Курсовая работа: Статистический анализ банковской деятельности. Исследование моделей оценки кредитных рисков
Таблица
6 указывает число наблюдений в том или ином кластере.
Таблица 6. Number of Cases
in each Cluster
|
Cluster |
1 |
822,000 |
| |
0 |
178,000 |
|
|
Valid |
1000,000 |
|
Missing |
,000 |
|
|
|
|
|
Проанализируем
качество классификации.
Таблица 7. Expectation-Predictable Table
|
|
Y=0 |
Y=1 |
всего |
| всего по выборке |
300 |
700 |
1000 |
| прогноз |
178 |
822 |
1000 |
| правильно |
65 |
587 |
652 |
| неправильно |
235 |
113 |
348 |
| % правильно |
21,7% |
83,9% |
65,2% |
| % неправильно |
78,3% |
16,1% |
34,8% |
Из
таблицы можно видеть, что видеть, что метод позволяет хорошо предугадывать
плохие заемы на уровне 83,9%, но плохо предугадывает хорошие заемы – 21,7%. Обычно
к методикам выдвигается требование распознавать лучше плохие заемы, т.к. потеря
невозврата кредита больше потери неполучения процентов по кредиту.
Кластерный анализ решает
задачу классификации объектов при практически отсутствующей априорной
информации о наблюдениях внутри классов; в дискриминантном анализе
предполагается наличие такой информации. С помощью дискриминантного анализа на
основании некоторых признаков (независимых переменных) индивидуум может быть
причислен к одной из двух (или к одной из нескольких) заданных заранее групп.
Ядром дискриминантного анализа является построение так называемой
дискриминантной функция [2]
D=b1*x1+b2*x2+…+bn*xn+a
где х1 и х2 — значения
переменных, соответствующих рассматриваемым случаям, константы x1 - xn и а — коэффициенты, которые и предстоит оценить с помощью дискриминантного
анализа. Целью является определение таких коэффициентов, чтобы по значению дискриминантной
функции можно было с максимальной четкостью провести разделение по группам.
Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 |
