Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring

Made available in DSpace on 2016-06-02T20:06:01Z (GMT). No. of bitstreams: 1 1989.pdf: 231034 bytes, checksum: 31bd4dd9e300bf47b5b32ecca7d161ab (MD5) Previous issue date: 2008-06-09 === Financiadora de Estudos e Projetos === For the most part of modelings in the credit risk area, the most widely u...

Full description

Bibliographic Details
Main Author: Souza, Victor Hugo Delvalle
Other Authors: Louzada Neto, Francisco
Format: Others
Language:Portuguese
Published: Universidade Federal de São Carlos 2016
Subjects:
Online Access:https://repositorio.ufscar.br/handle/ufscar/4520
id ndltd-IBICT-oai-repositorio.ufscar.br-ufscar-4520
record_format oai_dc
spelling ndltd-IBICT-oai-repositorio.ufscar.br-ufscar-45202018-05-23T20:08:24Z Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring Souza, Victor Hugo Delvalle Louzada Neto, Francisco Análise de regressão Regressão logística Modelos lineares generalizados Funções de estimação Equações de estimação generalizadas Customer Score CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA Made available in DSpace on 2016-06-02T20:06:01Z (GMT). No. of bitstreams: 1 1989.pdf: 231034 bytes, checksum: 31bd4dd9e300bf47b5b32ecca7d161ab (MD5) Previous issue date: 2008-06-09 Financiadora de Estudos e Projetos For the most part of modelings in the credit risk area, the most widely used model is the credit scoring, and as the main statistical technique, the binary logistic regression, used to determine whether a customer is a good or bad payer. In this academic work an alternative methodology is proposed, where the estimative is formed based on the scores obtained by customers; this means the response follows a binomial distribution. In this modeling the combined estimate of scores of various products used by customers is included, considering the correlation between these scores. Em grande parte das modelagens na área de risco de crédito, o modelo mais utilizado é o credit scoring, e como técnica estatística principal a regressão logistica binária, utilizada para decidir se um cliente é bom ou mau pagador. Neste trabalho propomos uma metodologia alternativa, onde a estimativa é feita diretamente nos escores dos clientes, com issa a resposta segue uma distribuição binomial. Nessa modelagem incluimos ainda a estimativa conjunta dos escores de vários produtos utilizados pelos clientes, levando em consideração a correlação existente entre estes escores. 2016-06-02T20:06:01Z 2009-06-05 2016-06-02T20:06:01Z 2008-06-09 info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis SOUZA, Victor Hugo Delvalle. Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring. 2008. 58 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2008. https://repositorio.ufscar.br/handle/ufscar/4520 por info:eu-repo/semantics/openAccess application/pdf Universidade Federal de São Carlos Programa de Pós-graduação em Estatística UFSCar BR reponame:Repositório Institucional da UFSCAR instname:Universidade Federal de São Carlos instacron:UFSCAR
collection NDLTD
language Portuguese
format Others
sources NDLTD
topic Análise de regressão
Regressão logística
Modelos lineares generalizados
Funções de estimação
Equações de estimação generalizadas
Customer Score
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
spellingShingle Análise de regressão
Regressão logística
Modelos lineares generalizados
Funções de estimação
Equações de estimação generalizadas
Customer Score
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
Souza, Victor Hugo Delvalle
Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring
description Made available in DSpace on 2016-06-02T20:06:01Z (GMT). No. of bitstreams: 1 1989.pdf: 231034 bytes, checksum: 31bd4dd9e300bf47b5b32ecca7d161ab (MD5) Previous issue date: 2008-06-09 === Financiadora de Estudos e Projetos === For the most part of modelings in the credit risk area, the most widely used model is the credit scoring, and as the main statistical technique, the binary logistic regression, used to determine whether a customer is a good or bad payer. In this academic work an alternative methodology is proposed, where the estimative is formed based on the scores obtained by customers; this means the response follows a binomial distribution. In this modeling the combined estimate of scores of various products used by customers is included, considering the correlation between these scores. === Em grande parte das modelagens na área de risco de crédito, o modelo mais utilizado é o credit scoring, e como técnica estatística principal a regressão logistica binária, utilizada para decidir se um cliente é bom ou mau pagador. Neste trabalho propomos uma metodologia alternativa, onde a estimativa é feita diretamente nos escores dos clientes, com issa a resposta segue uma distribuição binomial. Nessa modelagem incluimos ainda a estimativa conjunta dos escores de vários produtos utilizados pelos clientes, levando em consideração a correlação existente entre estes escores.
author2 Louzada Neto, Francisco
author_facet Louzada Neto, Francisco
Souza, Victor Hugo Delvalle
author Souza, Victor Hugo Delvalle
author_sort Souza, Victor Hugo Delvalle
title Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring
title_short Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring
title_full Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring
title_fullStr Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring
title_full_unstemmed Estimação de escores binomiais correlacionados: uma aplicação em Credit Scoring
title_sort estimação de escores binomiais correlacionados: uma aplicação em credit scoring
publisher Universidade Federal de São Carlos
publishDate 2016
url https://repositorio.ufscar.br/handle/ufscar/4520
work_keys_str_mv AT souzavictorhugodelvalle estimacaodeescoresbinomiaiscorrelacionadosumaaplicacaoemcreditscoring
_version_ 1718649888338608128