Aplicação do modelo de Regressão Logística para apoio à decisão de crédito

• Autor(a) principal: Nunes, Laura Leal
• Data de Publicação: 2011
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/12743
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA; Credit Scoring; Data Mining; Regressão Logística; Logistic Regression

O sistema financeiro, a partir da acelera ̧ca ̃o do processo de globaliza ̧ca ̃o, passou a sofrer a influência dos mais diferentes fatores. Diante deste processo, no caso específico das instituições financeiras, surgiu a necessidade de analisar seus clientes para obter uma melhor sele ̧ca ̃o dos mesmos, com o objetivo de minimizar os seus riscos de inadimplência. Os métodos tradicionais de decisão para fornecer cr ́edito a um indivíduo (ou uma empresa) em particular utilizavam julgamento humano, baseados em experiências de decisões anteriores. Entretanto, com o aumento de demanda de cr ́edito resultante das pressões econômicas, aliadas a uma maior competição comercial e ao florescimento de novas tecnologias computacionais, têm-se conduzido ao desenvolvimento de sofisticadas técnicas estatísticas capazes de distinguir os proponentes a cr ́edito como bom ou mau pagador - os sistemas de modelos de Credit Scoring. Dentre os muitos diferentes modelos citados na literatura e utilizados na prática, consta o tradicional modelo de regressão logística. A construção de modelos de Credit Scoring esta ́ inserida no contexto de Data Mining, que compreende o processo de explora ̧ca ̃o, sele ̧ca ̃o e modelagem de grandes quantidades de dados para descobrir regularidades ou rela ̧co ̃es entre variáveis e, o modelo de regressa ̃o logística ́e uma das técnicas de classificação que destaca-se neste contexto. Neste trabalho, serão analisados os resultados do Credit Scoring para segregar em grupos indivíduos (ou empresas) dignos e na ̃o dignos de cr ́edito, fazendo uso do modelo de regressão logística inserido no contexto de Data Mining.