Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/12240
Files in This Item:
File Description SizeFormat 
isadoraconsolisilvalupchinski.pdfISADORA CONSOLI SILVA LUPCHINSKI2.1 MBAdobe PDFThumbnail
View/Open
Type: Trabalho de Conclusão de Curso
Title: Análise de classes latentes: classificação de perfis na concessão de crédito
Author: Lupchinski, Isadora Cônsoli Silva
First Advisor: Bastos, Ronaldo Rocha
Referee Member: Bastos, Ronaldo Rocha
Referee Member: Souza, Augusto Carvalho
Referee Member: Vieira, Marcel de Toledo
Resumo: A análise de concessão de crédito é um ramo da área financeira muito estudado e importante. Isso porque deixou de utilizar critérios meramente subjetivos como o julgamento humano, e passou a empregar técnicas estatísticas e computacionais mais rápidas, precisas e confiáveis. E como forma principal e preliminar para conceder o crédito, é necessário uma análise criteriosa do tipo de cliente que esse mais se enquadra, tal como adimplente ou inadimplente. Diante disso, a análise de classes latentes (LCA) surge como uma nova proposta para a avaliação do perfil dos clientes sujeitos a concessão do crédito bancário. Neste contexto, este trabalho objetivou apresentar quais variáveis determinam a conjectura das características dos bons e dos maus pagadores, através da LCA, como forma de ajudar as instituições credoras na tomada de decisão. Além disso, também foi alvo deste trabalho estudar técnicas e procedimentos sobre a análise de risco de crédito, bem como conhecer o banco de dados e analisar suas características de forma exploratória. Para tanto, foram utilizadas estatísticas descritivas, regressões logística simples, múltipla e o comando stepwise do R, com intuito de fazer uma pré-seleção das variáveis do LCA que, em seguida, foram utilizadas no pacote poLCA do mesmo software. A partir da análise de dados foi possível perceber, mesmo que com poucas variáveis manifestas, uma distinção entre duas classes latentes: os bons e os maus pagadores. No entanto, a partir desse trabalho sugere-se futuros estudos associados a outras metodologias, tais como: validação cruzada, análise discriminante e análise de cluster.
Abstract: Credit granting analysis is a very studied and important branch of finance. This is because it no longer uses purely subjective criteria such as human judgment, but employs faster, more accurate and reliable statistical and computational techniques. As a primary and preliminary way to grant credit, a careful analysis of the type of client (good and bad payers is necessary. Therefore, the latent class analysis (LCA) emerges as a new proposal for the evaluation of clients’ profile subject to the granting of bank credit. In this context, this paper aims to present which variables determine the conjecture of the characteristics of good and bad payers, through LCA, as a way of helping creditor institutions in decision-making. In addition, it was also the objective of this paper to study techniques and procedures on credit risk analysis, as well as to know the database and analyze its characteristics in an exploratory manner. For that, descriptive statistics, simple and multiple logistic regressions, and stepwise regression were used, in order to pre-select the LCA variables, which were then used in the poLCA package of the R software. From the analysis of data, it was possible to perceive a distinction between two latent classes, even with only a few observed variables: the good and the bad payers. However, this work suggests future studies associated with other methodologies, such as cross-validation, discriminant analysis and cluster analysis.
Keywords: análise classe latente
regressão logística
crédito
perfis de clientes
Latent Class Analysis
Logistic Regression
Credit
Customer Profiles
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Access Type: Acesso Aberto
Creative Commons License: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/12240
Issue Date: 6-Jul-2018
Appears in Collections:Estatística - TCC Graduação



This item is licensed under a Creative Commons License Creative Commons