Modelos lineares generalizados: aplicação em risco de crédito

Detalhes bibliográficos
Autor(a) principal: Kim, Andrea
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