Modelos de predição de variáveis dependentes binárias
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10348/6950 |
Resumo: | No âmbito da predição de variáveis dependentes binárias é importante usar técnicas de análise discriminante e de regressão logística para identificar empresas que podem entrar em insolvência/solvência. A análise discriminante é fundamental para dar uma classificação de uma empresa pertencer a um dos grupos em estudo (insolvência/solvência). Para tal, pretende-se usar um conjunto de dados de vários rácios financeiros de empresas. Estes indicadores permitem prever atempadamente se a empresa pode entrar ou não em ruptura financeira. A regressão logística permite também prever quais as empresas que pertencem a um determinado grupo, e ainda classificar as empresas utilizando estimativas de probabilidade de sucesso. É possível comparar estas duas técnicas, no sentido de avaliar a importância de cada uma neste estudo, através de medidas de percentagem de classificações corretas, e ainda das curvas ROC. |
id |
RCAP_9d932ad3a10bc0d5c01aadc287c79cd7 |
---|---|
oai_identifier_str |
oai:repositorio.utad.pt:10348/6950 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Modelos de predição de variáveis dependentes bináriasAnálise discriminanteRegressão logísticaRácios financeirosVariáveis bináriasInsolvência/solvênciaNo âmbito da predição de variáveis dependentes binárias é importante usar técnicas de análise discriminante e de regressão logística para identificar empresas que podem entrar em insolvência/solvência. A análise discriminante é fundamental para dar uma classificação de uma empresa pertencer a um dos grupos em estudo (insolvência/solvência). Para tal, pretende-se usar um conjunto de dados de vários rácios financeiros de empresas. Estes indicadores permitem prever atempadamente se a empresa pode entrar ou não em ruptura financeira. A regressão logística permite também prever quais as empresas que pertencem a um determinado grupo, e ainda classificar as empresas utilizando estimativas de probabilidade de sucesso. É possível comparar estas duas técnicas, no sentido de avaliar a importância de cada uma neste estudo, através de medidas de percentagem de classificações corretas, e ainda das curvas ROC.Within the prediction of binary dependent variables it is important to use techniques of discriminant analysis and logistic regression to identify companies that may become insolvent/solvent. Discriminant analysis is essential to give a clear classification of a company belonging to one of the study groups (insolvency/solvency). For this, we use a data set with financial ratios. These indicators provide timely if the company can or cannot be in financial disruption. Logistic regression also predicts which companies belong to a particular group and allow to classify companies using estimates of success probabilities. It's possible to compare these two techniques, in order to the evaluate the importance of each in this study, through percentage of measures of correct classifications, and even the ROC curves.2016-11-29T16:00:57Z2015-01-01T00:00:00Z2015info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10348/6950porMarques, Nelson Rafael Motainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-02T12:45:42Zoai:repositorio.utad.pt:10348/6950Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T02:04:01.565486Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Modelos de predição de variáveis dependentes binárias |
title |
Modelos de predição de variáveis dependentes binárias |
spellingShingle |
Modelos de predição de variáveis dependentes binárias Marques, Nelson Rafael Mota Análise discriminante Regressão logística Rácios financeiros Variáveis binárias Insolvência/solvência |
title_short |
Modelos de predição de variáveis dependentes binárias |
title_full |
Modelos de predição de variáveis dependentes binárias |
title_fullStr |
Modelos de predição de variáveis dependentes binárias |
title_full_unstemmed |
Modelos de predição de variáveis dependentes binárias |
title_sort |
Modelos de predição de variáveis dependentes binárias |
author |
Marques, Nelson Rafael Mota |
author_facet |
Marques, Nelson Rafael Mota |
author_role |
author |
dc.contributor.author.fl_str_mv |
Marques, Nelson Rafael Mota |
dc.subject.por.fl_str_mv |
Análise discriminante Regressão logística Rácios financeiros Variáveis binárias Insolvência/solvência |
topic |
Análise discriminante Regressão logística Rácios financeiros Variáveis binárias Insolvência/solvência |
description |
No âmbito da predição de variáveis dependentes binárias é importante usar técnicas de análise discriminante e de regressão logística para identificar empresas que podem entrar em insolvência/solvência. A análise discriminante é fundamental para dar uma classificação de uma empresa pertencer a um dos grupos em estudo (insolvência/solvência). Para tal, pretende-se usar um conjunto de dados de vários rácios financeiros de empresas. Estes indicadores permitem prever atempadamente se a empresa pode entrar ou não em ruptura financeira. A regressão logística permite também prever quais as empresas que pertencem a um determinado grupo, e ainda classificar as empresas utilizando estimativas de probabilidade de sucesso. É possível comparar estas duas técnicas, no sentido de avaliar a importância de cada uma neste estudo, através de medidas de percentagem de classificações corretas, e ainda das curvas ROC. |
publishDate |
2015 |
dc.date.none.fl_str_mv |
2015-01-01T00:00:00Z 2015 2016-11-29T16:00:57Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10348/6950 |
url |
http://hdl.handle.net/10348/6950 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137126196969472 |