授信業務為金融業者主要業務之一，也是金融業獲利的重要來源。為了減少逾期放款比率過高，嚴重影響金融業的獲利。因此，金融業者建立了一套標準的審核機制，也就是信用風險的評估模式，此模式應用在未核貸給客戶之前，可先行評估客戶的信用風險大小，以作為貸款批准、貸款額度多寡的依據。評估模式的建立大多採用信用評分的方式，而信用評分可分為應用(申請)評分（Application Scoring）及行為評分（Behavior Scoring）兩部分。一般信用風險評估模式大部分採用的是應用(申請)評分，屬於事前評估預測。而本研究採用事後的行為評分，針對如何減少現金卡用戶在核准後，由於某些特定因素造成違約逾期繳款，以致於金融業者要進行催款甚至上法院進行官司訴訟，造成金融業者額外負擔的情況，故本研究針對核准之後的現金卡用戶行為，期能建立一套有效的評分模式，以作為金融業者採取降低損失措施的參考依據。 本研究以國內某金融機構的現金卡用戶為研究對象，採用進件系統中的客戶基本資料以及聯合徵信中心的信用資料，做為評估分析的依據，利用邏輯斯迴歸（Logistic Regression, LR）統計方法來進行模式之建置。 研究實證結果歸納如下： 一、顯著變數為性別、教育程度、最近三個月內照會次數、行外金融機構總借款借款餘額/行外金融機構總借款訂約金額、信用卡有效家數、現金卡張數、現金卡總訂約金額、現金卡總借款餘額/現金卡總訂約金額、本行目前額度/本行訂約額度等9個。 二、聯合徵信中心資料具有相當程度之影響力 三、動用比率實為具有相當程度影響力之風險變數

當反應變數是二元（binary）時，邏輯斯迴歸（logistic regression）可幫助我們建立解釋變數與反應變數間的關係。然而，一般在進行邏輯斯迴歸分析時，總是假設樣本資料是由簡單隨機抽樣（simple random sampling）所取得，亦即所有的樣本皆具有相同的抽樣權重（sampling weights）。不過，在實務上，許多的大型抽樣調查都是採用複雜抽樣方法（complex sampling method）來抽取樣本。例如：採用多階段抽樣（multistage sampling）結合分層抽樣（stratified sampling）或是群集抽樣（cluster sampling）的方式來進行抽樣。由於樣本不再是以簡單隨機抽樣所取得，因此，統計分析的方式可分為兩類：一類乃設計導向（design-based）;另一類則為模式導向（model-based）。其中，若將抽樣調查的抽樣設計方式以及樣本的代表性與統計模式的估計或檢定等推論過程相結合，則其屬於設計導向之方式。反之，若忽略這些因素，則相當於視調查資料來自於簡單隨機樣本，仍遵循一般的程序進行分析，則稱之為模式導向。本論文旨在探討如何以設計導向的方法，進行複雜抽樣方法所取得樣本資料的邏輯斯迴歸分析。

本研究延續Shumway (2001) 從存活分析(Survival Analysis)觀點切入，利用離散型風險模型(Discrete-time Hazard Model)──亦即Shumway 所稱之多期邏輯斯迴歸模型(Multi-period Logistic Regression Model)，建立企業財務危機預警模型。研究選取1986 年至2008 年間718 家上市公司，其中110 家發生財務危機事件，共計6,782 公司/年資料 (firm-year)。有別於Shumway 提出的Log 基期風險型式，本文根據事件發生率圖提出Quadratic 基期風險型式，接著利用4組（或基於會計測量，或基於市場測量）時間相依共變量 (Time-dependent Covariate)建立2 組離散型風險模型(Log 與Quadratic)，並與傳統僅考量單期資料的邏輯斯迴歸模型比較。實證結果顯示，離散型風險模型的解釋變數與破產機率皆符合預期關係，而傳統邏輯斯迴歸模型則有時會出現不符合預期關係的情況；研究亦顯示離散型風險模型預測能力絕大多數情況下優於傳統邏輯斯迴歸模型，在所有模型組合中，以Quadratic 基期風險型式搭配財務變數、市場變數的解釋變數組合而成的離散型風險模型，擁有最佳預測能力。 / Based on the viewpoint of survival analysis from Shumway (2001), the presentthesis utilizes discrete-time hazard model, also called multi-period logistic regression model, to forecast corporate financial distress. From 1986 to 2008, this research chooses 718 listed companies within, which includes 110 failures, as the subjects, summing to 6,782 firm-year data. Being different from Shumway’s log baseline hazard form,we proposed to use quadratic baseline hazard form according to empirical evidence. Then, four groups of time-dependent covariates, which are accounting-based measure or market-based measure, are applied to build two sets of discrete-time hazard model, which is compared with the single-period logistic regression model. The results show that there exists the expected relationship between covariates and predict probability in discrete-time hazard model, while there sometimes lacks it in single-period logistic regression model. The results also show that discrete-time hazard model has better predictive capability than single-period logistic regression model. The model, which combines quadratic baseline hazard form with market and accounting variables, has the best predictive capability among all models.

國父 孫中山先生曾說：『民生的需要，從前經濟學家都說是衣、食、住三種。照我的研究，應該有四種：於衣、食、住之外，還有一種就是行。』，在各種交通工具中，最普及的就是汽車。汽車由貴族地位的象徵，發展至福特汽車公司一家獨大，最後演變為各大汽車品牌的競爭。更因消費者意識的改變，購買汽車時考慮的不再僅是量產速度、購買價格。在現今生產技術成熟，沒有一家汽車公司具壓倒性優勢的情況下，品牌的因素將會是消費者進行購買決策時一個重要的指標。 本研究欲透過國內六大汽車品牌之顧客關係資料，利用資料採礦模型，瞭解品牌形象、廣告印象及人口統計變數與購買意願之關係，進一步探討各汽車品牌之消費者忠誠度、客群分布與品牌差異，期能在汽車品牌公司百家爭鳴情況下，分析出消費者於不同汽車品牌之品牌知覺，提供汽車品牌之購買意願模型與後續研究參考。

當母體中有部份對象因被治癒或免疫而不會失敗時，需考慮這群對象所佔的比率，即存活分率。本文主要在探討如何以貝氏方法對含存活分率之治癒率模式進行分析，並特別針對兩種含存活分率的迴歸模式，分別是Weibull迴歸模式以及對數邏輯斯迴歸模式，導出概似函數與各參數之完全條件後驗分配及其性質。由於聯合後驗分配相當複雜，各參數之邊際後驗分配之解析形式很難表達出。所以，我們採用了馬可夫鏈蒙地卡羅方法（MCMC）中的Gibbs抽樣法及Metropolis法，模擬產生參數值，以進行貝氏分析。實證部份，我們分析了黑色素皮膚癌的資料，這是由美國Eastern Cooperative Oncology Group所進行的第三階段臨床試驗研究。有關模式選取的部份，我們先分別求出各對象在每個模式之下的條件預測指標（CPO），再據以算出各模式的對數擬邊際概似函數值（LPML），以比較各模式之適合性。 / When we face the problem that part of subjects have been cured or are immune so they never fail, we need to consider the fraction of this group among the whole population, which is the so called survival fraction. This article discuss that how to analyze cure rate models containing survival fraction based on Bayesian method. Two cure rate models containing survival fraction are focused; one is based on the Weibull regression model and the other is based on the log-logistic regression model. Then, we derive likelihood functions and full conditional posterior distributions under these two models. Since joint posterior distributions are both complicated, and marginal posterior distributions don’t have closed form, we take Gibbs sampling and Metropolis sampling of Markov Monte Carlo chain method to simulate parameter values. We illustrate how to conduct Bayesian analysis by using the data from a melanoma clinical trial in the third stage conducted by Eastern Cooperative Oncology Group. To do model selection, we compute the conditional predictive ordinate (CPO) for every subject under each model, then the goodness is determined by the comparing the value of log of pseudomarginal likelihood (LPML) of each model.