Notice bibliographique
Résumé
La croissance et la généralisation du risque de crédit rendent nécessaire une meilleure connaissance du processus de crédit et des modèles d’estimation de ce risque. Le présent article s’attelle à cette tâche en présentant de manière exhaustive le processus de crédit d’une part, et en comparant la performance relative de quatre modèles de prévision d’insolvabilité d’autre part. Elle utilise les données d’entreprises américaines sur la période 1980- 1997. Les résultats de la comparaison des quatre modèles de prévision indiquent que le partitionnement récursif obtient le meilleur rang (avec un score de 13,30), suivi des réseaux de neurones artificiels (7,26), de l’algorithme génétique (7,22) et de l’analyse discriminante (4,32). Les modèles basés sur l’intelligence artificielle (réseau de neurones artificiels, partitionnement récursif et algorithme génétique) semblent ainsi prendre le dessus sur l’analyse discriminante. Ces modèles présentent l’avantage d’être des méthodes non paramétriques, qui ne font aucune hypothèse sur la distribution des variables explicatives utilisées. Dans l’analyse discriminante par contre, les variables explicatives utilisées doivent obéir à certaines hypothèses de départ, telle la normalité, hypothèses qui ne sont pas toujours respectées dans la pratique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».