Show simple item record

dc.creatorLopes, Neilson Soarespt_BR
dc.date.accessioned2016-03-15T19:25:35Z
dc.date.accessioned2020-05-28T18:03:45Z
dc.date.available2011-11-12pt_BR
dc.date.available2020-05-28T18:03:45Z
dc.date.issued2011-08-08pt_BR
dc.identifier.urihttp://dspace.mackenzie.br/handle/10899/23357
dc.description.abstractThis study applied the techniques of traditional parametric discriminant analysis and logistic regression analysis of credit real estate financing transactions where borrowers may or may not have a payroll loan transaction. It was the hit rate compared these methods with the non-parametric techniques based on classification trees, and the methods of meta-learning bagging and boosting that combine classifiers for improved accuracy in the algorithms.In a context of high housing deficit, especially in Brazil, the financing of real estate can still be very encouraged. The impacts of sustainable growth in the mortgage not only bring economic benefits and social. The house is, for most individuals, the largest source of expenditure and the most valuable asset that will have during her lifetime.At the end of the study concluded that the computational techniques of decision trees are more effective for the prediction of payers (94.2% correct), followed by bagging (80.7%) and boosting (or arcing , 75.2%). For the prediction of bad debtors in mortgages, the techniques of logistic regression and discriminant analysis showed the worst results (74.6% and 70.7%, respectively). For the good payers, the decision tree also showed the best predictive power (75.8%), followed by discriminant analysis (75.3%) and boosting (72.9%). For the good paying mortgages, bagging and logistic regression showed the worst results (72.1% and 71.7%, respectively). Logistic regression shows that for a borrower with payroll loans, the chance to be a bad credit is 2.19 higher than if the borrower does not have such type of loan.The presence of credit between the payroll operations of mortgage borrowers also has relevance in the discriminant analysis.eng
dc.description.sponsorshipFundo Mackenzie de Pesquisapt_BR
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Presbiteriana Mackenziepor
dc.rightsAcesso Abertopor
dc.subjectrisco de créditopor
dc.subjectanálise discriminantepor
dc.subjectregressão logísticapor
dc.subjectbaggingpor
dc.subjectboostingpor
dc.subjectarcingpor
dc.subjectfinanciamento imobiliáriopor
dc.subjectcredit riskeng
dc.subjectdiscriminant analisyseng
dc.subjectlogistic regressioneng
dc.subjectbaggingeng
dc.subjectboostingeng
dc.subjectarcingeng
dc.subjectreal estate financingeng
dc.titleModelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boostingpor
dc.typeDissertaçãopor
dc.publisher.departmentAdministraçãopor
dc.publisher.programAdministração de Empresaspor
dc.publisher.initialsUPMpor
dc.publisher.countryBRpor
dc.subject.cnpqCNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAOpor
dc.description.resumoNeste estudo foram aplicadas as técnicas paramétricas tradicionais de análise discriminante e regressão logística para análise de crédito de operações de financiamento imobiliário. Foi comparada a taxa de acertos destes métodos com as técnicas não-paramétricas baseadas em árvores de classificação, além dos métodos de meta-aprendizagem BAGGING e BOOSTING, que combinam classificadores para obter uma melhor precisão nos algoritmos.Em um contexto de alto déficit de moradias, em especial no caso brasileiro, o financiamento de imóveis ainda pode ser bastante fomentado. Os impactos de um crescimento sustentável no crédito imobiliário trazem benefícios não só econômicos como sociais. A moradia é, para grande parte dos indivíduos, a maior fonte de despesas e o ativo mais valioso que terão durante sua vida. Ao final do estudo, concluiu-se que as técnicas computacionais de árvores de decisão se mostram mais efetivas para a predição de maus pagadores (94,2% de acerto), seguida do BAGGING (80,7%) e do BOOSTING (ou ARCING, 75,2%). Para a predição de maus pagadores em financiamentos imobiliários, as técnicas de regressão logística e análise discriminante apresentaram os piores resultados (74,6% e 70,7%, respectivamente). Para os bons pagadores, a árvore de decisão também apresentou o melhor poder preditivo (75,8%), seguida da análise discriminante (75,3%) e do BOOSTING (72,9%). Para os bons pagadores de financiamentos imobiliários, BAGGING e regressão logística apresentaram os piores resultados (72,1% e 71,7%, respectivamente).A regressão logística mostra que, para um tomador com crédito consignado, a chance se ser um mau pagador é 2,19 maior do que se este tomador não tivesse tal modalidade de empréstimo. A presença de crédito consignado entre as operações dos tomadores de financiamento imobiliário também apresenta relevância na análise discriminante.por
dc.creator.Latteshttp://lattes.cnpq.br/0974082011403816por
dc.contributor.advisor1Kimura, Herbertpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2048706172366367por
dc.contributor.referee1Basso, Leonardo Fernando Cruzpt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1866154361601651por
dc.contributor.referee2Kayo, Eduardo Kazuopt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6629229841222438por
dc.thumbnail.urlhttp://tede.mackenzie.br/jspui/retrieve/2924/Neilson%20Soares%20Lopes.pdf.jpg*
dc.bitstream.urlhttp://tede.mackenzie.br/jspui/bitstream/tede/527/1/Neilson%20Soares%20Lopes.pdf


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record