Modelos de predição de variáveis dependentes binárias

Detalhes bibliográficos
Autor(a) principal: Marques, Nelson Rafael Mota
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

Registros relacionados