Zdolności dyskryminacyjne modelu dwumianowego ze skończoną mieszanką rozkładów normalnych w ocenie niespłacalności kredytów

• Autorzy: Jerzy Marzec
• Języki publikacji: PL

Abstrakty

Celem niniejszego artykułu jest prezentacja modelu dwumianowego (dla zero-jedynkowej zmiennej endogenicznej) opartego na skończonej mieszance rozkładów normalnych. Stanowi on uogólnienie modelu probitowego, który obok modelu logitowego jest najbardziej znaną konstrukcją dla jakościowej zmiennej endogenicznej. Przedstawimy wykorzystanie wspomnianego modelu do oceny niespłacalności kredytów detalicznych, czyli jego zastosowanie w bankowym scoringu kredytowym. Dokonamy porównania wyników uzyskanych na podstawie próby podstawowej z rezultatami dla próby odłożonej. Intencją autora jest pokazanie, że model dwumianowy oparty na mieszance jest lepszy od tradycyjnych narzędzi statystycznych wykorzystywanych w scoringu kredytowym: modelu probitowego i logitowego. (fragment tekstu)

Słowa kluczowe

PL

Model probitowy; Rozkłady normalne; Skoring kredytowy; Kredyt bankowy; Podejmowanie decyzji w warunkach niepewności; Podejmowanie decyzji w warunkach ryzyka; Modelowanie ryzyka kredytowego; Modele bayesowskie

EN

Probit model; Normal distribution; Credit scoring; Bank credit; Decision making under uncertainty; Decision making under conditions of risk; Credit risk modelling; Bayesian models

• Czasopismo: Studia i Prace Uniwersytetu Ekonomicznego w Krakowie
• Rocznik: 2009
• Numer: nr 3
• Strony: 129--144

Twórcy

autor

Jerzy Marzec

• Uniwersytet Ekonomiczny w Krakowie

Bibliografia

• Austin R, Escobar M. [2002], The Use of Finite Mixture Models to Estimate the Distribution of the Health Utilities Index in the Presence of a Ceiling Effects, "Journal of Applied Statistics", vol. 30, nr 8.
• Banasik J., Crook J., Thomas L.C, [2003], Sample Selection Bias in Credit Scoring Models, "Journal of the Operational Research Society", vol. 54.
• Chrzanowska M., Witkowska D. [2005], Zastosowanie sztucznych sieci neuronowych do klasyfikacji ryzyka kredytowego podmiotów gospodarczych [w:] Metody ilościowe w badaniach ekonomicznych (V), Wydawnictwo SGGW, Warszawa.
• Chrzanowska M., Kompa K., Witkowska D. [2005], Analiza spłat pewnego kredytu okolicznościowego. Modele logitowe i sieci neuronowe [w:] Metody ilościowe w badaniach ekonomicznych (V), Wydawnictwo SGGW, Warszawa.
• Cramer J.S. [2003], Logit Models from Economics and Other Fields, Cambridge University Press, Cambridge.
• Diebolt J., Robert C.P. [1994], Estimation of Finite Mixture Distributions though Bayesian Sampling, "Journal of the Royal Statistical Society B", vol. 56, nr 2.
• Erkanli A., Stangl D., Müller P. [1993], A Bayesian Analysis of Ordinal Data Using Mixctures, "Technical Report 93-01 Institute of Statistics and Decision Sciences", Duke University.
• Featherstone A.M., Roessler L.M., Barry P.J. [2006], Determining the Probability of Default and Risk Rating Class for Loans in the Seventh Farm Credit District Port-folio, "Review of Agricultural Economics", vol. 28.
• Fruhwirth-Schnatter S., Fruhwirth R. |2006|, Auxiliary Mixture Sampling with Applications to Logistics Models, "Computational Statistics and Data Analysis", vol. 51, nr 7.
• Geweke J. (2007), Interpretation and Inference in Mixture Models: Simple MCMC Works, "Computational Statistics and Data Analysis", vol. 51, nr 7.
• Geweke J., Keane M. [ 1999], Mixture of Normals Probit Models [w:] Analysis of Panel and Limited Dependent Variables: A Volume in Honor of G.S. Maddala, red. C. Hsiao, K. Lahiri, L.F. Lee, M.H. Pesaran, Cambridge University Press, Cambridge.
• Gruszczyński M. [2001], Modele i prognozy zmiennych jakościowych w finansach i bankowości, Monografie i Opracowania SGH nr 6, Warszawa.
• Hosmer D., Lemeshow S. [2000], Applied Logistic Regression, Wiley, New York.
• Janc A., Kraska M. [2001], Credit-scoring. Nowoczesna metoda oceny zdolności kredytowej, Biblioteka Menedżera i Bankowca, Warszawa.
• Koop G. [2003], Bayesian Econometrics, Wiley, Chichester.
• Lee S.P, Liu D.Y. [2002], The Determinations of Defaults in Residential Mortgage Payments: A Statistical Analysis, "International Journal of Management", vol. 19, nr 2.
• Mączyńska E., Zawadzki M. [2006], Dyskryminacyjne modele predykcji upadłości przedsiębiorstw, "Ekonomista", nr 2.
• Marzec J. [2006], Bayesowski model wielomianowy z rozkładem t Studenta dla kategorii uporządkowanych [w:] Metody ilościowe w naukach ekonomicznych, red. A. Welfe, Wydawnictwo SGH, Warszawa.
• Marzec J. [2008], Bayesowski model dwumianowy z mieszanką rozkładów normalnych [w:] Metody ilościowe w naukach ekonomicznych, red. A. Welfe, Wydawnictwo SGH, Warszawa.
• Misztal M. [2006], O zastosowaniu metody rekurencyjnego podziału w analizie ryzyka kredytowego [w:] Modelowanie preferencji a ryzyko'05, Wydawnictwo AE w Katowicach, Katowice.
• Osiewalski J. [2007], Bayesowska statystyka i teoria decyzji w analizie ryzyka kredytu detalicznego |w:[ Finansowe warunkowania decyzji ekonomicznych, red. D. Fatuła, Wydawnictwo Krakowskiej Szkoły Wyższej w Krakowie, Kraków.
• Qu R, Qu Y. [2000], A Bayesian Approach to Finite Mixture Models in Bioassay via Data Augmentation and Gibbs Sampling and Its Application to Insecticide Resistance, "Biometrics", vol. 56.
• Roeder K., Wasserman L. [1997], Practical Bayesian Density Estimation Using Mixtures of Normals, "Journal of the American Statistical Association", vol. 92, nr 439.
• Rosenberg E., Gleit A. [1994], Quantitative Methods in Credit Management: A Survey, "Operations Research", vol. 42, nr 4.
• Staniec I. [2000], Badanie zdolności kredytowej przy użyciu sztucznych sieci, "Zeszyty Naukowe Politechniki Łódzkiej", Organizacja i Zarządzanie, z. 35, nr 876, Łódź.
• Staniec I., Witkowska D. [2002], Dychotomiczna klasyfikacja kredytobiorców przy użyciu wielowymiarowej analizy dyskryminacyjnej, Acta Universitatis Lodziensis, Folia Oeconomica 156, Łódź.
• Staniec I. [2005], Drzewa klasyfikacyjne w ocenie wiarygodności kredytobiorców, Taksonomia 12, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe AE we Wrocławiu, Wrocław.
• Staniec I., Szmit M. [2004], Ocena wiarygodności kredytobiorców przy użyciu sieci LTF-C, Zeszyty Naukowe Wydziału Mechanicznego, nr 35, Politechnika Koszalińska, Koszalin.
• Staniec I., Szmit M. [2004b], Sztuczne sieci neuronowe w ocenie wiarygodności kredytowej klienta, Zeszyty Naukowe Akademii Górniczo-Hutniczej w Krakowie, z. 3, t. 8, Kraków.
• Staniec I., Szmit M. [2005], Ocena wiarygodności kredytobiorców przy użyciu analizy dyskryminacyjnej oraz drzew klasyfikacyjnych. Zeszyty Naukowe Politechniki Łódzkiej, Organizacja i Zarządzanie, nr 40, Łódź.
• Stein R.M. [2005], The Relationship between Default Prediction and Lending Profits: Integrating ROC Analysis and Loan Pricing, "Journal of Banking and Finance", vol. 29.
• Szmit A., Szmit M., Kaniewski M. [2003|, Analiza ryzyka kredytowego na potrzeby pośrednika finansowego, Taksonomia 10, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe AE we Wrocławiu, Wrocław.
• Thomas L.C. [2000], A Survey of Credit and Behavioural Scoring: Forecasting Financial Risk of Lending to Consumers, "International Journal of Forecasting", vol. 16.
• Thomas L.C., Oliver R.W., Hand D.J. [2005], A Survey of the Issues in Consumer Credit Modelling Research, "The Journal of the Operational Research Society", vol. 56, nr 9.
• Titterington D.M., Smith A.F.M., Makov U.E. [1985], Statistical Analysis of Finite Mixture Distributions, John Wiley, New York.
• Tymoczko I., Pawłowska M. [2007], Uwarunkowania dostępności kredytu bankowego - analiza polskiego rynku, "Bank i Kredyt", nr 6.
• Uchwała nr 8/1999 Komisji Nadzoru Bankowego z dnia 22 grudnia 1999 r. w sprawie zasad tworzenia rezerw na ryzyko związane z działalnością banków, Dz. Urz. NBP, nr 26, poz. 43.
• Wędzki D. |2005|, Zastosowanie logitowego modelu upadłości przedsiębiorstw, "Ekonomista", nr 5.
• Witkowska D., Chrzanowska M. [2004], Wybrane metody klasyfikacji kredytobiorców: modele logitowe i sieci neuronowe [w:] Modelowanie preferencji a ryzyko'04, Wydawnictwo AE w Katowicach.
• Witkowska D., Chrzanowska M. [2006], Drzewa klasyfikacyjne jako metoda grupowania klientów banku [w:] Modelowanie preferencji a ryzyko'05, Wydawnictwo AE w Katowicach, Katowice.
• Witkowska D., Chrzanowska M. [2007], Drzewa klasyfikacyjne w rozpoznawaniu kredytobiorców [w:] Metody ilościowe w badaniach ekonomicznych VII, Wydawnictwo SGGW, Warszawa.