Zastosowanie wybranych estymatorów modelu regresji logistycznej w credit scoringu

• Autorzy: Piotr Michalski

Warianty tytułu

Application of Selected Estimators of Logistic Regression Models in Credit Scoring

• Języki publikacji: PL

Abstrakty

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)

EN

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)

Słowa kluczowe

PL

Estymatory; Modele regresji; Regresja liniowa; Skoring kredytowy

EN

Estimators; Regression models; Linear regression; Credit scoring

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Ekonometria
• Rocznik: 2008
• Tom: 22
• Numer: nr 27 Zastosowania metod ilościowych
• Strony: 36--50

Twórcy

autor

Piotr Michalski

• Uniwersytet Ekonomiczny we Wrocławiu

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.