dc.contributor.author | Mendonça, Tiago Silva | |
dc.date.accessioned | 2016-06-02T20:06:03Z | |
dc.date.available | 2009-11-13 | |
dc.date.available | 2016-06-02T20:06:03Z | |
dc.date.issued | 2008-02-15 | |
dc.identifier.citation | MENDONÇA, Tiago Silva. Modelos de regressão logística clássica, Bayesiana e redes neurais para Credit Scoring. 2008. 188 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2008. | por |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/4535 | |
dc.description.abstract | Important advances have been achieved in the granting of credit, however, the problem of identifying good customers for the granting of credit does not provide a definitive solution. Several techniques were presented and are being developed, each presents its characteristics, advantages and disadvantages as to their discrimination power, robustness, ease of implementation and possibility of interpretation. This work presents three techniques for the classification of defaults in models of Credit Score, Classical Logistic Regression, Bayesian Logistic Regression with no prior information and Artificial Neural Networks with a few different architectures. The main objective of the study is to compare the performance of these techniques in the identification of customers default. For this, four metrics were used for comparison of models: predictive capacity, ROC Curve, Statistics of Kolmogorov Smirnov and capacity of hit models. Two data bases were used, an artificial bank and a real bank. The database was constructed artificially based on an article by Breiman that generates the explanatory variables from a multivariate normal distribution and the actual database used is a problem with Credit Score of a financial institution that operates in the retail Brazilian market more than twenty years. | eng |
dc.format | application/pdf | por |
dc.language | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Acesso Aberto | por |
dc.subject | Análise de regressão | por |
dc.subject | Regressão logística | por |
dc.subject | Inferência bayesiana | por |
dc.subject | Redes neurais artificiais | por |
dc.subject | Logistic regression | eng |
dc.subject | Bayesian inference | eng |
dc.subject | Artificial neural networks | eng |
dc.title | Modelos de regressão logística clássica, Bayesiana e redes neurais para Credit Scoring | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Louzada Neto, Francisco | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0994050156415890 | por |
dc.description.resumo | Importantes avanços vêm sendo conquistados na área de concessão de crédito, não obstante, o problema de identificação de bons clientes para a concessão de crédito não apresenta uma solução definitiva. Diversas técnicas foram apresentadas e vêm sendo desenvolvidas, cada uma apresenta suas características, com vantagens e desvantagens no tocante ao seu poder de discriminação, robustez, facilidade de implementação e possibilidade de interpretação. Este trabalho apresenta três técnicas para a classificação de inadimplência em modelos de Credit Score, Regressão Logística Clássica, Regressão Logística Bayesiana com priori não informativa e Redes Neurais Artificiais com algumas diferentes arquiteturas. O objetivo principal do trabalho é comparar o desempenho destas técnicas na identificação de clientes inadimplentes. Para isto, Foram utilizadas quatro métricas para a comparação dos modelos: Capacidade Preditiva, Curva ROC, Estatística de Kolmogorov Smirnov e a Capacidade de Acerto dos modelos. Dois bancos de dados foram utilizados, um banco artificial e um banco real. O banco de dados artificial foi construído baseado em um artigo de Breiman que gera as variáveis explicativas a partir de uma distribuição normal multivariada e o banco de dados real utilizado trata-se de um problema de Credit Score de uma instituição financeira que atua no mercado varejista brasileiro há mais de vinte anos. | por |
dc.publisher.country | BR | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Estatística - PPGEs | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/2249769751685645 | por |