Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa

Descripción del Articulo

Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística Aplicada
Detalles Bibliográficos
Autor: Valdivia Carbajal, Manuel
Formato: tesis de maestría
Fecha de Publicación:2019
Institución:Universidad Nacional Agraria La Molina
Repositorio:UNALM-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.lamolina.edu.pe:20.500.12996/4206
Enlace del recurso:https://hdl.handle.net/20.500.12996/4206
Nivel de acceso:acceso abierto
Materia:Estadística
https://purl.org/pe-repo/ocde/ford#4.05.00
id UNAL_8467c795b86f3efd93f3ef077f5ae0f2
oai_identifier_str oai:repositorio.lamolina.edu.pe:20.500.12996/4206
network_acronym_str UNAL
network_name_str UNALM-Institucional
repository_id_str 3039
dc.title.es_PE.fl_str_mv Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
title Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
spellingShingle Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
Valdivia Carbajal, Manuel
Estadística
https://purl.org/pe-repo/ocde/ford#4.05.00
title_short Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
title_full Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
title_fullStr Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
title_full_unstemmed Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
title_sort Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
author Valdivia Carbajal, Manuel
author_facet Valdivia Carbajal, Manuel
author_role author
dc.contributor.advisor.fl_str_mv Chue Gallardo, Jorge
dc.contributor.author.fl_str_mv Valdivia Carbajal, Manuel
dc.subject.es_PE.fl_str_mv Estadística
topic Estadística
https://purl.org/pe-repo/ocde/ford#4.05.00
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#4.05.00
description Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística Aplicada
publishDate 2019
dc.date.accessioned.none.fl_str_mv 2019-11-25T19:21:21Z
dc.date.available.none.fl_str_mv 2019-11-25T19:21:21Z
dc.date.issued.fl_str_mv 2019
dc.type.en_US.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.other.none.fl_str_mv E13.V146-T BAN UNALM
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12996/4206
identifier_str_mv E13.V146-T BAN UNALM
url https://hdl.handle.net/20.500.12996/4206
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.en_US.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.en_US.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional Agraria La Molina
dc.source.es_PE.fl_str_mv Universidad Nacional Agraria La Molina
Repositorio institucional - UNALM
dc.source.none.fl_str_mv reponame:UNALM-Institucional
instname:Universidad Nacional Agraria La Molina
instacron:UNALM
instname_str Universidad Nacional Agraria La Molina
instacron_str UNALM
institution UNALM
reponame_str UNALM-Institucional
collection UNALM-Institucional
bitstream.url.fl_str_mv https://repositorio.lamolina.edu.pe/bitstreams/b8a740ff-f0a5-498c-9ba9-ebd275051894/download
https://repositorio.lamolina.edu.pe/bitstreams/778674dd-444e-4bff-bcd5-e671c26458fb/download
https://repositorio.lamolina.edu.pe/bitstreams/bda791ed-fa25-41eb-b7c8-c3e61059cd60/download
https://repositorio.lamolina.edu.pe/bitstreams/d344a16a-ba0a-4ac0-9ea4-5ff0f8e1f346/download
bitstream.checksum.fl_str_mv 795df5da3dd830b35e1af7c4b08de14c
ecd4d71e2769da3ee5dac877db3f35de
85e652b8dfa19b82485c505314e0a902
cb83cd556f8355a28d9b108ea6b389b8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Nacional Agraria La Molina
repository.mail.fl_str_mv dspace@lamolina.edu.pe
_version_ 1853952345439731712
spelling Chue Gallardo, Jorge3cac50cd-361c-4005-8e96-f7173e7197e2Valdivia Carbajal, Manuel2019-11-25T19:21:21Z2019-11-25T19:21:21Z2019E13.V146-T BAN UNALMhttps://hdl.handle.net/20.500.12996/4206Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística AplicadaEsta tesis toma como caso de estudio a una empresa de cosméticos reconocida de la ciudad de Lima, Perú. Para pronosticar el riesgo de crédito se analizaron dos modelos: la Regresión Binaria Asimétrica Cloglog y las Redes Neuronales Artificiales Perceptrón Multicapa. La selección de estos modelos surge a raíz de recientes estudios que revelan las ventajas de las técnicas de inteligencia artificial sobre los modelos estadísticos en cuanto a predicción por su alta capacidad de discernimiento de patrones. “La empresa” cuenta con un modelo de negocio llamado Red Binaria, esto quiere decir que se contrata vendedoras y éstas ofrecen productos a sus clientes a través de catálogos. Debido a que no se cuenta con información de los clientes finales, se midió la probabilidad de no pago a través de las vendedoras. La población de estudio estuvo conformada por las vendedoras de la empresa las cuales manejan una cartera de clientes de 51183 personas a julio del 2017. Los datos se trataron previamente considerando el análisis de valores atípicos a nivel univariado y multivariado, este último mediante el algoritmo de segmentación K-means. Concluido ello para realizar la clasificación de vendedoras en buenas y malas pagadoras se utilizó un modelo de Redes Neuronales Artificiales Perceptrón Multicapa con una sola capa intermedia y un modelo de regresión Binaria sobre el cual se eligió el enlace asimétrico Cloglog debido a la naturaleza de los datos. Los resultados mostraron un 0.846 y 0.809 de índice ROC en las muestras de entrenamiento, y un 0.762 y 0.733 de índice ROC en las muestras de testeo respectivamente para cada modelo. Finalmente, se concluye que la aplicación de la técnica de Redes Neuronales Perceptrón Multicapa define una mejor regla de discriminación que la Regresión Binaria Asimétrica Cloglog en el estudio de probabilidad de impago. Además, las Redes Neuronales presentan mejores indicadores de pronóstico.This thesis takes as a case of study a recognized cosmetics company from the City of Lima in Peru. To predict the credit risk, two models will be analyzed: The Cloglog Asymmetric Binary Regression and the Perceptron Multilayer Artificial Neural Networks. The selection of these models arises from recent studies that reveal the advantages of artificial intelligence techniques over statistical models in terms of prediction due to their high ability to discern patterns. The company has a business model called Red Binaria, which means that they hire sellers and they offer products to their clients through catalogs. Due to the lack of information from the final customers, the probability of nonpayment was measured through the vendors. The population studied was made up of the company's salespeople, who handled a client portfolio of 51,183 people as of July 2017. The data were previously treated considering the analysis of atypical values at the univariate and multivariate level, the latter using the K-means segmentation algorithm. Once this was done to classify sellers into good and bad payers, a Perceptron Multilayer Artificial Neural Networks model was used with a single intermediate layer and a Binary regression model on which the asymmetric link Cloglog was chosen due to the nature of the data. The results showed a 0.846 and 0.809 ROC index in the training samples, and a 0.762 and 0.733 ROC index in the test samples respectively for each model. Finally, it is concluded that the application of the Percptron Multilayer Neural Networks technique defines a better discrimination rule than the Cloglog Asymmetric Binary Regression in the probability of default study. In addition, Neural Networks present better prognostic indicators. For future research it is recommended to build new variables, because these could have a better predictive capacity.Tesisapplication/pdfspaUniversidad Nacional Agraria La Molinainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional Agraria La MolinaRepositorio institucional - UNALMreponame:UNALM-Institucionalinstname:Universidad Nacional Agraria La Molinainstacron:UNALMEstadísticahttps://purl.org/pe-repo/ocde/ford#4.05.00Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapainfo:eu-repo/semantics/masterThesisSUNEDUEstadística AplicadaUniversidad Nacional Agraria La Molina. Escuela de PosgradoMagister Scientiae - Estadística AplicadaMaestríaTEXTvaldivia-carbajal-manuel.pdf.txtvaldivia-carbajal-manuel.pdf.txtExtracted texttext/plain109677https://repositorio.lamolina.edu.pe/bitstreams/b8a740ff-f0a5-498c-9ba9-ebd275051894/download795df5da3dd830b35e1af7c4b08de14cMD53THUMBNAILvaldivia-carbajal-manuel.pdf.jpgvaldivia-carbajal-manuel.pdf.jpgGenerated Thumbnailimage/jpeg3351https://repositorio.lamolina.edu.pe/bitstreams/778674dd-444e-4bff-bcd5-e671c26458fb/downloadecd4d71e2769da3ee5dac877db3f35deMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81683https://repositorio.lamolina.edu.pe/bitstreams/bda791ed-fa25-41eb-b7c8-c3e61059cd60/download85e652b8dfa19b82485c505314e0a902MD52ORIGINALvaldivia-carbajal-manuel.pdfvaldivia-carbajal-manuel.pdfTexto completoapplication/pdf1609137https://repositorio.lamolina.edu.pe/bitstreams/d344a16a-ba0a-4ac0-9ea4-5ff0f8e1f346/downloadcb83cd556f8355a28d9b108ea6b389b8MD5120.500.12996/4206oai:repositorio.lamolina.edu.pe:20.500.12996/42062023-10-17 12:13:54.75https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.lamolina.edu.peRepositorio Universidad Nacional Agraria La Molinadspace@lamolina.edu.peTGljZW5jaWEgZGUgVXNvCiAKTGEgVW5pdmVyc2lkYWQgTmFjaW9uYWwgQWdyYXJpYSBMYSBNb2xpbmEgKFVOQUxNKSwgZGlmdW5kZSBtZWRpYW50ZSBzdSAKcmVwb3NpdG9yaW8gbG9zIHRyYWJham9zIGRlIGludmVzdGlnYWNpw7NuIHByb2R1Y2lkb3MgcG9yIGxvcyBtaWVtYnJvcyBkZSBsYSAKdW5pdmVyc2lkYWQuIEVsIGNvbnRlbmlkbyBkZSBsb3MgZG9jdW1lbnRvcyBkaWdpdGFsZXMgZXMgZGUgYWNjZXNvIGFiaWVydG8gCnBhcmEgdG9kYSBwZXJzb25hIGludGVyZXNhZGEuCgpTZSBhY2VwdGEgbGEgZGlmdXNpw7NuIHDDumJsaWNhIGRlIGxhIG9icmEsIHN1IGNvcGlhIHkgZGlzdHJpYnVjacOzbi4gUGFyYSBlc3RvIAplcyBuZWNlc2FyaW8gcXVlIHNlIGN1bXBsYSBjb24gbGFzIHNpZ3VpZW50ZXMgY29uZGljaW9uZXM6CgpFbCBuZWNlc2FyaW8gcmVjb25vY2ltaWVudG8gZGUgbGEgYXV0b3LDrWEgZGUgbGEgb2JyYSwgaWRlbnRpZmljYW5kbyBvcG9ydHVuYSB5CmNvcnJlY3RhbWVudGUgYSBsYSBwZXJzb25hIHF1ZSBwb3NlYSBsb3MgZGVyZWNob3MgZGUgYXV0b3IuCgpObyBlc3TDoSBwZXJtaXRpZG8gZWwgdXNvIGluZGViaWRvIGRlbCB0cmFiYWpvIGRlIGludmVzdGlnYWNpw7NuIGNvbiBmaW5lcyBkZSAKbHVjcm8gbyBjdWFscXVpZXIgdGlwbyBkZSBhY3RpdmlkYWQgcXVlIHByb2R1emNhIGdhbmFuY2lhcyBhIGxhcyBwZXJzb25hcyBxdWUgCmxvIGRpZnVuZGVuIHNpbiBlbCBjb25zZW50aW1pZW50byBkZWwgYXV0b3IgKGF1dG9yIGxlZ2FsKS4KCkxvcyB0cmFiYWpvcyBxdWUgc2UgcHJvZHV6Y2FuLCBhIHBhcnRpciBkZSBsYSBvYnJhLCBkZWJlbiBwb3NlZXIgbGEgY2l0YWNpw7NuIApwZXJ0aW5lbnRlIHRhbCBjb21vIGxvIGluZGljYW4gbGFzIE5vcm1hcyBUw6ljbmljYXMgZGVsIElJQ0EgeSBDQVRJRSBkZSAKUmVkYWNjacOzbiBkZSBSZWZlcmVuY2lhcyBCaWJsaW9ncsOhZmljYXMuIENhc28gY29udHJhcmlvLCBzZSBpbmN1cnJpcsOhIGVuIGxhIApmaWd1cmEganVyw61kaWNhIGRlbCBwbGFnaW8uCgpMb3MgZGVyZWNob3MgbW9yYWxlcyBkZWwgYXV0b3Igbm8gc29uIGFmZWN0YWRvcyBwb3IgbGEgcHJlc2VudGUgbGljZW5jaWEgZGUgdXNvLgoKRGVyZWNob3MgZGUgYXV0b3IKCkxhIFVOQUxNIG5vIHBvc2VlIGxvcyBkZXJlY2hvcyBkZSBwcm9waWVkYWQgaW50ZWxlY3R1YWwuIExvcyBkZXJlY2hvcyBkZSBhdXRvciAKc2UgZW5jdWVudHJhbiBwcm90ZWdpZG9zIHBvciBsYSBsZWdpc2xhY2nDs24gcGVydWFuYTogTGV5IHNvYnJlIGVsIERlcmVjaG8gZGUgCkF1dG9yIHByb211bGdhZG8gZW4gMTk5NiAoRC5MLiBOwrA4MjIpLCBMZXkgcXVlIG1vZGlmaWNhIGxvcyBhcnTDrWN1bG9zIDE4OMKwIHkgCjE4OcKwIGRlbCBkZWNyZXRvIGxlZ2lzbGF0aXZvIE7CsDgyMiwgTGV5IHNvYnJlIGRlcmVjaG9zIGRlIGF1dG9yIHByb211bGdhZG8gZW4gCjIwMDUgKExleSBOwrAyODUxNyksIERlY3JldG8gTGVnaXNsYXRpdm8gcXVlIGFwcnVlYmEgbGEgbW9kaWZpY2FjacOzbiBkZWwgCkRlY3JldG8gTGVnaXNsYXRpdm8gTsKwODIyLCBMZXkgc29icmUgZWwgRGVyZWNobyBkZSBBdXRvciBwcm9tdWxnYWRvIGVuIDIwMDggCihELkwuIE7CsDEwNzYpLgoKT2JzZXJ2YWNpb25lczoKCkluc2NyaWJpcnNlIGVuIENyZWF0aXZlIENvbW1vbnMgQkFOCiAK
score 12.617441
Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares