El Modelo Logit Mixto para la construcción de un Scoring de Crédito
Resumen: En este trabajo se presenta un modelo logit mixto aplicado a datos reales para un scoring de otorgamiento de créditos, como una propuesta alternativa para evaluar los supuestos con respecto a la estructura de covarianza (independencia y homocedasticidad) que asumen los modelos logit y probi...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2014 |
| País: | Colombia |
| Institución: | Universidad Nacional de Colombia |
| Repositorio: | Repositorio UN |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unal.edu.co:unal/74977 |
| Acceso en línea: | https://repositorio.unal.edu.co/handle/unal/74977 http://bdigital.unal.edu.co/39466/ |
| Access Level: | acceso abierto |
| Palabra clave: | 51 Matemáticas / Mathematics Default Modelos de Elección Discreta Scoring de crédito Modelo logit mixto Credit scoring Discrete Choice Models Mixed logit model |
| Sumario: | Resumen: En este trabajo se presenta un modelo logit mixto aplicado a datos reales para un scoring de otorgamiento de créditos, como una propuesta alternativa para evaluar los supuestos con respecto a la estructura de covarianza (independencia y homocedasticidad) que asumen los modelos logit y probit, tradicionalmente utilizados para medir el riesgo crediticio. El modelo logit mixto se evalúa en contraste con el logit y el probit, partiendo desde el enfoque de la teoría económica de la utilidad aleatoria, con respecto a la decisión que enfrenta el cliente de pagar o no el crédito, según su función de maximización de utilidad. De acuerdo con las medidas de bondad del ajuste (sensibilidad y especificidad), el modelo propuesto (logit mixto) es más sensible que los tradicionalmente usados (logit y probit), puesto que detecta en mayor proporción los clientes que entran en default. Sin embargo, aunque los tres modelos ajustados tienen un alto poder discriminatorio (AUROC), el logit mixto presenta la menor tasa de especificidad. |
|---|