o_19nhsmha01vhpfpg1knut7kcn4a.pdf

cuantificar los atributos consiste en construir variables artificiales que asumen el valor 1 si
se tiene la presencia del atributo y 0 en caso contrario. (Gujarati, 2006)
La relación entre la variable dependiente y la variable explicativa se encuentra dada en la
siguiente ecuación:
(4)
4.1.5 Regresión Logística
La regresión logística es una función discriminante que intenta encontrar la mejor
combinación de características que expliquen la probabilidad de incumplimiento. Si p i es la
probabilidad de que el solicitante i en la muestra ha incumplido, es decir que Y i valga 1, es
deseable encontrar un vector w tal que (Gujarati & Porter, 2010):
ó negativos. A
Tomando exponenciales de ambos lados de la ecuación (5) se obtiene:
(6)
(5)
A diferencia de la regresión lineal, la regresión logística permite que la variable p i solo
tome valores entre 0 y 1, el cual es el rango esperado para una variable que estime una
probabilidad (en este caso de incumplimiento).
Los componentes del vector w son encontrados a través del método de máxima
verosimilitud, mediante encontrar el vector que maximice el logaritmo de la función de
verosimilitud la cual es (Novales, 1993).
(7)
4.1.6 Peso de la evidencia
Tanto la regresión lineal como el modelo de regresión logística pueden realizarse sobre
variables dummies o con base en el Peso de la Evidencia o WOE por sus siglas en inglés
(Weight of Evidence). El WOE i,k del atributo i que pertenece a la característica k se estima
a través de:
a
f xi
g
WOE
, ln
i k
*100
1
( )
i f xi
b (8)
La práctica sugiere la utilización del WOE en lugar de las variables dummies.
1004