- Autor
- Steuden Michał (Katolicki Uniwersytet Lubelski)
- Tytuł
- Selekcja kredytobiorców przeprowadzona za pomocą modelu probitowego jako funkcji klasyfikacji w drzewie decyzyjnym
Probit Model as the Cart Function in the Process of Borrowers' Selection - Źródło
- Prace Naukowe Akademii Ekonomicznej we Wrocławiu, 2006, nr 1133, s. 509-515, rys., bibliogr. 7 poz.
- Tytuł własny numeru
- Inwestycje finansowe i ubezpieczenia - tendencje światowe a polski rynek
- Słowa kluczowe
- Kredyt, Model probitowy, Drzewa klasyfikacyjne
Credit, Probit model, Classification trees - Uwagi
- summ.
- Abstrakt
- Problem selekcji kredytobiorców pod względem prawdopodobieństwa spłacenia kredytu ma zasadnicze znaczenie w polityce udzielania kredytów. Bank musi mieć narzędzia, dzięki którym na podstawie cech kredytobiorcy może zdecydować o przyznaniu (bądź nie) kredytu. Spośród wielu dostępnych metod klasyfikacji, model probitowy umożliwia generowanie prawdopodobieństw spłaty za pomocą symulacji Monte Carlo i, co jest równie ważne, łatwą kalibrację modelu do zmieniających się warunków kredytowych. Jednak sposób tworzenia modelu praktycznie uniemożliwia wykorzystanie zmiennych niemierzalnych (następuje utrata ważnych informacji), co prowadzi do obniżenia jakości prognostycznej modelu. Prezentowane podejście ma na celu wykorzystanie funkcji probitowej jako elementu decyzyjnego drzewa klasyfikacyjnego, umożliwiając poprawienie jakości modelu. (fragment tekstu)
This article shows how to incorporate probit model into CART system in an aim to enable proper classification of potential borrowers. Probit systems are widely known but the problems they face is the level of accuracy and difficulties with treating categorical variables. Although there are techniques which incorporate such variables but at the same time the number of variables increases significantly and a covariance matrix can be difficult to estimate. Incorporation of a probit model into CART system enables to build system of probit equations with fewer explaining variables (at every split node) and with higher rate of accuracy at the same time. What is more important is that it inherits ability to predict default instances. (original abstract) - Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu - Bibliografia
-
- Breiman L., Friedman J., Olshen R., Classification and Regression Trees, Chapman and Hali, Boca Raton 1993.
- Green W., Econometric Analysis, Prentice Hall, Upper Saddle River, New Jersey 2003.
- Hamilton J.D., Time Series Analysis, Princeton University Press, New Jersey 1994.
- Migut G., Modele ryzyka kredytowego, StatSoft, Polska 2003.
- Roszbach C., Bank Lending Policy, Credit Scoring and Value at Risk, 1998.
- Steuden M., Credit Scoring and Its Costs on the Basis of Probit Model, [w:] Proceedings of the 26th International Scientific School: Information Systems Architecture and Technology, Wroclaw 2005.
- Witten I., Eibe F., WEKA. Machine Learning Algorithms in Java, Morgan Kaufmann Publishers, 2000.
- Cytowane przez
- ISSN
- 0324-8445
- Język
- pol
