2.1 Neuronale Netzwerke
2.1.1 Neuronentyp
2.1.2 Topologie
2.1.3 Lernverfahren
2.2 Statistische Methoden in der Ökonometrie
2.2.1 Deskriptive Statistik
2.2.2 Schließende Statistik
2.2.3 Wahrscheinlichkeitsrechnung
2.2.4 Wahrscheinlichkeitsverteilungen
2.2.5 Schätztheorie
2.2.6 Testtheorie
2.2.7 Parametrische und nichtparametrische Modelle
2.3 Neurometrie - ein synthetischer Ansatz
2.3.1 Approximation mit neuronalen Netzwerken
2.3.2 Regressionsmodelle und neuronale Netzwerke
2.3.3 Beispiele
3.1 Neurometricus - ein neurometrisches Werkzeug
3.1.1 Programmiersprache
3.1.2 Programmstruktur
3.1.3 (Entwicklungs-)Umgebung
3.2 Durchführung eines neurometrischen Modellbildungsprozesses
3.2.1 Identifikation der Daten
3.2.1.1 Auswahl der Daten
3.2.1.2 Deskriptive Analyse der Daten
3.2.1.3 Kollinearitätsanalyse der Daten
3.2.1.4 Teilung der Daten
3.2.1.5 Varianzanalyse der Neurometricus-Mengen
3.2.1.6 Normierung der Daten
3.2.2 Spezifikation des Modells
3.2.2.1 Informations- und Selektionskriterien
3.2.2.2 Regularisierung und Pruning
3.2.2.3 Strategien zur statistischen Modell-Selektion
3.2.3 Schätzung der Parameter des Modells
3.2.3.1 Kostenfunktionsanalyse
3.2.3.2 Maximum-Likelihood-Methode
3.2.3.3 Gradientenverfahren
3.2.3.4 Gradient und Hessematrix
3.2.3.5 Schrittlängen-Berechnungsverfahren
3.2.3.6 Lokale und globale Verfahren
3.2.3.7 Resampling-Verfahren
3.2.4 Diagnose des Modells und der Parameter
3.2.4.1 Berechnung der globalen Basisergebnisse
3.2.4.2 Diagnose der Schätzung
3.2.4.3 Diagnose der Parameter
3.2.4.4 Diagnose der Residuen
3.2.4.5 Diagnose der Variablen
3.2.4.6 Diagnose der Verteilung der Modellstatistiken
3.3 Herkömmliche und neurometrische Insolvenzanalysen
3.3.1 Aktualität der Insolvenzproblematik
3.3.2 Theorie der Insolvenz
3.3.3 Prozeß der Modellbildung