Modelo de regresión logística binario en r para identificar factores de riesgo de morosidad de una empresa financiera de Chiclayo

Abstract

El objetivo general fue el de construir un modelo de regresión logística binario para identificar los factores de riesgo de morosidad en una Empresa financiera de Chiclayo en el periodo de julio a octubre del 2023. Este diseño fue observacional, explicativo, retrospectivo y la muestra de estudio no probabilística estuvo constituida por 413 clientes en la Empresa financiera en estudio. El instrumento para la recolección de los datos contuvo las características o factores que fueron consideradas de riesgo en los clientes de la financiera, y que se eligieron como de riesgo crediticio, estimando su riesgo probabilístico de poseer la condición de moroso en por lo menos dos cuotas consecutivas. Las variables de riesgo de morosidad fueron sexo del cliente, ocupación, número de hijos y sentencia por omisión a la asistencia familiar, cuyo modelo de Regresión Logística binario con buena bondad de ajuste fue p = 1 1+ e−A , donde A es A = -1.571+ 0.804 (número de hijos) – 1.784 (sexo) + 5.01 (Ocupación Policía) + 4.335 (ocupación Abogado) + 3.619 (ocupación Docente) + 3.37 (ocupación dependiente) + 1.274 (ocupación independiente), con una precisión del 81.15%, una especificidad del 85.25%, sensibilidad del 77.05% y probabilidad bajo la curva COR del 89.1%; con lo que indicaron que el modelo es bueno para predecir la morosidad en los clientes.

The general objective was to build a binary logistic regression model to identify the risk factors for delinquency in a financial company in Chiclayo in the period from July to October 2023. This design was observational, explanatory, retrospective and the non-probabilistic study sample consisted of 413 clients in the financial company under study. The instrument for data collection contained the characteristics or factors that were considered risky in the financial company's clients, and that were chosen as credit risk, estimating their probabilistic risk of being delinquent in at least two installments. consecutive. The default risk variables were client's sex, occupation, number of children and sentence for omission of family assistance, whose binary Logistic Regression model with good goodness of fit was p = 1 1+ e−A , where A is A = -1.571 + 0.804 (number of children) – 1.784 (sex) + 5.01 (Police Occupation) + 4.335 (Lawyer occupation) + 3.619 (Teaching occupation) + 3.37 (dependent occupation) + 1.274 (independent occupation), with an accuracy of 81.15%, a specificity of 85.25%, sensitivity of 77.05% and probability under the COR curve of 89.1%; with which they indicated that the model is good for predicting customer delinquency.