- Tytuł:
-
Kwalifikacja wniosków kredytowych – porównanie regresji oraz sieci neuronowej
Evaluation of loan applications – a comparison of regressions and neural networks - Autorzy:
- Gajda, Jan B.
- Powiązania:
- https://bibliotekanauki.pl/articles/589042.pdf
- Data publikacji:
- 2018
- Wydawca:
- Uniwersytet Ekonomiczny w Katowicach
- Tematy:
-
Klasyfikacja wniosków kredytowych
Regresja
Sieci neuronowe
Classification of loan applications
Neural network
Regression - Opis:
-
W pracy badamy decyzje udzielenia bądź odmowy udzielenia kredytu
konsumpcyjnego przeznaczonego na zakup samochodu osobowego na przykładzie próby
ok. 200 klientów pewnego banku. Analiza sprowadza się do porównania instrumentów
wspomagających podejmowanie decyzji – funkcji regresji oraz sieci neuronowej. Banki
bądź przyznają kredyty (zmienna wyjściowa przybiera wartość 1), bądź ich odmawiają
(na wyjściu pojawia się 0) na podstawie informacji o kliencie (tworzącej zbiór zmiennych
wejściowych) zawartej w wypełnianym przez niego kwestionariuszu. Ze względu
na obowiązek zachowania tajemnicy banki strzegą danych klientów, stąd rzadkość badań
wykorzystujących informacje pochodzące z autentycznych wniosków kredytowych.
Sieci neuronowe mogą okazać się przydatne do wstępnego rozpoznania istnienia
bądź braku powiązań pomiędzy zmiennymi wejściowymi a wyjściowymi. Jeśli dopasowanie
sieci jest wyraźnie lepsze od dopasowania liniowego równania regresji – sugeruje
to nieliniowy charakter związku pomiędzy tymi zmiennymi. W naszym przykładzie
użyteczność włączenia logarytmu zmiennej staż zdaje się wskazywać na przewagę sieci
neuronowej. Jednakże – w odróżnieniu od regresji – sieci neuronowe nie dają szans
rozróżnienia zmiennych wejściowych mających istotny wpływ na zmienne wyjściowe
od niemających takiego wpływu. Pozostawia to pole do dyskusji na temat podobieństw
i różnic w zakresach stosowalności sieci oraz modeli ekonometrycznych.
The paper analyses bank’s decisions to accept or reject applications for loan. We compare suggestions given on one hand side by regressions, on the other hand by neural networks, both based on input variables presented in applications and binary output variables (1 if the application is accepted, 0 if the application has been rejected). Banks usually keep their clients data secret, thus our empirical information is based on applications of only 200 clients. Neural networks, working as a data mining instrument, may help to identify relationships between input and output variables, linear or nonlinear ones. If the fit of a network is better than the fit of a regression, both based on the same data set, one may conclude that the relation has nonlinear character. In our work the fact, that regression’s fit improved when a nonlinear variable ln_stage was included as an explanatory one supports such interpretation. On the other hand neural networks – as opposed to regression – are not capable to differentiate between input variables influencing the output significantly from variables with non-significant influence. This gives a room for discussion on similarities and differences of application neural networks and regressions. - Źródło:
-
Studia Ekonomiczne; 2018, 364; 58-71
2083-8611 - Pojawia się w:
- Studia Ekonomiczne
- Dostawca treści:
- Biblioteka Nauki
Artykuł