La regresión logística binaria como instrumento para la predicción del impago

Autores/as

Palabras clave:

probabilidad de impago, puntaje crediticio, regresión logística binaria, Trabajo por Cuenta Propia

Resumen

El objetivo de este artículo es el desarrollo de un modelo de predicción del impago del sector cuentapropista en el Banco Popular de Ahorro (BPA) de la provincia Santiago de Cuba. Se empleó el método de análisis y síntesis, y la regresión logística binaria (RLB) para el tratamiento de los datos. El análisis de las principales metodologías de clasificación de clientes empleadas en la actividad bancaria permitió identificar a la RLB como instrumento de pronóstico. Se consideró como variable dependiente el impago y como variables independientes la Capacidad de Pago, Historial Crediticio, Evaluación Cualitativa, Historial Tributario y Experiencia, lo que conllevó a estimar la probabilidad de impago de los nuevos solicitantes de financiamientos.

Citas

1. Aguayo, M. (2016, febrero 18). Fundación Andaluza Beturia para la investigación en salud. Retrieved from fabis.org
2. Aguayo, M., & Lora, E. (2016, febrero 22). Fundación Andaluza Beturia para la investigación en salud. Retrieved from fabis.org
3. Bangdiwala, S. (2018). Regression: binary logistic. International journal of injury control and safety promotion, 3(25), 336-338.
4. BCC. (2016). Instrucción número 4. Normas para el otorgamiento, control y recuperación de los financiamientos a los trabajadores por cuenta propia y personas naturales autorizadas a ejercer otras formas de gestión no estatal. La Habana: Banco Central de Cuba.
5. Chopra, A., & Bhilare, P. (2018). application of ensemble models in credit scoring models. Business Perspectives and Research, 2(6), 120-141.
6. Demma, C. (2017). Credit scoring and the quality of business credit during the crisis. Economic Notes: Review of Banking, Finance and Monetary Economics, 2(46), 269-306.
7. Diallo, B. (2006, septiembre 21). Un modele de “credit scoring” pour une institution de microfinance Africaine: le cas de Nyesigiso au Mali. Retrieved from Mali: Mimeo: https://halshs.archives-ouvertes.fr/halshs-00069163/document
8. Expósito, D., & Rodríguez, S. (2020). Perfeccionamiento de la evaluación del riesgo de crédito al segmento cuentapropista en el Banco Popular de Ahorro. In F. Borrás, Banca comercial cubana: propuestas de desarrollo (pp. 176-197). La Habana: Félix Varela.
9. Expósito, D., Díaz, J., & Rodríguez, S. (2018). Factores determinantes del riesgo de crédito en el Banco Popular de Ahorro. Anuario Facultad de Ciencias Económicas y Empresariales(Anuario Especial), 137-153.
10. Franco, M. (2010). Nuevo procedimiento para el análisis del riesgo de crédito en el Banco de Crédito y Comercio en Santiago de Cuba. Santiago de Cuba: Tesis Doctoral.
11. Leal, A., Aranguiz, M., & Gallegos, J. (2018). Credit risk analysis, credit scoring model proposal. Revista Facultad de Ciencias Económicas: Investigación y Reflexión, 1(26), 181-207.
12. Montalván, C. (2019). Credit scoring, aplicando técnicas de regresión logística y redes neuronales, para una cartera de microcrédito. Quito: Master's thesis, Universidad Andina Simón Bolívar.
13. Narváez, A. (2019). Variables determinantes de la probabilidad de incumplimiento de los créditos comerciales en una institución financiera del Ecuador, aproximación bajo el modelo de regresión logística binaria. Ambato: Master's thesis, Universidad Técnica de Ambato. Facultad de Contabilidad y Auditoría. Dirección de Posgrado.
14. Sharma, M., & Zeller, M. (1997). Repayment performance in group-based credit programs in Bangladesh: An empirical analysis. World Development, 10(25), 1731-1742.
15. Uanhoro, J., Wang, Y., & O’Connell, A. (2019). Problems With Using Odds Ratios as Effect Sizes in Binary Logistic Regression and Alternative Approaches. The Journal of Experimental Education,, 1-20.
16. Van Gool, J., Baesens, B., Sercu, P., & Verbeke, W. (2009). An Analysis of the Applicability of Credit Scoring for Microfinance. Orlando: Academic and Business Research Institute Conference.
17. Viganò, L. (1993). A credit-scoring model for development banks: An African case study. Savings and Development, 17(4), 441-482.
18. Vogelgesang, U. (2003). Microfinance in times of crisis: The effects of competition, rising indebtness, and economic crisis on repaymentbehaviour. World Development, 12(31), 2085-2114.
19. Xiao, R., Liu, Y., Huang, X., Shi, R., Yuw, & Zhang, T. (2018). Exploring the driving forces of farmland loss under rapidurbanization using binary logistic regression and spatial regression: A case study of Shanghai and Hangzhou Bay. Ecological Indicators, 95, 455-467.
20. Zeller, M. (1998). Determinants of repayment performance in credit groups: The role of program design, intragroup risk pooling, and social cohesion. Economic Development and Cultural Change, 3(46), 599-620.

Publicado

2020-11-30

Cómo citar

Expósito Martínez, D. (2020). La regresión logística binaria como instrumento para la predicción del impago. Anuario Facultad De Ciencias Económicas Y Empresariales, 175–191. Recuperado a partir de https://anuarioeco.uo.edu.cu/index.php/aeco/article/view/5163

Número

Sección

Número Especial