دانلود مقاله ISI انگلیسی شماره 48613
عنوان فارسی مقاله

در مورد تاثیر نمونه نامتناسب در مدل های امتیازدهی اعتباری: یک برنامه به یک بانک داده برزیل

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
48613 2012 8 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 39, Issue 9, July 2012, Pages 8071–8078

کلمات کلیدی
مدل های طبقه بندی - رگرسیون لجستیک ساده - انتخاب نمونه رگرسیون لجستیک با وابسته به حالت - اندازه گیری عملکرد - امتیازدهی اعتباری
پیش نمایش مقاله
پیش نمایش مقاله در مورد تاثیر نمونه نامتناسب در مدل های امتیازدهی اعتباری: یک برنامه به یک بانک داده برزیل

چکیده انگلیسی

Statistical methods have been widely employed to assess the capabilities of credit scoring classification models in order to reduce the risk of wrong decisions when granting credit facilities to clients. The predictive quality of a classification model can be evaluated based on measures such as sensitivity, specificity, predictive values, accuracy, correlation coefficients and information theoretical measures, such as relative entropy and mutual information. In this paper we analyze the performance of a naive logistic regression model (Hosmer & Lemeshow, 1989) and a logistic regression with state-dependent sample selection model (Cramer, 2004) applied to simulated data. Also, as a case study, the methodology is illustrated on a data set extracted from a Brazilian bank portfolio. Our simulation results so far revealed that there is no statistically significant difference in terms of predictive capacity between the naive logistic regression models and the logistic regression with state-dependent sample selection models. However, there is strong difference between the distributions of the estimated default probabilities from these two statistical modeling techniques, with the naive logistic regression models always underestimating such probabilities, particularly in the presence of balanced samples.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.