Regressão Logística Geograficamente Ponderada na análise de risco de crédito

Abstract

O mercado brasileiro de crédito se popularizou nos últimos anos e com isso empresas buscam formas de aumentar a capacidade de previsão de seus modelos na hora de conceder crédito. Há diversas técnicas que são amplamente utilizadas pelo setor financeiro para a construção dos modelos de previsão, a mais usada é a Regressão Logística. Recentemente estudos mostraram que o uso da Regressão Logística Geograficamente Ponderada tem um desempenho melhor para prever o comportamento padrão de risco quando comparada com métodos de regressão não espacial. Sendo assim, este trabalho introduz o modelo de Regressão Logística Geograficamente Ponderada e compara com os resultados do modelo tradicional usado pelo mercado financeiro, a Regressão Logística. Com os objetivos de verificar se existe influência do espaço geográfico no risco de crédito de clientes de uma rede de farmácias e verificar se a técnica de Regressão Logística Geograficamente Ponderada tem maior capacidade de previsão que a Regressão Logística na avaliação de risco de crédito. Os modelos foram desenvolvidos com uma base de dados de treino de 2014 clientes, e foram avaliados em um conjunto de teste de 515 clientes. Os modelos foram analisados com base em quatro indicadores: percentual de acerto, área abaixo da curva ROC, critério de informação de Akaike e teste KS. Neste estudo a técnica de Regressão Logística Geograficamente Ponderada obteve resultados superiores a Regressão Logística no desenvolvimento de modelos de Credit Scoring. No entanto, os resultados de ambos os modelos foram bem próximos em termos de capacidade de previsão, mas o modelo de Regressão Logística Geograficamente Ponderada teve resultados pouco melhores em relação a Regressão Logística.

The Brazilian credit market has become more popular in recent years and as a result, companies are looking for ways to increase the predictive capacity of their models when lending credit. There are several techniques that are widely used by the financial sector to build predictive models, the most used is Logistic Regression. Recently studies have shown that the use of Geographically Weighted Logistic Regression performs better to predict the standard risk behavior when compared to non-spatial regression methods. Therefore, this work introduces the Geographically Weighted Logistic Regression model and compares it with the results of the traditional model used by the financial market, the Logistic Regression. The objectives are to verify whether there is an influence of the geographic space on the credit risk of customers of a pharmacy chain and to verify whether the Geographical Weighted Logistic Regression technique has greater predictive capacity than Logistic Regression in the assessment of credit risk. The models were developed based on a training set of 2014 clients, and they were evaluated in a validation set of 515 clients. The models were analyzed based on four indicators: hit percentage, area below the ROC curve, Akaike information criterion and KS test. In this study, the Geographical Weighted Logistic Regression technique obtained superior results when compared to Logistic Regression in the development of Credit Scoring models. However, the results of both models were very close in terms of predictive capacity, but the GeographicallyWeighted Logistic Regression model had slightly better results compared to Logistic Regression.