Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Discriminazione logistica per la valutazione del rischio di credito

L'anteprima di questa tesi è scaricabile in PDF gratuitamente.
Per scaricare il file PDF è necessario essere iscritto a Tesionline.
L'iscrizione non comporta alcun costo. Mostra/Nascondi contenuto.

Capitolo 1. Modelli Statistici ed Economici per il Credit Scoring Se il passato deve essere rappresentativo del futuro ‘e importante, allora, mo- nitorare le variabili che possono in uenzare la rappresentativit‘a del campione. Ne sono un esempio le politiche di credito che si focalizzano esclusivamente su una speci ca clientela che soddisfa determinati criteri o i cambiamenti nelle con- dizioni economiche. Quando si seleziona il campione dalla popolazione si assume che tutte queste variabili esogene del modello rimangano costanti per un periodo di tempo t;‘e essenziale, allora, che non varino per non causare la distorsione del data set. Un altra ipotesi importante af nch‘e il campione sia rappresentativo della po- polazione ‘e che sia estratto secondo un disegno casuale. Questo signi ca evitare le in uenze che possono derivare dalle politiche di credito precedenti. Un cam- pione non casuale, che sovrastima o sottostima la popolazione, ‘e un campione distorto, che non consente di fare corretta inferenza: non permette, cio‘e di utiliz- zare le informazioni che si hanno sul data set per giungere alla conoscenza della popolazione che verosimilmente li ha generati. La distorsione del campione ‘e legata ad altre cause: la prima riguarda i pro- blemi di reject inference, la seconda, invece, le decisioni di overriding. Si tratta di due questioni molto importanti perci‘o i prossimi paragra saranno dedicati a questi argomenti. 1.3.1 Reject Inference Il data set utilizzato per costruire la score card dovrebbe essere un campione casuale e rappresentativo della popolazione. In realt‘a questo non si veri ca quasi mai. L azienda, la banca o gli altri intermediari nanziari, di solito, hanno a dispo- sizione i dati dettagliati dei clienti a cui hanno gi‘a concesso il credito in passato. Dei clienti a cui ‘e stato ri utato possiedono solo i dati del modulo di richiesta. 12

Anteprima della Tesi di Annalisa Aiello

Anteprima della tesi: Discriminazione logistica per la valutazione del rischio di credito, Pagina 12

Tesi di Laurea

Facoltà: Economia

Autore: Annalisa Aiello Contatta »

Composta da 173 pagine.

 

Questa tesi ha raggiunto 2992 click dal 20/03/2004.

 

Consultata integralmente 18 volte.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.