- Autor
- Michalski Piotr (Uniwersytet Ekonomiczny we Wrocławiu)
- Tytuł
- Zastosowanie wybranych estymatorów modelu regresji logistycznej w credit scoringu
Application of Selected Estimators of Logistic Regression Models in Credit Scoring - Źródło
- Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Ekonometria (22), 2008, nr 27, s. 36-50, rys., tab., bibliogr. 8 poz.
- Tytuł własny numeru
- Zastosowania metod ilościowych
- Słowa kluczowe
- Estymatory, Modele regresji, Regresja liniowa, Skoring kredytowy
Estimators, Regression models, Linear regression, Credit scoring - Uwagi
- summ.
- Abstrakt
- Zadanie oceny zdolności kredytowej rozważa się często w kontekście problemu klasyfikacji pod nadzorem, co oznacza w istocie uznanie tożsamości pojęć metody credit scoringu i metody klasyfikacji pod nadzorem. Umożliwia to zastosowanie w problemach credit scoringu popularnego liniowego modelu regresji logistycznej. W artykule zostanie empirycznie zweryfikowana przydatność w zastosowaniach credit scoringu bardziej zaawansowanych podejść do estymacji modelu logitowego: addytywnego modelu regresji logistycznej oraz boostingu drzew klasyfikacyjnych. (fragment tekstu)
The article examines the application opportunities of different logistic regression models in a credit scoring supervised classification problem. The paper covers linear and generalized additive logistic regression model, as well as a classification trees boosting method - Real AdaBoost. The empirical study of two real credit datasets is given. (original abstract) - Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu - Pełny tekst
- Pokaż
- Bibliografia
-
- Culp M., Johnson K., Michailidis G., Ada: An R Package for Stochastic Boosting, „Journal of Statistical Software”, vol. 17, issue 2, October 2006.
- Faraway J.J., Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models, Chapman & Hall/CRC Press, London 2006.
- Giudici P., Applied Data Mining: Statistical Methods for Business and Industry, John Wiley & Sons, New York 2003.
- Gruszczyński M.. Modele i prognozy zmiennych jakościowych w finansach i bankowości. SGH. Warszawa 2002.
- Hastie T., Tibshirani R., Friedman J., Additive Logistic Regression: a Statistical View of Boosting. „The Annals of Statistics” 2000, vol. 28, no. 2, s. 337-407.
- Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference and Prediction, Springer, New York 2003.
- Mester L.J., What’s the Point of Credit Scoring, „Business Review”, September/October 1997, Federal Reserve Bank of Philadelphia.
- Migut G.. Wątroba J., Scoring kredytowy a modele data mining, „Ryzyko w Instytucji finansowej” 2005 nr I.
- Cytowane przez
- ISSN
- 1899-3192
1507-3866 - Język
- pol
