Comparaison de l'analyse discriminante linéaire et des réseaux de neurones. Application à la détection de défaillance d'entreprises

 Access to full text

 Full (PDF)

1. [1] E.I. Altman, G. Marco, F. Varetto (1994) : Corporate Distress Diagnosis : Comparisons using Linear Discriminant Analysis and Neural Networks (the italian experience, Journal of Banking and Finance18, p. 505 -529, North Holland; 
2. [2] M. Bardos (1989) : Trois méthodes d'analyse discriminante, Cahiers économiques et monétaires n°33, Banque de France, pp.151-189; 
3. [3] M. Bardos (1995) : Les défaillances d'entreprises dans l'industrie : ratios significatifs, processus de défaillances, détection précoce, Collection Entreprise B 95/03, Banque de France; 
4. [4] J. Baetge, C. Krause (1994) : The Classification of Companies by Means of Neural Networks, Recherches en comptabilité internationale; 
5. [5] Ch.M. Bishop (1995) : Neural Networks for Pattern Recognition, Clarendon pressOxford; Zbl0868.68096MR1385195
6. [6] G. Caraux, Y. Lechevallier (1996) : Règles de décision bayésienne et méthodes statistiques de classement, Revue d'Intelligence Artificielle, volume 10, n°2 -3, 1996; Zbl0931.68079
7. [7] J.F. Casta, B. Prat (1994) : Approche connexionniste de la classification des entreprises, Association française de comptabilité, congrès de Paris IX Dauphine, Recherche en comptabilité internationale; 
8. [8] G. Celeux, J.P. Nakache (1994) : Analyse discriminante sur variables qualitatives, Polytechnica; 
9. [9] T. Cibas, F. Fogelman Soulié, P. Gallinari, S. Raudys (1996) : Variable Selection with Neural Networks, Neurocomputing; Zbl0866.62012
10. [10] M. Cotrell, B. Girard, Y. Girard, M. Mangeas, C. Muller (1995) : Neural Modeling for Time Series : a Statistical Stepwise Method for Weight Elimination, IEEE Transactions on Neural Networks, vol. 6, n°6, novembre 1995; 
11. [11] G.M. Furnival, R.W. Wilson (1974) : Regressions by leaps and bounds, Technometrics, 16, p 499-511; Zbl0294.62079
12. [12] P. Gallinari, O. Gascuel (1996) : Statistique, apprentissage et généralisation; applications aux réseaux de neurones, Revue d'Intelligence Artificielle, volume 10, n°2-3, 1996; Zbl0931.68098
13. [13] H. Gish (1990) : A probabilistic approach to the understanding and training of neural network classifiers, Proceedings of IEEE Conference on Acoustics speech and signal processing, p 1361-1364; 
14. [14] R. Gnanadesikan and panel of authors (1989) : Discriminant Analysis and Clustering, Statistical Science, vol. 4, N° 1, p. 34-69; Zbl0955.62588MR997073
15. [15] C. Gourieroux (1984) : Économétrie des variables qualitatives, Économica; Zbl0586.62189
16. [16] C. Gourieroux (1992) : Courbes de performance, de sélection et de discrimination, Annales d'économie et de statistique n°28, INSEE; MR1212839
17. [17] G.J. M (1992) : Discriminant Analysis and Statistical Pattern Recognition, Wiley, New-York; MR1190469
18. [18] L. Lebart, A. Morineau, M. Piron (1995) : Statistique Exploratoire Multidimensionnelle, Dunod; Zbl0920.62077
19. [19] Y. Le Cun, J.S. Denker, S.A. Solla (1990) : Optimal Brain Damage, Advances in Neural Information Processing Systems, vol. 2, p. 598-605; 
20. [20] H. Ooghe, P. Joos, D. De Vos (1993) : Towards an Improved Method of Evaluation of Financial Distress Models and Presentation of their Results, Universteit GENT, Vakgroep bedrijfsfinancierning; 
21. [21] Ph. Richardot (1985) : Différents outils pour discrimination linéaire entre deux groupes, thèse du 3e cycle, UER de mathématiques de la décision, Université de Paris-Dauphine; 
22. [22] J.M. Romeder (1973) : Méthodes et programmes d'analyse discriminante, Dunod; Zbl0296.62044
23. [23] D. Rummelhart, G.E. Hinton et R.J. Williams (1986) : Learning representations by error back propagation, in Paralled distributed processing-s'exploration in the micro-structure of cognition, MIT press; 
24. [24] R. Taffler (1983) : The Assessment of Company Solvency and Performance Using a Statistical Model, Accounting and Business Research, pp. 295- 308; 
25. [25] J. Ulmo (1973) : Différents aspects de l'analyse discriminante, Revue de Statistique Appliquée, vol. XXI, n°2, pp. 17 -55; MR426301
26. [26] V. Venditti (1996) : Influence du schéma d'échantillonnage en regression logistique dans Relecture de la procédure de regression logistique par le principe du maximum d'entropie Journées de l'ASU à Québec; 
27. [27] W. Zhu (1995) : Méthodes statistiques et approche neuronale, stratégie et validation dans le cas de la discrimination, thèse de doctorat, Université Paris Dauphine. 

1. F. Rossi, B. Conan-Guez, Un modèle neuronal pour la régression et la discrimination sur données fonctionnelles
2. C. Gelpérowic, Partitionnement récursif et régression: comparaison dans le cas de la prévision de risque à partir des courbes de sélection