Mensuração do risco de crédito espacial e sua incorporação nos modelos de credit scoring
| dc.contributor.advisor | RINALDO ARTES | |
| dc.contributor.author | Fernandes, Guilherme Barreto | |
| dc.coverage.spatial | São Paulo | pt_BR |
| dc.creator | Fernandes, Guilherme Barreto | |
| dc.date.accessioned | 2021-09-13T03:15:24Z | |
| dc.date.accessioned | 2015-10-06T18:12:17Z | |
| dc.date.available | 2021-09-13T03:15:24Z | |
| dc.date.available | 2012 | |
| dc.date.available | 2015-10-06T18:12:17Z | |
| dc.date.issued | 2012 | |
| dc.date.submitted | 2012 | |
| dc.description.abstract | O modelo de Vasicek (2002) propõe que a probabilidade de inadimplência de uma empresa depende de suas características idiossincráticas e de um fator macroeconomico comum a todas as empresas. Entretanto, empresas de pequeno e médio porte são mais afetadas por um fator macroeconômico local. Apesar de não ser possível observar esse fator, seu efeito pode ser percebido através da análise espacial da inadimplência. Stine (2011) apresenta evidências sobre essa correlação espacial entre as taxas de inadimplência de condados nos Estados Unidos. No presente trabalho, propomos a hipótese que a estrutura de correlação espacial existe e não é a mesma para todas as regiões do estado de São Paulo. A estimativa para o fator de risco espacial é obtida através da krigagem ordinária (Matheron, 1963) da inadimplência. A base de dados utilizada contém cerca de 2,8 milhões de empresas paulistas e foi obtida junto à Serasa Experian. A importância do fator de risco espacial é verificada através de sua inclusão em modelos de credit scoring. A base de dados de um banco de médio porte foi utilizada nessa segunda hipótese e os métodos de regressão logística naive (Hosmer e Lemeshow, 2000) e regressão logística com erro de medida (Cook e Stefanski, 1994) foram aplicados. Dentre os principais resultados encontrados, a estrutura de correlação espacial difere entre três regiões paulistas: 1) grande São Paulo, 2) interior paulista e 3) Vale do Paraíba e litoral. Outro resultado importante é a confirmação da relevância do fator de risco espacial nos modelos de credit scoring, já que a inserção desse como covariável representa um aumento de cerca de 8 p.p. de KS para o caso apresentado. Por fim, a utilização do modelo com erro de medida não apresentou grande diferença em termos de desempenho ou efeito estimado. | pt_BR |
| dc.description.other | The model proposed by Vasicek (2002) associates the default probability of a firm with its idiosyncratic characteristics and a macroeconomic common factor. However, small and middle companies are rather susceptible to a local macroeconomic factor. Although it is not possible to directly observe the factor, its effect is seen through a spatial analysis of the delinquency. Stine (2011) presents evidence on the spatial correlation between default rates by county in US. In this work, we propose the hypothesis of a complex structure of the spatial correlation that varies through different regions in the State of São Paulo. The estimate of the spatial risk factor is obtained by ordinary kriging (Matheron, 1963) of deliquency. The data utilized contains 2.8 million firms from the State of São Paulo and it was provided by Serasa Experian. The importance of the spatial risk factor is tested by its inclusion into credit scoring models. Here the dataset from a middle bank was used to test this second hypothesis and the methods of naïve logistic regression (Hosmer e Lemeshow, 2000) and logistic regression with error-in-variables (Cook e Stefanski, 1994) were applied. Among the main results found, the structure of the spatial correlation varies between three regions in the State of São Paulo: 1) countryside, 2) metropolitan area of São Paulo and 3) coast side and Paraíba Valley. Another important result is the confirmation of spatial risk factor’s importance in the credit scoring models. Its inclusion drives to a 8 p.p. increase in the KS statistic of the model. At last, we found the use of the naïve logistic regression or the logistic regression with error-in-variable results in no differences concerning to model’s performance or estimated effects. | pt_BR |
| dc.format.extent | 70 p. | pt_BR |
| dc.identifier.uri | https://repositorio.insper.edu.br/handle/11224/862 | |
| dc.language.iso | Português | pt_BR |
| dc.rights.uri | TODOS OS DOCUMENTOS DESSA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM | pt_BR |
| dc.subject | Correlação espacial | pt_BR |
| dc.subject | Risco de crédito empresas | pt_BR |
| dc.subject | Krigagem | pt_BR |
| dc.subject | Credit Scoring | pt_BR |
| dc.subject | Regressão logística | pt_BR |
| dc.subject | Regressão logística com erro nas variáveis | pt_BR |
| dc.subject | Spatial correlation | pt_BR |
| dc.subject | Companies credit risk | pt_BR |
| dc.subject | Kriging | pt_BR |
| dc.subject | Credit Scoring | pt_BR |
| dc.subject | Logistic regression | pt_BR |
| dc.subject | Logistic regression with measurement error | pt_BR |
| dc.title | Mensuração do risco de crédito espacial e sua incorporação nos modelos de credit scoring | pt_BR |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| local.contributor.boardmember | Alencar, Airlane Pereira | |
| local.contributor.boardmember | ANDREA MARIA ACCIOLY FONSECA MINARDI | |
| local.type | Dissertação | pt_BR |
| relation.isAdvisorOfPublication | 8b791c94-f3e5-4e04-af26-594195a8f576 | |
| relation.isAdvisorOfPublication.latestForDiscovery | 8b791c94-f3e5-4e04-af26-594195a8f576 | |
| relation.isBoardMemberOfPublication | 4f89a841-117c-473d-8798-96eb2d9ce1cf | |
| relation.isBoardMemberOfPublication.latestForDiscovery | 4f89a841-117c-473d-8798-96eb2d9ce1cf |