Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score

Detalhes bibliográficos
Ano de defesa: 2010
Autor(a) principal: Guirado, Lorene
Orientador(a): Louzada Neto, Francisco lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de São Carlos
Câmpus São Carlos
Programa de Pós-Graduação: Programa de Pós-Graduação em Estatística - PPGEs
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Dados binários
Modelos lineares generalizados
Modelos aditivos generalizados
Palavras-chave em Inglês:
Lift
Credit Score
Área do conhecimento CNPq:
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAO
Link de acesso: https://repositorio.ufscar.br/handle/20.500.14289/10158
Resumo: This study aimed to present and compare the performance of two different methodologies for statistical modeling of financial data with dichotomous response, specifically exemplified by models of credit score as well as methodologies for validation and performance analysis of these models. One of the measures used in this analysis is the lift, often used in marketing, but little used in the financial area, this measure is also used as a descriptive technique for categorizing variables. The techniques presented here are the Generalized Linear Models (GLM), the most usual method, and Generalized Additive Models (GAM), unusual in finance because it is a semi-parametric or nonparametric model, generating even some difficulty in interpretation because it does not present parameters. The predictive capabilities of the two techniques are compared in an application on real data and in a simulation study.
id SCAR_61f8c6b573484914f94902a052aa8564
oai_identifier_str oai:repositorio.ufscar.br:20.500.14289/10158
network_acronym_str SCAR
network_name_str Repositório Institucional da UFSCAR
repository_id_str
spelling Guirado, LoreneLouzada Neto, Franciscohttp://lattes.cnpq.br/0994050156415890Perdoná, Gleici da Silva Castrohttp://lattes.cnpq.br/0745160064860746http://lattes.cnpq.br/796457758039148753fb09a5-9181-469c-91bb-6aabb9ab86e92018-06-13T20:03:51Z2018-06-13T20:03:51Z2010-10-07GUIRADO, Lorene. Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score. 2010. Dissertação (Mestrado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2010. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/10158.https://repositorio.ufscar.br/handle/20.500.14289/10158This study aimed to present and compare the performance of two different methodologies for statistical modeling of financial data with dichotomous response, specifically exemplified by models of credit score as well as methodologies for validation and performance analysis of these models. One of the measures used in this analysis is the lift, often used in marketing, but little used in the financial area, this measure is also used as a descriptive technique for categorizing variables. The techniques presented here are the Generalized Linear Models (GLM), the most usual method, and Generalized Additive Models (GAM), unusual in finance because it is a semi-parametric or nonparametric model, generating even some difficulty in interpretation because it does not present parameters. The predictive capabilities of the two techniques are compared in an application on real data and in a simulation study.Esse trabalho teve como objetivo apresentar e comparar o desempenho de duas diferentes metodologias de modelagem estatística para dados financeiros com resposta dicotômica, especificamente exemplificadas pelos modelos de credit score, bem como metodologias para validação e análise de desempenho desses modelos. Uma das medidas que utilizamos nessa análise é o lift, muito utilizado no marketing, mas ainda pouco utilizado na área financeira, essa medida também é utilizada como técnica descritiva para categorização de variáveis. As técnicas aqui apresentadas são os Modelos Lineares Generalizados (MLG), metodologia mais usual, e os Modelos Aditivos Generalizados (MAG), ainda pouco usual na área financeira por tratar-se de um modelo semi-paramétrico ou não-paramétrico, gerando ainda certa dificuldade de interpretação pelo fato de não apresentar parâmetros. As capacidades preditivas das duas técnicas são comparadas em uma aplicação em dados reais e em um estudo de simulação.Não recebi financiamentoporUniversidade Federal de São CarlosCâmpus São CarlosPrograma de Pós-Graduação em Estatística - PPGEsUFSCarDados bináriosModelos lineares generalizadosModelos aditivos generalizadosLiftCredit ScoreCIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAOComparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit scoreinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis24 meses após a data da defesa600d0f3b31a-38c4-4c28-aa5b-837ad377108einfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARORIGINALDissertacao_Lorene_VF.pdfDissertacao_Lorene_VF.pdfapplication/pdf1943548https://repositorio.ufscar.br/bitstreams/fb9dfe58-0a4a-4ec6-8068-69515aa02afb/download405f1e58505045c1f71c09485ef96d4aMD55trueAnonymousREADCarta-comprovante PPGEs.pdfCarta-comprovante PPGEs.pdfapplication/pdf179628https://repositorio.ufscar.br/bitstreams/790363fe-ec6d-440b-b181-9ca6f4fd29e1/downloada4c468e27447346c3530bab5e6309310MD53falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81957https://repositorio.ufscar.br/bitstreams/a2d4fa71-1b89-4cb2-a17b-93e786c2d903/downloadae0398b6f8b235e40ad82cba6c50031dMD56falseAnonymousREADTEXTDissertacao_Lorene_VF.pdf.txtDissertacao_Lorene_VF.pdf.txtExtracted texttext/plain183429https://repositorio.ufscar.br/bitstreams/191c3782-2a02-4223-add4-1fdb54412f37/download54260151a89119f5135cbd4cce6cf776MD511falseAnonymousREADCarta-comprovante PPGEs.pdf.txtCarta-comprovante PPGEs.pdf.txtExtracted texttext/plain1781https://repositorio.ufscar.br/bitstreams/7084f1be-59c7-4c04-a999-b80bbec9e71d/download4e2ae92f9073fa92e8f07157851e1309MD513falseAnonymousREADTHUMBNAILDissertacao_Lorene_VF.pdf.jpgDissertacao_Lorene_VF.pdf.jpgIM Thumbnailimage/jpeg3608https://repositorio.ufscar.br/bitstreams/bd6085c0-a740-4e97-b102-2b8d51778d78/download624c76fce066e30d20a7781c15d709deMD512falseAnonymousREADCarta-comprovante PPGEs.pdf.jpgCarta-comprovante PPGEs.pdf.jpgIM Thumbnailimage/jpeg6455https://repositorio.ufscar.br/bitstreams/83ed75d7-b7b0-4cdb-9b35-939e7e1642b6/downloadb3387af74ab19aff8b193a373f9c9381MD514falseAnonymousREAD20.500.14289/101582025-02-05 17:50:40.837Acesso abertoopen.accessoai:repositorio.ufscar.br:20.500.14289/10158https://repositorio.ufscar.brRepositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestrepositorio.sibi@ufscar.bropendoar:43222025-02-05T20:50:40Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)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
dc.title.por.fl_str_mv Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
title Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
spellingShingle Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
Guirado, Lorene
Dados binários
Modelos lineares generalizados
Modelos aditivos generalizados
Lift
Credit Score
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAO
title_short Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
title_full Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
title_fullStr Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
title_full_unstemmed Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
title_sort Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score
author Guirado, Lorene
author_facet Guirado, Lorene
author_role author
dc.contributor.authorlattes.por.fl_str_mv http://lattes.cnpq.br/7964577580391487
dc.contributor.author.fl_str_mv Guirado, Lorene
dc.contributor.advisor1.fl_str_mv Louzada Neto, Francisco
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/0994050156415890
dc.contributor.advisor-co1.fl_str_mv Perdoná, Gleici da Silva Castro
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/0745160064860746
dc.contributor.authorID.fl_str_mv 53fb09a5-9181-469c-91bb-6aabb9ab86e9
contributor_str_mv Louzada Neto, Francisco
Perdoná, Gleici da Silva Castro
dc.subject.por.fl_str_mv Dados binários
Modelos lineares generalizados
Modelos aditivos generalizados
topic Dados binários
Modelos lineares generalizados
Modelos aditivos generalizados
Lift
Credit Score
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAO
dc.subject.eng.fl_str_mv Lift
Credit Score
dc.subject.cnpq.fl_str_mv CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAO
description This study aimed to present and compare the performance of two different methodologies for statistical modeling of financial data with dichotomous response, specifically exemplified by models of credit score as well as methodologies for validation and performance analysis of these models. One of the measures used in this analysis is the lift, often used in marketing, but little used in the financial area, this measure is also used as a descriptive technique for categorizing variables. The techniques presented here are the Generalized Linear Models (GLM), the most usual method, and Generalized Additive Models (GAM), unusual in finance because it is a semi-parametric or nonparametric model, generating even some difficulty in interpretation because it does not present parameters. The predictive capabilities of the two techniques are compared in an application on real data and in a simulation study.
publishDate 2010
dc.date.issued.fl_str_mv 2010-10-07
dc.date.accessioned.fl_str_mv 2018-06-13T20:03:51Z
dc.date.available.fl_str_mv 2018-06-13T20:03:51Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv GUIRADO, Lorene. Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score. 2010. Dissertação (Mestrado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2010. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/10158.
dc.identifier.uri.fl_str_mv https://repositorio.ufscar.br/handle/20.500.14289/10158
identifier_str_mv GUIRADO, Lorene. Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos Generalizados (MAG) na predição de dados financeiros em credit score. 2010. Dissertação (Mestrado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2010. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/10158.
url https://repositorio.ufscar.br/handle/20.500.14289/10158
dc.language.iso.fl_str_mv por
language por
dc.relation.confidence.fl_str_mv 600
dc.relation.authority.fl_str_mv d0f3b31a-38c4-4c28-aa5b-837ad377108e
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de São Carlos
Câmpus São Carlos
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Estatística - PPGEs
dc.publisher.initials.fl_str_mv UFSCar
publisher.none.fl_str_mv Universidade Federal de São Carlos
Câmpus São Carlos
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSCAR
instname:Universidade Federal de São Carlos (UFSCAR)
instacron:UFSCAR
instname_str Universidade Federal de São Carlos (UFSCAR)
instacron_str UFSCAR
institution UFSCAR
reponame_str Repositório Institucional da UFSCAR
collection Repositório Institucional da UFSCAR
bitstream.url.fl_str_mv https://repositorio.ufscar.br/bitstreams/fb9dfe58-0a4a-4ec6-8068-69515aa02afb/download
https://repositorio.ufscar.br/bitstreams/790363fe-ec6d-440b-b181-9ca6f4fd29e1/download
https://repositorio.ufscar.br/bitstreams/a2d4fa71-1b89-4cb2-a17b-93e786c2d903/download
https://repositorio.ufscar.br/bitstreams/191c3782-2a02-4223-add4-1fdb54412f37/download
https://repositorio.ufscar.br/bitstreams/7084f1be-59c7-4c04-a999-b80bbec9e71d/download
https://repositorio.ufscar.br/bitstreams/bd6085c0-a740-4e97-b102-2b8d51778d78/download
https://repositorio.ufscar.br/bitstreams/83ed75d7-b7b0-4cdb-9b35-939e7e1642b6/download
bitstream.checksum.fl_str_mv 405f1e58505045c1f71c09485ef96d4a
a4c468e27447346c3530bab5e6309310
ae0398b6f8b235e40ad82cba6c50031d
54260151a89119f5135cbd4cce6cf776
4e2ae92f9073fa92e8f07157851e1309
624c76fce066e30d20a7781c15d709de
b3387af74ab19aff8b193a373f9c9381
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)
repository.mail.fl_str_mv repositorio.sibi@ufscar.br
_version_ 1851688848215506944

Registros relacionados