離群值, 通常是離相同情況下產生之所有觀測值很遠的資料, 其意義可能是資料中的 雜質, 也可能是特別值得研究的特殊現象, 所以離群值可使我們對問題獲得更透徹的 了解, 同時離群值也是診斷資料或模型是否合適的指標。例如資料尺度恰當性, 記錄 上的錯誤, 測量工具的使用不當, 都可能產生離群值, 而模型的合適性及正確性, 也 必須先檢查離群值, 所以離群值的偵測是資料分析中非常重要的工作。 殘差是原始值與配適值之間的差距, 故殘差對於原始資料與模型間的配適情形及資料 是否合於假設, 蘊含了非常重要的資訊, 所以在偵測離群值時殘差分析扮演了重要的 角色。 本文主要在探討非線性模型--羅吉斯模型里殘差分析的研究, 并偵測離群值的方法及 其困難的解決之道。

目前國內銀行針對無擔保消費金融業務，不再僅是重視放款量，控制申請人的信用風險、提高授信品質，更是不能等閒以對的重點。如何建構信用評分機制，降低呆帳率和授信逾放比，以減少銀行損失、增加實質獲利，已成為國內銀行共同關切與努力的課題。本研究擬藉由對無擔保消費金融商品之研究，瞭解該類借款人之信用風險，透過建置信用評分模型，做為銀行決策之參考。 國內銀行在審核無擔保消費金融貸款時，因貸款件數多，大都使用信用風險評分模型評估借款人風險。但實務上常發生借款人無JCIC資料，可評估其違約風險。目前可查到的建立信用風險模型研究中並沒有針對無JCIC資料借款人之研究。如何強化信用風險模型對於此客群之評估為本研究的目的。最後，本研究亦提出了一些重要的未來研究建議，以供後續的研究作為參考。

信用風險是金融機構最關切的風險之一，信用評等則是具有公信力的評等公司對企業債信良窳的客觀評估。本研究目的即在於探討在效率市場的假設前提下，股票價格所蘊含的信用風險與信用評等間之相互關係。我們以接受信用評等的上市櫃公司為研究對象，利用KMV模型求解出違約距離(Distance-to-Default, DD)，再使用Kalman Filter粹取出符合公司之市場資訊(Adjusted-DD)替代股票價格，本研究分成兩部分討論，第一部份以順序羅吉斯模型(Ordered Logit Model)及羅吉斯模型(Logit Model)探討股價變動是否能領先告知未來公司信用評等的變化情形。第二部分則利用一般化自我相關條件異質變異模型(GARCH Model)觀察信用評等變動是否為市場帶來新的資訊。 第一部分實證結果發現：當長期信評調降時，電子、通訊相關產業及金融業之市場資訊(Adjusted-DD)的變動與長期信用評等為負相關，而長期信用評等調升時，仍得到負向關係，短期信用評等之部分得到當信用評等調降時，電子與通訊相關產業市場資訊變動有負向關係，與長期信用評等得到一致性之關係，但金融業則顯示市場資訊與信用評等調降為正相關，而傳統產業顯示短期信用評等調升與市場資訊呈現負向關係。 第二部分實證結果：與大多學者之研究相符，當信用評等調降時股票價格有負的異常報酬，而本研究更進一步發現當信用評等調升時，股票價格同樣隨著上漲且有顯著結果，兩者具有對稱關係。故信用評等改變時能夠為市場帶來新的資訊，可視為投資的重要參考指標之一。但以股票價格所蘊含的信用風險與信用評等間的關係卻仍無法得到應證。

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.

本研究所使用違約機率（Probability of Default, 以下簡稱PD）的預測方法為Robust Logistic Regression（穩健羅吉斯迴歸），本研究發展且應用這個方法是基於下列兩個觀察：1. 極端值常常出現在橫剖面資料，而且對於實證結果往往有很大地影響，因而極端值必須要被謹慎處理。2. 當使用Logit Model（羅吉斯模型）估計違約率時，卻忽略極端值。試圖不讓資料中的極端值對估計結果產生重大的影響，進而提升預測的準確性，是本研究使用Logit Model並混合Robust Regression（穩健迴歸）的目的所在，而本研究是第一篇使用Robust Logistic Regression來進行PD預測的研究。 變數的選取上，本研究使用Z-SCORE模型中的變數，此外，在考慮公司的營收品質之下，亦針對公司的應收帳款週轉率而對相關變數做了調整。 本研究使用了一些信用風險模型效力驗證的方法來比較模型預測效力的優劣，本研究的實證結果為：針對樣本內資料，使用Robust Logistic Regression對於整個模型的預測效力的確有提升的效果；當營收品質成為模型變數的考量因素後，能讓模型有較高的預測效力。最後，本研究亦提出了一些重要的未來研究建議，以供後續的研究作為參考。 / The method implemented in PD calculation in this study is “Robust Logistic Regression”. We implement this method based on two reasons: 1. In panel data, outliers usually exist and they may seriously influence the empirical results. 2. In Logistic Model, outliers are not taken into consideration. The main purpose of implementing “Robust Logistic Regression” in this study is: eliminate the effects caused by the outliers in the data and improve the predictive ability. This study is the first study to implement “Robust Logistic Regression” in PD calculation. The same variables as those in Z-SCORE model are selected in this study. Furthermore, the quality of the revenue in a company is also considered. Therefore, we adjust the related variables with the company’s accounts receivable turnover ratio. Some validation methodologies for default risk models are used in this study. The empirical results of this study show that: In accordance with the in-sample data, implementing “Robust Logistic Regression” in PD calculation indeed improves the predictive ability. Besides, using the adjusted variables can also improve the predictive ability. In the end of this study, some important suggestions are given for the subsequent studies.