Nieparametryczne metody dyskryminacji w analizie ryzyka kredytowego

• Autorzy: Małgorzata Misztal
• Języki publikacji: PL

Abstrakty

Celem analizy zdolności kredytowej klienta jest przede wszystkim ochrona banku przed staraniami wynikającymi z braku ściągalności udzielonych kredytów. Interesuje nas konstrukcja pewnej reguły decyzyjnej, pozwalającej na klasyfikację kredytobiorców do jednej z dwóch wyodrębnionych klas: (1) - kredyty spłacone, (2) - kredyty windykowane. W pracy „Nieparametryczne metody dyskryminacji w analizie ryzyka kredytowego” (M. Misztal) przedstawiono wyniki klasyfikacji kredytobiorców uzyskane za pomocą nieparametrycznych metod dyskryminacji, do których zaliczyć można między innymi metody minimalnoodległościowe oraz metody rekurencyjnego podziału, których graficzną prezentacją jest drzewo klasyfikacyjne. (abstrakt oryginalny)

Słowa kluczowe

PL

Analiza ryzyka kredytowego; Zdolność kredytowa; Analiza dyskryminacyjna; Estymacja nieparametryczna

EN

Credit risk analysis; Credit capacity; Discriminant analysis; Nonparametric estimation

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2003
• Tom: Modelowanie preferencji a ryzyko '03
• Strony: 401--416

Twórcy

autor

Małgorzata Misztal

• Uniwersytet Łódzki

Bibliografia

• Breiman L., Friedman J., Olshen R., Stone C. (1984). Classification and Regression Trees. CRC Press, London.
• Cuadras C.M. (1989). Distance Analysis in Discrimination and Classification Using Both Continuous and Categorical Variables. [w:] Statistical Data Analysis and Inference. Ed. Dodge. Elsevier Science Publishers B.V., North Holland, 459-473.
• Ćwiklińska-Jurkowska M., Ćwikliński P. (1997). Metoda dyskryminacji Cuadrasa dla zmiennych mieszanych oparta na odległościach a inne metody dyskryminacji. XXVII Colloqium Biometryczne, Materiały konferencyjne, 74-81.
• Domański Cz., Pruska K. (2000). Nieklasyczne metody statystyczne. PWE, Warszawa.
• Duch W. (1998). A Framework for Similarity-Based Classification Methods. Proceedings of the Workshop on 7th Conference on Intelligent Information Systems, Malbork, 288-291.
• Duch W., Grudziński K. (1999). The Weighted k-NN with Selection of Features and Its Neural Realisation, http://www.phys.uni.torun.pl
• Gatnar E. (1998). Symboliczne metody klasyfikacji danych. PWN, Warszawa.
• Gatnar E. (2001). Nieparametryczna metoda dyskryminacji i regresji. PWN, Warszawa.
• Kim H., Loh W.-Y. (2001). Classification Trees With Unbiased Multiway Splits. Journal of the American Statistical Association, 96, 598-604.
• Krzyśko M. (1990). Analiza dyskryminacyjna. WNT, Warszawa.
• Kurzyński M. (1997). Rozpoznawanie obiektów. Metody statystyczne. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Loh W.-Y., Shih Y.-S. (1997). Split Selection Methods for Classification Trees. Statistica Sinica, 7, 815-840.
• Seber G.A.F. (1984). Multivariate Observations. Wiley, New York.
• Tadeusiewicz R., Flasiński M. (1991). Rozpoznawanie obrazów. PWN, Warszawa.
• Walesiak M. (1996). Metody analizy danych marketingowych. PWN, Warszawa.
• Walesiak M. (2002). Uogólniona miara odległości w statystycznej analizie wielowymiarowej. Akademia Ekonomiczna, Wrocław.