Modelos lineares generalizados: aplicação em risco de crédito
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/217394 |
Resumo: | Modelos lineares generalizados é uma extensão dos modelos lineares gerais (regressão simples e múltipla, planejamento de experimentos, análise multivariada, etc.) cujas distribuições de probabilidades envolvidas no modelo pertencem à família exponencial, no qual é colocado uma função de ligação relacionando a média da variável resposta com as variáveis explicativas. A estimação dos parâmetros desse modelo pode ser realizada pelo método de estimação de máxima verossimilhança. Nesse vasto campo da estatística, existe um grande interesse das instituições, em especial as financeiras, em encontrar um modelo preditivo para o tema risco de crédito, que é a possibilidade de uma contraparte da operação não honrar a dívida, ou seja, a inadimplência. Na inadimplência, um cliente pode ser considerado bom ou mau pagador. Utilizou-se, portanto, modelos lineares generalizados para ajustar um modelo cuja variável resposta pertence a uma distribuição binomial. Os dados utillizados neste trabalho foram apresentados no artigo “The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications” (Yeh, I. C., & Lien, C. H.) (2009). |
id |
UNSP_a28953e67dd9562c5b4a23bebaf99c00 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/217394 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Modelos lineares generalizados: aplicação em risco de créditoGeneralized linear model: credit risk applicationModelos lineares generalizadosRegressão logísticaRisco de créditoGeneralized linear modelsLogistic regressionCredit riskModelos lineares generalizados é uma extensão dos modelos lineares gerais (regressão simples e múltipla, planejamento de experimentos, análise multivariada, etc.) cujas distribuições de probabilidades envolvidas no modelo pertencem à família exponencial, no qual é colocado uma função de ligação relacionando a média da variável resposta com as variáveis explicativas. A estimação dos parâmetros desse modelo pode ser realizada pelo método de estimação de máxima verossimilhança. Nesse vasto campo da estatística, existe um grande interesse das instituições, em especial as financeiras, em encontrar um modelo preditivo para o tema risco de crédito, que é a possibilidade de uma contraparte da operação não honrar a dívida, ou seja, a inadimplência. Na inadimplência, um cliente pode ser considerado bom ou mau pagador. Utilizou-se, portanto, modelos lineares generalizados para ajustar um modelo cuja variável resposta pertence a uma distribuição binomial. Os dados utillizados neste trabalho foram apresentados no artigo “The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications” (Yeh, I. C., & Lien, C. H.) (2009).Generalized linear models is an extension of the general linear models (single and multiple regression, design of experiments, multivariate analysis, etc.) whose probability distributions involved in the model belong to the exponential family, in which a link function relating the mean of the response variable with the explanatory variables. The estimation of the parameters of this model can be performed using the maximum likelihood estimation method. In this vast field of statistics, there is great interest from institutions, especially financial ones, in finding a predictive model for the topic of credit risk, which is the possibility of a counterparty to the operation not honoring the debt, that is, default. In default, a customer can be considered a good or bad payer. Therefore, generalized linear models were used to fit a model whose response variable belongs to a binomial distribution. The data used in this work were presented in the article “The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications” (Yeh, I.C., & Lien, C.H.) (2009).Não recebi financiamentoUniversidade Estadual Paulista (Unesp)Baba, Marta Yukie [UNESP]Oikawa, Sérgio MinoruUniversidade Estadual Paulista (Unesp)Kim, Andrea2022-03-25T16:58:48Z2022-03-25T16:58:48Z2022-03-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/217394porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-10-19T06:04:53Zoai:repositorio.unesp.br:11449/217394Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T15:18:49.958268Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Modelos lineares generalizados: aplicação em risco de crédito Generalized linear model: credit risk application |
title |
Modelos lineares generalizados: aplicação em risco de crédito |
spellingShingle |
Modelos lineares generalizados: aplicação em risco de crédito Kim, Andrea Modelos lineares generalizados Regressão logística Risco de crédito Generalized linear models Logistic regression Credit risk |
title_short |
Modelos lineares generalizados: aplicação em risco de crédito |
title_full |
Modelos lineares generalizados: aplicação em risco de crédito |
title_fullStr |
Modelos lineares generalizados: aplicação em risco de crédito |
title_full_unstemmed |
Modelos lineares generalizados: aplicação em risco de crédito |
title_sort |
Modelos lineares generalizados: aplicação em risco de crédito |
author |
Kim, Andrea |
author_facet |
Kim, Andrea |
author_role |
author |
dc.contributor.none.fl_str_mv |
Baba, Marta Yukie [UNESP] Oikawa, Sérgio Minoru Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Kim, Andrea |
dc.subject.por.fl_str_mv |
Modelos lineares generalizados Regressão logística Risco de crédito Generalized linear models Logistic regression Credit risk |
topic |
Modelos lineares generalizados Regressão logística Risco de crédito Generalized linear models Logistic regression Credit risk |
description |
Modelos lineares generalizados é uma extensão dos modelos lineares gerais (regressão simples e múltipla, planejamento de experimentos, análise multivariada, etc.) cujas distribuições de probabilidades envolvidas no modelo pertencem à família exponencial, no qual é colocado uma função de ligação relacionando a média da variável resposta com as variáveis explicativas. A estimação dos parâmetros desse modelo pode ser realizada pelo método de estimação de máxima verossimilhança. Nesse vasto campo da estatística, existe um grande interesse das instituições, em especial as financeiras, em encontrar um modelo preditivo para o tema risco de crédito, que é a possibilidade de uma contraparte da operação não honrar a dívida, ou seja, a inadimplência. Na inadimplência, um cliente pode ser considerado bom ou mau pagador. Utilizou-se, portanto, modelos lineares generalizados para ajustar um modelo cuja variável resposta pertence a uma distribuição binomial. Os dados utillizados neste trabalho foram apresentados no artigo “The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications” (Yeh, I. C., & Lien, C. H.) (2009). |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-03-25T16:58:48Z 2022-03-25T16:58:48Z 2022-03-07 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/217394 |
url |
http://hdl.handle.net/11449/217394 |
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.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808128496188260352 |