Look-up in Google Scholar
Full metadata record
Chue Gallardo, Jorge
Fernández Vásquez, Richard Fernando
2018-02-20T15:54:39Z
2018-02-20T15:54:39Z
2018-02-20T15:54:39Z
2018-02-20T15:54:39Z
2018
E13.F4755-T BAN UNALM
https://hdl.handle.net/20.500.12996/3093
Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística Aplicada (es_PE)
En la actualidad las entidades bancarias conviven con clientes que no cumplen con sus obligaciones crediticias y se exceden del plazo estipulado acordado con el banco, a estos clientes se les denomina clientes morosos, por tal motivo el objetivo del presente trabajo es determinar el modelo de regresión binaria bayesiano con enlace asimétrico más adecuado para clasificar a los clientes que incumplirán sus pagos de sus tarjetas de crédito según sus probabilidades de mora en la entidad bancaria UNIBANK y haciendo uso de las variables más significativas. Se realizó un análisis comparativo entre los modelos de regresión bayesiana con enlaces asimétricos cloglog, power logit y scobit, y se determinó que el modelo de regresión binaria bayesiano con enlace asimétrico cloglog fue el más adecuado para clasificar a los clientes que incumplen sus obligaciones crediticias con sus tarjetas de crédito en la entidad bancaria UNIBANK según su probabilidad de mora, pues este modelo presentó un valor mucho mayor de sensibilidad que los modelos power logit y scobit, siendo las diferencias 8.5% y 9.1%, respectivamente (es_PE)
At present the banking entities coexist with clients that do not fulfill their credit obligations and exceed the stipulated term agreed with the bank, these clients are called delinquent clients, for that reason the objective of the present work is to determine the regression model Bayesian binary with asymmetric link more suitable to classify customers who will default their payments on their credit cards according to their probability of default in the bank UNIBANK and making use of the most significant variables. A comparative analysis was performed between the bayesian regression models with asymmetric cloglog, power logit and scobit links, and it was determined that the bayesian binary regression model with asymmetric link cloglog was the most adequate to classify clients who breach their credit obligations with their credit cards in the bank UNIBANK according to their probability of default, since this model presented a much greater value of sensitivity than the models power logit and scobit, being the differences 8.5% and 9.1%, respectively (en_US)
Tesis (es_PE)
application/pdf (en_US)
spa (es_PE)
Universidad Nacional Agraria La Molina (es_PE)
info:eu-repo/semantics/openAccess (en_US)
https://creativecommons.org/licenses/by-nc-nd/4.0/ (*)
Repositorio institucional - UNALM (es_PE)
Universidad Nacional Agraria La Molina (es_PE)
Bancos (es_PE)
Consumidores (es_PE)
Préstamos (es_PE)
Crédito comercial (es_PE)
Riesgo (es_PE)
Modelos estadísticos (es_PE)
Métodos estadísticos (es_PE)
Evaluación (es_PE)
Perú (es_PE)
Clientes (es_PE)
Morosidad (es_PE)
Regresión bayesiana con enlaces asimétricos para la clasificación de clientes con propensión a caer en mora en una entidad bancaria (es_PE)
info:eu-repo/semantics/masterThesis (en_US)
Universidad Nacional Agraria La Molina. Escuela de Posgrado (es_PE)
Estadística Aplicada (es_PE)
Maestría (es_PE)
Magister Scientiae - Estadística Aplicada (es_PE)
https://purl.org/pe-repo/ocde/ford#4.05.00 (es_PE)
Pública



This item is licensed under a Creative Commons License Creative Commons