對於銀行要如何快速且正確的掌握客戶信用與還款能力，以防範呆帳發生，也變得日趨重要。 故本文利用Binary Quantile Regression可用於探討解釋變數對於被解釋變數在給定「特定分位數之下的邊際效果」，提供不同分位數的估計結果，可用於觀察被解釋變數的整個分配狀況。在實證上，二元分量迴歸模型不只可用來解釋平均的狀況，更常用來觀察分配尾端的情況。在以ROC與CAP的信用風險模型來驗證其Binary Quantile Regression的效力。

本研究預測違約機率的方法為:Binary Regression Quantiles(二元分量迴歸)，此理論基礎與預測方式是使用美國學者Grigorios Kordas(2004)的方法，將分量迴歸運用在應變數為二元的屬質變數上之計量方法。 最小平方法是目前最常見到的迴歸分析，但在古典線性迴歸模型中，應變數的解釋是來自於自變數的相對應的平均變化，而忽略了不同規模與分配下應變數的邊際變化，本文試圖以此方法和以最大概似估計法所建構出的Logit模型做一比較，而研究資料為台灣於民國85年至93年曾被列為全額交割類股的上市公司。 本研究發現Kordas (2004)的方法，雖然能將分量迴歸應用在屬質二元變數上，但是在預測方面相較於傳統Logit方法卻沒有出現較佳的預測能力。 / The method implemented in PD calculation in this study is “Binary Regression Quantiles”. The foundation of the research and the way to forecast is according to the Ph.D Thesis of Grigorios Kordas(2004). He apply the binary variable for Quantile Regression. The Ordinary Least Square is the most common way to regression analysis, but in the classic linear regression the change of dependent variable comes from the independent variable averagely. It neglects the marginal change of the dependent variable according to different scale and distribution. We want to compare the Binary Regression Quantiles with the Logit Regression. Although we could apply the binary variable for Quantile Regression successfully, the outcome of the forecast is not as efficient as the Logit Regression.