COLONIA IPARRAGUIRRE, Denis Vanesa

Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
ESCUELA ACADÉMICO PROFESIONAL DE ESTADÍSTICA
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
VALIDEZ DE PRONÓSTICO DEL MODELO CREDIT SCORING
EN UNA ENTIDAD MICROFINANCIERA
I
TE C
M DE
TESIS
PARA OPTAR EL TITULO DE
Y A
A
C
INGENIERO ESTADÍSTICO
TE
O
LI
AUTOR: Br. DENIS VANESA COLONIA IPARRAGUIRRE

IB
B
ASESOR: Dr. CARLOS ALFONSO RISCO DÁVILA
TRUJILLO – PERÚ
2012
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú.
Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/
UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA
DEDICATORIA
S
A
A mi querida Madre y Amiga ROSITA
C
IPARRAGUIRRE, por brindarme siempre todo
SI
su amor, confianza, comprensión, paciencia, sus
S FÍ
consejos, sus ejemplos de perseverancia, su apoyo
incondicional en mis decisiones y su lucha
C S
constante por la superación de sus hijos y sacar
TI IA
adelante nuestra familia.
Á C
A
M EN
I
TE C
M DE
Y A
A
C
A mi querido hermano ALEX COLONIA,

TE
por brindarme su cariño y apoyo, por ser un

ejemplo de perseverancia y tenacidad en la
O
lucha constante por lograr su superación.

LI
IB
B
BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 1

AGRADECIMIENTOS
A DIOS por ser mi creador, por haberme
S
permitido llegar a este mundo con salud para
A
lograr mis objetivos y metas trazadas, por el
C
trabajo obtenido, los estudios realizados y la
SI
calidad humana de personas que me rodean.
S FÍ
C S
TI IA
Á C
A
M EN
A nuestra Alma Mater UNIVERSIDAD
NACIONAL DE TRUJILLO, por la cual siento el
I
gran orgullo de haber egresado, en especial a la escuela

TE C
de ingeniería estadística por acogerme durante el

M DE
proceso de mi formación académica y profesional.

Y A
A
C
TE
O
A mi ASESOR Y JURADOS DE TESIS por

LI
brindarme sus conocimientos, asesorías, paciencia

IB
y tiempo en el desarrollo de esta investigación y en

B
el transcurso de mi formación académica y

profesional.

PRESENTACIÓN
SEÑORES PROFESORES MIEMBROS DEL JURADO.
S
A
En cumplimiento de las disposiciones establecidas en el reglamento para la obtención de
C
Grados y Títulos de la Escuela Profesional de Ingeniería Estadística, Facultad de Ciencias
Físicas y Matemáticas de la Universidad Nacional de Trujillo, pongo la presente
SI
investigación a vuestra consideración y elevado criterio, el trabajo titulado: “VALIDEZ DE
S FÍ
PRONÓSTICO DEL MODELO CREDIT SCORING EN UNA ENTIDAD
MICROFINANCIERA”, el mismo que he realizado con el objetivo de obtener el título de
C S
TI IA
INGENIERO ESTADÍSTICO.
Á C
A
El presente trabajo es el resultado del conjunto de conocimientos adquiridos en mi
M EN
información académica y del esfuerzo y empeño de mi persona, con el único deseo de
realizar mis anhelos profesionales.
I
TE C
Por lo expuesto señores miembros del Jurado, dejo a ustedes el presente trabajo para su
M DE
revisión, esperando sus apreciaciones y sugerencias que lo enriquecerá.

Y A
A
C
TE
Trujillo, Abril del 2012

O
LI
IB
Bachiller Denis Vanesa Colonia Iparraguirre.

B

INDICE
Páginas
Dedicatoria 1
Agradecimiento 2
S
Presentación 3
Índice 4
A
Resumen 5
C
Abstract 6
SI
I. INTRODUCCÓN 7
S FÍ
1.1 Antecedentes 7
1.2 Justificación del problema 10
C S
1.3 Formulación del Problema 11
TI IA
1.4 Objetivos 11
1.5 Hipótesis 11
Á C
II. MARCO TEORICO 12
A
M EN
2.1 Las Microfinanzas 12
2.2 El Acuerdo de Capital o BASILEA II 15
2.3 Riesgo de Crédito 19
I
TE C
2.4 Credit Scoring 21

2.5 Regresión Logística 24
M DE
2.6 Validación del Modelo 29

III. MATERIAL Y MÉTODOS 31
Y A
2.1 Material 31
A
C
2.1.1 Población para la estimación 31

2.1.2 Población para la validación 31
TE
2.1.3 Muestra para la estimación 31

2.1.4 Muestra para la validación 32
O
2.1.5 Variables de estudio 32

LI
2.1.6 Definición de variables 34

IB
2.2 Método 35
2.2.1 Regresión logística 35
B
2.2.2 Análisis de datos 35

IV. RESULTADOS 36
V. DISCUSIÓN 43
VI. CONCLUSIONES 51
VII. REFERENCIAS BIBLIOGRÁFICAS 52
VIII. ANEXOS 54
ANEXO Nº1: Cálculo de Tamaño de Muestra 54
ANEXO Nº2: Codificación de variables categóricas 55

Validez de Pronóstico del Modelo Credit Scoring

En una Entidad Microfinanciera
Autor: Br. Denís Vanesa Colonia Iparraguirre

Asesor: Dr. Carlos Alfonso Risco Dávila
S
A
C
RESUMEN
SI
S FÍ
En el presente trabajo se presenta un modelo credit scoring en una entidad
microfinanciera, el cual permita calificar los solicitantes de un microcrédito. El modelo
C S
TI IA
propuesto se basa en el modelo de regresión logística. La evaluación del modelo
incluye el ajuste medido por la estadística Hosmer-lemeshow, poder predictivo medido
Á C
A
por la R2, poder discriminatorio medido por la curva COR y área bajo la curva COR.
M EN
La información de clientes durante el periodo de agosto 2008 a julio del 2009 se utilizó
I
TE C
como base para desarrollar el modelo; y del periodo agosto a octubre del 2009 para
probar la validez del pronóstico. Como resultado se obtuvo un buen ajuste del modelo,
M DE
reflejado en los resultados de validación, que presentan una tasa global de aciertos del
83%.
Y A
A
C
Palabras clave: riesgo crediticio, credit scoring, regresión logística, microcréditos,

TE
sensibilidad, especificidad
O
LI
IB
B

Validity of the forecast of the model credit scoring

In a Microfinance Institution
Author: Br. Denís Vanesa Colonia Iparraguirre
S
Adviser: Dr. Carlos Alfonso Risco Dávila
A
C
SI
ABSTRACT
S FÍ
In this paper we develop a credit scoring model for microfinance which can qualify
C S
applicants for a microcredit. The proposed model is based on a logistic regression
TI IA
model. The evaluation model includes adjustment measured by the Hosmer-Lemeshow
Á C
statistic, predictive power as measured by the R2, discriminatory power as measured
A
M EN
by the ROC curve and area under the ROC curve.
I
The customer information during the period August 2008 to July 2009 was used as a
TE C
basis for developing the model, and the period August to October 2009 to test the
M DE
validity of predicting. As result obtained a good adjustment of the model, reflected on

the validation results, presented one Global rate of successes of 83 %.
Y A
A
C
Key words: Credit risk, credit scoring, logistic regression, microcredit, sensitivity,
TE
specificity.
O
LI
IB
B

I. INTRODUCCIÓN
1.1 ANTECEDENTES:
En la actualidad el sector de las microfinanzas, está atravesando por una etapa de
S
crecimiento, el Perú lidera el ranking mundial como el país con mejor entorno para el
A
desarrollo de las microfinanzas, según el índice Microscopio Global 2011. Sin embargo, es
C
importante medir el riesgo de crédito que las entidades financieras asumen. Desde su
SI
asentamiento como entidades financieras reguladas, las entidades financieras y de
microfinanzas (IMFs) se marcan, entre sus principales objetivos, medir y controlar los riesgos
S FÍ
financieros que se presentan en sus actividades. El acuerdo internacional sobre regulación y
C S
supervisión bancaria denominado “Nuevo Acuerdo de Capital”, aprobado en 2004 por el
TI IA
Comité de Basilea y conocido como Basilea II, exige a las entidades financieras de los países
que se adscriba al mismo una revisión de sus dotaciones de capital para cubrir los riesgos. Por
Á C
A
consiguiente, las IMFs supervisadas requieren adoptar procesos internos que sean capaces
M EN
de medir el riesgo de crédito. Estos parámetros les obligan a disponer de herramientas que les
permitan establecer modelos de medición (scorings y ratings) con objeto de discriminar a los
I
TE C
clientes según su perfil de riesgo, sistemas de seguimiento del riesgo vivo y modelos de
evaluación de la exposición y la severidad en el riesgo de crédito.
M DE
Las organizaciones de microfinanzas, con el fin de disminuir sus niveles de riesgo han
Y A
tenido que desarrollar medidas innovadoras para el sector con el fin de poder evaluar las
A
C
pérdidas esperadas frente al incumplimiento de pago por parte del cliente. La medida más
TE
utilizada hoy en día en la banca comercial es el scoring de créditos o credit scoring, que es un
sistema de evaluación automático, más rápido, más seguro y consistente para determinar la
O
concesión de créditos, que en función de toda la información disponible, es capaz de predecir

LI
la probabilidad de impago, asociada a una operación crediticia. Las aplicaciones de credit

IB
scoring son aptas para los procesos de evaluación, comportamiento y cobro de los créditos,
B
analizando en un tiempo mínimo una gran cantidad de información homogénea.
En la década de 1960, en los Estados Unidos comenzaron a desarrollarse y aplicarse

las técnicas de Credit Scoring. Este término es utilizado para describir formalmente los
métodos estadísticos utilizados para la clasificación de los solicitantes de crédito en las clases
de riesgo bueno y malo. (Hand y Henley (1997) Introducción)

El modelo Credit Scoring utiliza medidas cuantitativas de los resultados y

características de los préstamos pasados para predecir el rendimiento futuro de los préstamos
con características similares. Para las organizaciones de crédito en los países ricos el credit
scoring ha sido una de las herramientas más importantes en el logro de una mayor eficiencia.
La información usada en estos modelos, en países ricos, se basa en la proporcionada por el
historial crediticio y en la experiencia laboral del cliente. (Schreiner (2000) Introducción).
S
Los métodos regresivos se han convertido en un componente fundamental de cualquier
A
análisis de datos, cuya finalidad se describir la relación entre una variable de objetivo y una o
C
más variables explicativas. La regresión logística surgió como una técnica cuyo objetivo era,
SI
fundamentalmente, la predicción de la insolvencia empresarial, aunque, poco tiempo después,
S FÍ
fue orientada hacia el objetivo de la predicción del riesgo de impago de un cliente en la banca
comercial.
C S
TI IA
En el trabajo realizado por Wiginton (1980), hace una comparación del análisis
Á C
A
discriminante y el modelo logit, se concluyó que este último ofrecía un porcentaje correcto de
M EN
clasificación mejor que el análisis discriminante. Con una muestra de 1,908 solicitudes
individuales de crédito, compuesta por un número no demasiado elevado de variables
I
TE C
explicativas, las cuales fueron demográficas (número de personas a su cargo, propiedad o

alquiler de la vivienda, uso del vehículo y número de salidas por vacaciones en el último año) y
M DE
económicas (tipo de empresa en la que trabaja, cargo en la empresa y antigüedad en el

empleo), obtuvo resultados dispares aplicando el análisis discriminante y la regresión logística.
Y A
Los resultados obtenidos fueron, que a pesar de no ser un porcentaje muy elevado en la
A
C
clasificación correcta de los prestatarios, el análisis de regresión logística mejoraba

TE
sustancialmente al análisis discriminante.

O
Steenackers y Goovaerts (1989) diseñaron un modelo de calificación estadística para

LI
los préstamos personales de una entidad financiera belga. En las variables explicativas,
IB
sugiere una mayor consideración de características socioeconómicas de los prestatarios. Para

una muestra formada por 995 créditos pagados, 1,257 créditos fallidos y 693 créditos
B
rechazados por la entidad bancaria, los resultados del modelo credit scoring, en lo que
respecta a la clasificación correcta se refiere, fue el 74.55% en la estimación y el 69.6% para
la validación.

Schreiner (1999) elaboró un modelo de calificación de créditos para una IMF de

Bolivia, la cual contaba con un historial de 39,956 préstamos, incluyendo las siguientes
variables: Fecha del desembolso, monto desembolsado, meses desde el primer desembolso,
tipo de garantía, sucursal, oficial de crédito, género del prestatario, sector económico, número
de atrasos y duración del atraso mayor. Esta es una lista pequeña. La mayoría de los
modelos de calificación de créditos en países desarrollados también usarían edad, estado
civil, educación, y duración en el lugar de residencia del prestatario; propiedad de teléfono,
S
casa o automóvil; e indicadores del tamaño y la fortaleza financiera del hogar y del proyecto
A
productivo.
C
En el diseño del modelo scoring se consideró que el riesgo depende del género,
SI
sector económico, atrasos previos, la experiencia del prestatario, el asesor y la sucursal. Se
S FÍ
usó un modelo logit, en donde el valor del chi-cuadrado para el modelo fue significativo con un
valor-p de 0,0001, y 56 de los 109 coeficientes estimados fueron significativos con un valor-p
C S
de menos de 0,10. Se consideró que las características en el modelo sí tienen algún vínculo
TI IA
con el riesgo de atrasos costosos. Los resultados de la investigación resultaron más que
Á C
A
aceptables, con un porcentaje global de acierto 90.41 para un punto de corte de 0.30, en el
M EN
modelo algunas de las variables explicativas fueron no significativas según la aplicación logit
desarrollada. Por otra parte, se trata de un modelo con unos resultados irregulares en cuanto
I
TE C
al porcentaje correcto de clasificación, dada la gran diferencia entre los valores de la

sensibilidad y especificidad, hecho que se manifiesta en la escasa distancia respecto a la
M DE
clasificación de los grupos definidos en la variable dependiente.

Y A
Escalona (2011) presentó un modelo credit scoring en microfinanzas para calificar a

A
C
los solicitantes de un microcrédito, del tipo Grupos Solidarios. El modelo propuesto se basó en
TE
el modelo de regresión logística. La base de datos fue conformada por 1,610 registros de la
empresa microfinanciera MásKapital de México del periodo mayo 2008 a abril 2009. Las
O
variables consideradas en el modelo fueron una dependiente y veinte explicativas. Dichas

LI
variables estuvieron conformadas por las características del hogar del cliente, sus ingresos, el
IB
número y monto del préstamo, su calificación en el sistema financiero y demás características.

En la evaluación del modelo se concluyó que de las veinte variables explicativas solo 5 fueron
B
significativas, en cuando al poder predictivo el R2 fue igual a 9.5%, lo que significa un bajo
poder predictivo. El ajuste medido por la estadística Hosmer-Lemeshow presentó un p-value
de 0.789, concluyendo un buen ajuste. El poder discriminatorio medido por la curva COR fue
de 0.69, se consideró que el modelo tiene una discriminación aceptable. El porcentaje total de
calificación correcta del modelo es igual a 65%. Además, se validó el modelo con una muestra
de 402 registros y el punto de corte 0.1150. El modelo detectó el 53% de los préstamos malos
y el 60% de los registros de esta muestra fue clasificado correctamente.

En la investigación realizada por Rayo, Lara y Camino (2010), se diseñó un modelo

de credit scoring para la cartera de microdréditos de la Edpyme Proempresa del sistema
financiero peruano. Para la estimación y validación del modelo se consideró la base de datos
de la cartera de microcréditos del periodo 1997-2005, teniendo en total 5,451 registros, de los
cuales se consideró el 75% del total de registros para la estimación del modelo y el 25% para
su validación. Las variables explicativas de partida fueron agrupadas en tres grandes bloques:
variables del cliente (cuantitativas y cualitativas), variables de la operación de préstamo y, por
S
último, variables macroeconómicas. La estimación del modelo de credit scoring se realizó
A
mediante el método de introducción por pasos, que quiere decir; si una variable resulta ser no
C
significativa, se procede inmediatamente a eliminarla del modelo. Se determinó que el ciclo
SI
económico influye en la valoración del riesgo de impago de un cliente de microcrédito, además
S FÍ
que el porcentaje correcto de clasificación obtenido para el modelo de credit scoring fue de
78.3%, corroborado por un porcentaje similar en el proceso de validación del modelo
C S
(77.70%).
TI IA
Á C
A
La construcción de un modelo de credit scoring para las instituciones de microfinanzas
M EN
implica una serie de limitaciones y desventajas que incrementan la dificultad para llegar a
unos resultados razonables. El negocio de las IMFs se ha caracterizado por tener historiales
I
TE C
de créditos irregulares, incompletos y con un número escaso de observaciones sobre el

préstamo.
M DE
1.2 JUSTIFICACIÓN DEL PROBLEMA

Y A
A
C
Antes de utilizar un modelo probabilístico, éste debe ser validado para asegurarse de
TE
que no proporciona probabilidades erróneas. El objetivo principal de este estudio es obtener

la validez de pronóstico del modelo Credit Scoring, a partir de su capacidad de calibración y
O
de discriminación (Wade A. Derivation versus validation. Arch Dis Child) y de este modo,
LI
poder asegurar que el modelo predice bien el incumplimiento de pago del cliente en una
IB
entidad microfinanciera.
B
Para decidir si conceder o no productos financieros (ya sea prestamos, tarjetas de

credito, etc.) a los clientes, las instituciones financieras consideran una serie de factores
acerca del mismo. La cuestión de fondo es: ¿Cómo unimos estos factores, para que de
manera objetiva, matemática y científica (hasta donde sea posible) se pueda obtener una
evaluación de crédito adecuada?

Las evaluaciones de crédito parten de analistas, que en la mayoría de casos basan su

labor en manuales de crédito en que indican las políticas de crédito de las respectivas
instituciones, pero esto no siempre garantiza que los criterios se utilizarán de manera
uniforme en su estudio, y si la interpretación que le darán los diferentes analistas será la
misma. De manera que para obviar este punto, en los comités de crédito, muchas veces hay
que volver a estudiar el crédito. Esto no representa problema cuando el volumen de créditos
es bajo, pero ¿qué pasa si el volumen es alto?
S
A
El modelo de Scoring, Scorecard o tabla de Puntajes es el resultado de un estudio
C
estadístico del comportamiento de una población para pronosticar un evento determinado y
SI
tomar las estrategias apropiadas para prevenirlo.
S FÍ
1.3 FORMULACIÓN DEL PROBLEMA
C S
TI IA
¿Cuál es la validez de pronóstico del Modelo Credit Scoring en una entidad Microfinanciera?
Á C
A
M EN
1.4 OBJETIVOS
1.4.1 OBJETIVO GENERAL
I
TE C
Obtener la validez de pronóstico del Modelo Credit Scoring en una entidad

M DE
Microfinanciera.
Y A
1.4.2 OBJETIVOS ESPECÍFICOS

A
C
TE
1. Estimar el modelo Credit Scoring en una entidad Microfinanciera, utilizando la

muestra del periodo agosto 2008 a julio 2009.
O
2. Validar el ajuste del modelo, estimado con la muestra del periodo agosto 2008 a julio
LI
2009.
IB
3. Pronosticar el incumplimiento con la muestra del periodo agosto a octubre del 2009.
4. Obtener la validez del pronóstico, de la muestra del periodo agosto a octubre del
B
2009.
1.5 HIPÓTESIS
La validez de pronóstico del Modelo Credit Scoring en una entidad Microfinanciera, es superior
al 80%.

II. MARCO TEÓRICO
2.1. LAS MICROFINANZAS
Según (Escalona 2011, pg. 4 Introducción) las microfinanzas se refieren a los

servicios financieros otorgados a personas de bajos ingresos de poblaciones que
S
normalmente no tienen acceso al ahorro, crédito, información financiera, y los seguros. Las
A
Microfinanzas tienen como objetivo fundamental impulsar la creación y el desarrollo de
C
pequeñas actividades productivas.
SI
S FÍ
El tema de microfinanzas toma relevancia en 1974 cuando el economista bengalí
Muhammad Yunus inicia con su proyecto de prestar dinero con fondos propios a gente pobre
C S
para microemprendimientos sin exigirles ninguna de las garantías usuales de la banca
TI IA
tradicional. Actualmente el proyecto de Yunus ha crecido al punto de tener ya el Grameen
Á C
A
Bank (o Banco de los Pobres), institución financiera que se aboca a la prestación de servicios
M EN
microfinancieros en Bangladesh.
I
TE C
De acuerdo con Hernández (2005, Introducción) se concibe a las microfinanzas como

un tipo de financiamiento a pequeña escala, pero con la característica de que es para familias
M DE
de pocos recursos económicos. Así, las microfinanzas es el desarrollo de las finanzas al

servicio de una población excluida del sistema tradicional capitalista.
Y A
A
C
Lacalle (2002, Tesis) establece una serie de características o rasgos comunes de las
TE
IMFs, en comparación con las instituciones financieras tradicionales:

O
a. Enfoque hacia las personas de escasos recursos financieros; es el rasgo o

LI
característica común de todas las entidades y programas de microfinanzas ya que el

IB
objetivo último y principal de las microfinanzas es el de reducir los niveles de pobreza

de las zonas en vías de desarrollo, mejorando y atendiendo las necesidades
B
financieras existentes.
b. Conocimiento del mercado que atienden; las entidades microfinancieras conocen,

detalladamente, las necesidades, preferencias y limitaciones de sus clientes. Saben
que los principales motivos para solicitar un crédito son: iniciar una microempresa para
obtener una pequeña fuente de ingresos, satisfacer todas las necesidades de tipo
familiar y social y responder en los momentos de crisis más acentuados.

Fruto de este conocimiento, las IMFs comprenden perfectamente cuales son las
limitaciones de sus clientes y, es por ello, por lo que los créditos se conceden bajo
condiciones de:
 Préstamo sin garantías reales colaterales.
 Transacciones simples y sencillas
 Lugar de transacción cercano a los hogares o donde se desarrollan los negocios.
 Procedimientos ágiles y flexibles de evaluación del crédito.
S
A
c. Evaluación del riesgo; las entidades de microfinanzas con frecuencia evalúan el
C
riesgo crediticio de conceder un préstamo a un determinado cliente.
SI
S FÍ
d. Reducción de los costes; uno de los objetivos de las entidades de microcrédito es la
reducción del coste. El objetivo de la reducción del coste administrativo es una cuestión
C S
que se plantea intentando que sean proporcionales al reducido tamaño de los
préstamos.
TI IA
Á C
A
M EN
e. Autosuficiencia financiera; esta es una característica de las IMFs que hacen que la
entidad sea viable a medio y largo plazo. La autosuficiencia hay que entenderla en
I
TE C
términos de futuro, tratando de captar una mayor cantidad de clientes con el paso del
tiempo.
M DE
f. Escala; se refiere al tamaño que las IMFs han de tener para llegar cada vez a un
Y A
número mayor de prestatarios interesados en la creación de un pequeño negocio. Esta

A
C
característica cobra especial importancia dado el elevado número de microempresarios

TE
que no tienen acceso a los servicios financieros que ofrecen las entidades financieras
formales.
O
LI
2.1.1. Las microfinanzas en Perú

IB
Según sostienen Trivelli et al (2001, Tesis), la introducción de una serie de

B
reformas a nivel financiero durante la década de los noventa, constituyó el punto de

partida para la expansión del microcrédito en el Perú en lo que respecta al
surgimiento de nuevos financieros formales.
Las microfinanzas en el Perú han tenido una evolución favorable en los últimos
años, este desarrollo y crecimiento del sector generó que el Perú, haya sido
reconocido mundialmente el año 2010 en el Foro Mundial de Microfinanzas, por

segundo año consecutivo, como el mejor entorno mundial de negocios para las
microfinanzas. La Asociación de Instituciones de Microfinanzas en el Perú (Asomif
Perú) sostiene que, el sistema de microfinanzas reguladas está compuesto por la
Cajas Municipales de Ahorro y Crédito (CMACs), las Cajas Rurales de Ahorro y
Crédito (CRACs), las Entidades de Desarrollo de la Micro y Pequeña Empresa
(EDPYMES), Financieras y Mibanco.
S
Las microfinanzas se han convertido en uno de los pilares del desarrollo social del
A
país para combatir la informalidad empresarial y la pobreza. El país cuenta con una
C
normativa acertada en aspectos de prevención y control desarrollada por la
SI
Superintendencia de Banca, Seguros y AFP (SBS), sin embargo existe un mayor
S FÍ
riesgo de sobreendeudamiento de las mypes y la constitución de una cartera mala
calidad, el riesgo es mayor porque los clientes son de menores ingresos y de mayor
C S
precariedad.
TI IA
Á C
A
2.1.2. El Microcrédito
M EN
En palabras de Lacalle (2002, Tesis), “los microcréditos son un instrumento de

I
TE C
financiación para el desarrollo, cuyo objetivo final es la reducción de la pobreza en

el mundo”. No todas las organizaciones ni entidades que trabajen en este campo
M DE
definen el concepto de la misma manera. Alguno de los criterios utilizados suelen

ser el tamaño de los préstamos, el uso de los fondos o los sujetos del préstamo.
Y A
A
C
La definición que se dio al microcrédito en la Cumbre del Microcrédito celebrada en

TE
Washington en 1997, considera que Ios microcréditos son programas de concesión

de pequeños créditos a los más necesitados de entre los pobres para que éstos
O
puedan poner en marcha pequeños negocios que generen ingresos con los que
LI
mejorar su nivel de vida y el de sus familias.

IB
Por su parte, Martins et al (2002, Tesis) conceptualiza a los clientes de las

B
instituciones de microcrédito son diferentes a los de las instituciones financieras

tradicionales. Normalmente, los prestatarios en microfinanzas son
microempresarios que disponen de unos ingresos bajos, obtenidos mediante la
explotación de negocios familiares. Al disponer la IMF de una información crediticia
pobre y poco desarrollada de los prestatarios, la medición del riesgo de impago en
el microcrédito se hace severamente más difícil que la medición del riesgo de
impago en las entidades bancarias.

2.2. EL ACUERDO DE CAPITAL O BASILEA II
El Nuevo Acuerdo de Basilea busca fundamentalmente alinear los requerimientos de capital

de las entidades con la administración del riesgo. Según la Superintendencia de Banca,
Seguros y AFP (SBS), el Nuevo Acuerdo de Capital o Basilea II brinda un conjunto de
principios y recomendaciones del Comité de Basilea sobre Supervisión Bancaria y tiene como
objetivo propiciar la convergencia regulatoria hacia estándares más avanzados sobre
S
medición y gestión de los principales riesgos en la industria bancaria.
A
Según señalan De Miguel et al (2003, Tesis), uno de los principios básicos de Basilea II es
C
hacer converger al capital regulatorio y al capital económico. En este sentido, el capital
SI
económico depende, en primera instancia, de factores relacionados con el negocio del cliente
S FÍ
de un préstamo, tales como los tipos de operaciones de activo, sector, etc. y, en segundo
lugar, del nivel de tolerancia ante el riesgo de quiebra por parte de los accionistas y directivos
C S
del negocio. No obstante, el capital regulatorio es aquel que establece el regulador del
TI IA
sistema financiero con la intención de minimizar el riesgo de quiebra y de los factores que
Á C
A
incrementan el riesgo sistemático o de mercado.
M EN
Soley y Rahnema (2004, TESIS) sostienen que la principal novedad en Basilea II es la
aplicación de rating internos por parte de las entidades crediticias, siendo la primera vez que
I
TE C
se deja a la iniciativa de cada entidad de crédito la valoración crediticia de cada uno de sus
clientes, condicionado únicamente a la supervisión y aprobación de los fundamentos y
M DE
criterios adoptados, por parte de la correspondiente entidad supervisora.

Y A
2.2.1. Los Pilares del Acuerdo de Basilea II

A
C
En el marco de Basilea II se fomenta la adopción de prácticas de gestión de riesgos

TE
más rigurosas por parte del sector bancario, algo que considera una de sus
principales ventajas. Dicho marco se basa en tres pilares fundamentales que están
O
siendo aceptado y contemplados por los más importantes bancos y otras

LI
instituciones financieras en todo el mundo, el concepto y lógica de estos tres pilares

IB
son: requerimiento mínimo de capital, principios básicos de supervisión y disciplina

del mercado.
B

Figura Nº 1: Pilares del Acuerdo de Basilea II

BASILEA II
Pilar I: Pilar II: Pilar III:

Req. Mínimo de Capital Rev. Supervisora de la Disciplina de Mercado
Adecuación del Capital
Pérdida
S
Inesperada (UL) Transparencia
Riesgo de Riesgo de Informativa
A
Riesgo de
Crédito Mercado Operacional
Pérdida
C
Esperada (EL)
SI
Método Estándar Método Estándar Indicador Básico
S FÍ
Método basado en Modelos Internos Método Estándar
Ratings internos (IRB) VaR
Medición Interna
C S
TI IA
Enfoque Básico
CREDIT
SCORING
Á C
Enfoque Avanzado
A
M EN
I
TE C
Fuente: Elaboración propia

M DE
Pilar I: Requerimiento de Capital, abarca el cálculo de los requerimientos mínimos

de capital para los riesgos de crédito, de mercado y operacional. El coeficiente de
Y A
capital se obtiene a partir de la definición de capital regulador y de los activos

A
C
ponderados por su nivel de riesgo, y en ningún caso podrá ser inferior al 8% del
TE
capital total.
Basilea II establece una metodología con múltiples opciones para medir el riesgo
O
de crédito. En esta línea, existen dos enfoques diferentes para el cálculo de los
LI
requerimientos mínimos de capital o de recursos propios:

 Enfoque estándar similar al considerado por Basilea 1, aunque con algunas
IB
modificaciones al establecer nuevas categorías de riesgo.

B
 Enfoque basado en ratings internos en el que se define el Método Interno o

IRB (Infernal Rating Based), considerando dentro de éste dos niveles:
1. Método Basado en Calificaciones Internas IRB (Internal Rating Based
approach) básico: La entidad dispone de modelos de calificación para la
estimación de la Probabilidad de Impago (PD), en base a lo cual el
regulador aplicará estándares para la obtención de la Severidad (LGD) y
Exposición (EAD).

2. Método Basado en Calificaciones Internas IRB avanzado: La entidad dispone

de Modelos de calificación para la estimación de la probabilidad de Impago
(PD), Severidad (LGD) y Exposición (EAD).
Figura Nº 2: Ratio de Capital Mínimo y componentes de riesgo
Capital Regulatorio
S
(No cambia la definición)
A
Ratio de Capital
Mínimo
C
Activos ponderados por riesgo (Permanece en 8%)
(Se introducen cambios)
SI
S FÍ
Riesgo de Crédito Riesgo de Mercado Riesgo Operativo
C S
(Modificado) (Sin cambios) (Nuevo)
TI IA
Á C
Fuente: Elaboración propia
A
M EN
Pilar II: Supervisión Bancaria, tiene por cometido asegurar que los organismos
I
supervisores velen por el correcto funcionamiento de los mecanismos empleados

TE C
en el Pilar I. Considera prácticamente los principios básicos de la evaluación y el

M DE
rol que debe desempeñar el ente supervisor ( en nuestro país las obligaciones para
con la SBS), en las orientaciones sobre la gestión y tratamiento de riesgos
Y A
financieros, la transparencia, y la responsabilidad por parte de la autoridad

A
C
supervisora, que deben incluir tratamientos necesarios para el riesgo de tipo de

TE
interés, riesgo de crédito (pruebas, definiciones de incumplimientos, riesgo residual

y de concentración, etc.), riesgo operacional, comunicación directa, oportuna,
O
recopilación y estandarización.
LI
La intención es vigilar y examinar la implementación de dichos pilares en las

entidades financieras para asegurar así una consistencia en el manejo de
IB
información y métodos de implementación entre los supervisores. La autoridad

B
supervisora tiene la tarea de determinar el grado de preparación de las

instituciones, así como de fijar tareas y plazos en el proceso de implementación.
Pilar III: tiene por objetivo complementar al Pilar I y Pilar II de Basilea II. Con el
cumplimiento de este Pilar se espera mantener una adecuada estabilidad financiera
y de mercado, contar con una mejor disciplina de mercado y establecer un marco
informativo basado en la transparencia. También pretende que haya un nivel

apropiado de agregación de información con los objetivos de proteger la

confidencialidad y la competitividad de los bancos.
Para ello, Basilea II insta a las entidades financieras a informar periódicamente de
su estructura de recursos propios, la suficiencia de éstos y de la exposición al
riesgo. Del mismo modo, hace especial hincapié a la consideración de los factores
macroeconómicos como motivos de cambio del perfil de riesgo de las entidades, en
tanto en cuanto las entidades han de informar de su tratamiento en los sistemas de
S
gestión.
A
C
2.2.2. Normativa de Basilea II en el Perú
SI
S FÍ
La resolución de la Superintendencia de Banca y Seguros (SBS) de 30 de octubre
del 2009 sobre el reglamento para el Requerimiento de Patrimonio Efectivo por
C S
Riesgo de Crédito, recoge la normativa de adaptación para la implementación de
TI IA
Basilea II en las entidades bancarias y de microfinanzas que son supervisadas. La
Á C
A
norma establece, en la línea del Documento de Basilea II de 2004 sobre el
M EN
requerimiento de capital mínimo para cubrir el riesgo de crédito, que el cálculo del
capital requerido derivado del riesgo de crédito de la cartera pueda hacerse
I
TE C
mediante tres métodos que van de menor a mayor grado de sofisticación:

M DE
 Método Estándar, la entidad no dispone de modelos de calificación y es por

tanto el regulador el que aplica “estándares” para la obtención del Capital
Y A
Mínimo requerido.
A
C
TE
 Método IRB – Básico, la entidad dispone de Modelos de calificación para la

estimación de la Probabilidad de Impago (PD, Basada en Scoring), en base a lo
O
cual el regulador aplicará estándares para la obtención de la Severidad (LGD) y

LI
Exposición (EAD).
IB
 Método IRB – Avanzado, la entidad dispone de Modelos de calificación para la

B
estimación de la probabilidad de Impago (PD, Basada en Scoring), Severidad

(LGD) y Exposición (EAD).

2.3. RIESGO DE CRÉDITO
En microfinanzas, la competencia bancaria se ha incrementado sensiblemente en los últimos

años, no solo entre las IMFs sino también entre las entidades bancarias que han abierto
programas de crédito en un sector que cada vez resulta ser más rentable.
De este modo, en un sector de actividad que está resultando ser tan competitivo, el riesgo se
considera como un factor estratégico de cara a tomar un buen posicionamiento en el sector,
S
teniendo en cuenta que éste abre un campo a la investigación. Entre todos los posibles
A
riesgos empresariales conocidos, el riesgo que nos compete en nuestro trabajo de
C
investigación es el riesgo de crédito.
SI
S FÍ
Según Toalombo (2010, T908), el riesgo de crédito se define como la posibilidad de
pérdida debido al incumplimiento del prestatario o contraparte en operaciones directas,
C S
indirectas o de derivadas de crédito que origina el no pago, el pago parcial o la falta de
TI IA
oportunidad en el pago de las obligaciones pactadas.
Á C
A
M EN
Cuando se realizan préstamos, tanto a personas naturales como a empresas, las entidades
financieras deben ser muy cautelosas al determinar a quién se va a conceder un crédito, y
I
TE C
para ello deben tomar todas las precauciones necesarias con el fin de asegurarse una
completa recaudación del monto acreditado. Si en algún momento las recaudaciones fallan, o
M DE
los deudores no cumplen sus obligaciones, las entidades financieras pueden llegar a enfrentar
serias dificultades, pudiendo incluso llegar a la quiebra.
Y A
A
C
Chiluisa y Torres (2008, CD-0759) definen al riesgo de crédito como la posibilidad de que
TE
una entidad incurra en pérdidas y se disminuya el valor de sus activos, como consecuencia de
que sus deudores fallen en el cumplimiento oportuno o cumplan imperfectamente los términos
O
acordados en los contratos de crédito.

LI
IB
Los componentes del riesgo de crédito son:

B
 Riesgo de Impago: De acuerdo con Samaniego (2005, Tesis), el riesgo de impago

hace referencia a la incertidumbre asociada con la capacidad de la empresa para
hacer frente a sus obligaciones financieras futuras, tanto pagos de principal como de
intereses.
 Riesgo de Calificación: Riesgo que subyace de otorgar una calificación crediticia por
parte de una agencia de rating, que pone de manifiesto un posible impago futuro. A
este respecto, las personas físicas o jurídicas, sobre las cuales se emita una

calificación, se encuentran afectadas por el riesgo de variación en su calificación, la

cual puede afectar a la credibilidad como pagador futuro.
Figura Nº 3: Tipos de Riesgos
S
A
C
SI
S FÍ
C S
Fuente: Lara et al 2011
TI IA
A la hora de evaluar el riesgo de crédito mediante la metodología VaR (Value at Risk 1), los
Á C
A
factores determinantes del mismo son: la probabilidad de incumplimiento (default), la
M EN
Exposición y la Severidad o tasa de recuperación.

I
TE C
La probabilidad de incumplimiento hace referencia a la probabilidad de que el prestatario

M DE
de un préstamo no haga frente a sus obligaciones contractuales de pago. Conviene destacar

la importancia de definir correctamente el concepto de impago, a la vez que establecer
relaciones entre éste con la calidad crediticia del cliente, el ciclo económico y con las
Y A
A
condiciones del mercado, como puedan ser los tipos de interés.

C
TE
La exposición se define como el valor de mercado de la deuda en el momento en el que se

produce el incumplimiento. Se trata de una variable que depende directamente del tipo de
O
préstamo, del tiempo transcurrido hasta el vencimiento de la deuda, del tipo de interés y de la
LI
calidad crediticia o rating del cliente.

IB
B
Por último, la Severidad o tasa de recuperación refleja el porcentaje de pérdida producido

por el impago de la deuda una vez transcurrido el proceso de recuperación de ésta. En esta
línea, los factores que afectan a esta variable son: el valor actual del coste de la recuperación,
la proporción del impago recuperada, la duración del proceso de recuperación, tipo de interés
empleado en el cálculo del valor actual y el rating del prestatario.
1
El Comité de Basilea para la Supervisión Bancaria, la Reserva Federal de los Estados Unidos y los Reguladores de la
Unión Europea aceptan la metodología VaR como medida adecuada de medición del riesgo de mercado y riesgo de
crédito.

2.4. CREDIT SCORING
Hand y Henley (1997, Tesis pg. 135) sostienen que, los credit scoring son métodos
estadísticos utilizados para clasificar a los solicitantes de crédito, o incluso a quienes ya son
clientes de la entidad evaluadora, entre las clases de riesgo ‘bueno’ y ‘malo”. Así, el credit
scoring, también conocido como calificación del riesgo de insolvencia o morosidad, puede
S
concebirse como un sistema que, mediante predicciones, califica un crédito y mide el riesgo
A
inherente al mismo.
C
SI
De acuerdo con Lara (2010, pg. 137 Tesis) el credit scoring permite evaluar a los clientes y
S FÍ
realizar un pronóstico del comportamiento de las devoluciones periódicas así como cuantificar
el grado de riesgo implícito en cada operación de crédito en base a datos ya disponibles. El
C S
credit scoring predice cuál será el comportamiento, atendiendo al riesgo, de un solicitante de
TI IA
crédito, justo en el momento en el que se está llevando a cabo la solicitud, y lo hace mediante
Á C
A
un modelo matemático predictivo de comportamiento de riesgo donde se obtiene una
M EN
puntuación que mide el riesgo ponderado de las diferentes características de un prestatario,
un prestamista y un préstamo.
I
TE C
Dicho en otras palabras, el credit scoring consiste en clasificar a individuos que solicitan un
crédito o préstamo en clientes potencialmente buenos o malos para la entidad prestamista en
M DE
relación a ciertos datos cuantitativos medibles, así como información no numérica relativa a
cualidades recogidas bajo variables de corte cualitativo.
Y A
A
C
Según apuntan Marais et al (1984, Pg. 137 Tesis), la construcción de aplicaciones de credit
TE
scoring conllevan la consideración de tres elementos: una función de pérdida, relativa al coste
de cada tipo de error cometido en la clasificación; una distribución de probabilidad conjunta,
O
que hace referencia a las categorías y variables que definen la población; y, por último, la
LI
regla de clasificación del analista decisor.

IB
Según Audante (2007 pg. 23 Tesis UNI) el credit scoring requiere de dos elementos
B
fundamentales:
1. Información histórica: Tal información está contenida en las solicitudes de crédito y en
fuentes internas y externas de información, la cual se almacena en una base de datos.
2. Análisis estadístico: que consiste en tomar la información histórica, para que
correlacionada mediante algoritmos, identificando el comportamiento de los clientes, y con
base en estos resultados se pueda determinar probabilidades de ocurrencia de hechos
futuros.

Por lo general los modelos credit scoring le asignan al evaluado un puntaje o score, o una
calificación, clasificación o rating. Algunos métodos los asignan a grupos en donde cada
grupo tiene un perfil de riesgo distinto; sin embargo, en la práctica esto equivale a una
calificación. A su vez, estos ordenamientos de los deudores permiten obtener estimaciones
más concretas del riesgo; en general se busca obtener alguna estimación de la probabilidad
de incumplimiento del deudor asociada a su score, rating o calificación (Gutiérrez 2007
S
Introducción).
A
C
2.4.1. Ventajas del scoring estadístico
SI
S FÍ
Según Schreiner (2002, Scoring) las principales ventajas que presenta el scoring
estadístico cuando se compara con el scoring implícito o subjetivo son:
C S

TI IA
Cuantifica el riesgo como una probabilidad; mientras que el scoring
Á C
A
subjetivo simplemente expresa que un préstamo tiene un riesgo por debajo
M EN
del promedio, un juicio basado mayormente en un sentimiento cualitativo.
 Es consistente; trata idénticamente a las solicitudes idénticas, el riesgo
I
TE C
pronosticado con scoring subjetivo, varía según el analista o el estado de

ánimo en el que se encuentre el analista.
M DE
 Es explícito; se conoce y puede comunicarse el proceso exacto usado para

pronosticar el riesgo.
Y A
 Considera una amplia gama de factores; puede considerar 30 o 5

A
C
características simultáneamente, además permite evaluaciones y

TE
administración de riesgo mucho más refinadas.

 Puede probarse antes de usarlo; una ficha de calificación recién diseñada
O
puede probarse para pronosticar el riesgo de los préstamos vigentes en la

LI
actualidad, usando solamente características conocidas al momento del

IB
desembolso, este riesgo estimado puede compararse con el riesgo

observado en la práctica hasta la fecha.
B
 Revela relaciones entre el riesgo y las características del prestatario, el

préstamo y el prestamista; relaciona el comportamiento del cliente en
préstamos anteriores, con el tipo de negocio y con los ajustes en los
términos del contrato del préstamo e indica a la administración como se
desempeñan los analistas de crédito si todos manejaran la misma cartera.

2.4.2. Desventajas del scoring estadístico
 Requiere datos históricos que en caso de no estar disponibles, debe

compensarlos con una alta capacidad de pronóstico utilizando un gran
número de características menos significativas. Sin embargo no se puede
pronosticar sobre acontecimientos que no hayan sido registrados
S
anteriormente.
A
Requiere información de calidad adecuada y la mayoría de bases de datos
C

tienen información imprecisa o aleatoria.
SI
 Compara las solicitudes actuales con las solicitudes históricas aprobadas,
S FÍ
por lo tanto no sustituye al comité de crédito, ni a la visita personal al cliente
en su residencia o negocio para la recolección de la información sobre el
C S
solicitante.

TI IA
Brinda a la administración un pronóstico, pero no le indica qué hacer con la
Á C
A
información. El abuso más común es el desprecio; los administradores
M EN
ignoran el pronóstico y continúan haciendo lo que siempre han hecho.
 Si los analistas de crédito conocieran las ponderaciones de las
I
TE C
características en la ficha de calificación, podrían abusar de scoring

modificando datos.
M DE
2.4.3. Credit Scoring en Microfinanzas

Y A
A
C
Lara (2010 pg. 137 Tesis) sostiene que la inclusión de modelos estadísticos de
TE
credit scoring en las lMFs ha de ir orientada, por una parte, a minimizar costes de
administración gracias a la agilización de procesos dentro de la entidad y, por otra,
O
a conseguir una concesión de créditos más especializada capaz de reducir el índice

LI
de morosidad y de incrementar el margen financiero de la institución.

IB
Existen limitaciones e inconvenientes para la elaboración de sistemas de

B
calificación estadística del cliente potencial, esto se debe a los historiales de crédito
poco desarrollados y faltos de información que las instituciones de microfinanzas
manejan, este hecho se refleja en la escasa literatura existente hasta la fecha sobre
modelos de credit scoring para microfinanzas.
Según Escalona (2011, Introducción), si lo que se pretende es analizar el
comportamiento de pago de un cliente de microcrédito, se requiere una base de
datos amplia que recoja la historia de los préstamos que han resultado impagados

en algunas de sus cuotas desde su concesión hasta su fecha de vencimiento. Por

otro lado, las instituciones de microfinanzas nominalmente no incluyen en sus
bases de datos la información referente a los clientes a los que se les denegó el
crédito porque, en su momento, no pasaron la evaluación estándar del analista. En
consecuencia, solo se podrá contar con la información de aquellas solicitudes de
crédito que están en la fase de aprobación.
S
En microfinanzas, credit scoring no reemplaza el tradicional proceso de crédito. No
A
puede reemplazar el conocimiento personal del cliente, que tienen los asesores de
C
crédito (Shereiner 2000, Introducción). Complementa, pero no sustituye, las
SI
tecnologías usadas actualmente. Sin embargo, puede ser introducido como una
S FÍ
herramienta de refinamiento del proceso de crédito, para combinar mejores
prácticas estadísticas y humanas.
C S
En microfinanzas el scoring estadístico ayuda al asesor de crédito a tornar
TI IA
decisiones sobre casos que, sin el scoring, serían aprobados. Esto implica que, el
Á C
A
scoring estadístico no da la aprobación a los solicitantes que, sin él, son
M EN
rechazados (Schreiner y Dellien, 2005 Introducción).
I
TE C
Figura Nº 4: Credit Scoring en Microfinanzas

M DE
Y A
A
C
TE
O
LI
Fuente: Escalona (2011)

IB
2.5. REGRESIÓN LOGÍSTICA

B
Los modelos de regresión logística permiten calcular la probabilidad que tiene un cliente para
pertenecer a uno de los grupos establecidos a priori (no pagador o pagador). La clasificación
se realiza de acuerdo con el comportamiento de una serie de variables independientes de
cada observación o individuo. Este modelo presenta la ventaja de medir la probabilidad de
incumplimiento al mantener la variable explicada siempre dentro de un rango de variación
entre cero y uno (Escalona, 2011 Introducción).

2.5.1. Modelo Logit o Logístico

Proporciona la probabilidad de que una determinada observación pertenezca a un cierto
grupo, conocidos los valores de las variables independientes para esa observación. El modelo
es la siguiente ecuación:
Z
e j
Pj    , sabiendo que Z j   o  1 X 1  ...   p X p (1)
S
1 e j
Z
A
C
O, lo que es lo mismo:
SI
 pj 
log    o  1 X 1  ...   p X p  
1 p 
S FÍ
 j 
Donde:
C S
X p  Variables independientes, p = 1,…, n
TI IA
 p  Coeficientes estimados o pesos de cada variable, p = 1,…, n
Á C
A
Z j  Puntuación del individuo o de la observación j = 1,…, k
M EN
Pj  Probabilidad del individuo j, de pertenecer a un grupo.

I
TE C
La función de distribución logística que modela la variable respuesta de la ecuación, cumple

M DE
con los requisitos de ser una función continua, y que puede tomar cualquier valor
comprendido entre 0 y 1. Además que la variable dependiente modelada es dicotómica.
Y A
A
Figura Nº 5: Función Logística (Logit)

C
TE
O
LI
IB
B

2.5.2. Estimación del modelo
Según Montgomery (2006) la forma general del modelo de regresión logística es:
y i  E ( yi )   i
donde las observaciones yi son variables aleatorias independientes de Bernoulli, cuyos
valores esperados son:
S
e Xi
'
E ( yi )  pi 
A
1  e Xi
'
C
Se usa el método de máxima verosimilitud para estimar los parámetros del predictor lineal
SI
'
Xi .
S FÍ
C S
La función de verosimilitud viene dada por:
TI IA
y1 1 y1
 e Xl   e Xl 
' '
n
L( y1 , y2 ,..., yn ,  )     1  
Á C
X l'  X '
A
i 1 
1  e   1  e l 
M EN
Se toma logaritmo a la función de la función de versolimilitud:

I
TE C
 yi ln pi  (1  yi ) ln (1  pi )  yi (X i'  )  ln (1 e X  )

M DE
n n
ln L( y1 , y2 ,..., yn ,  ) 
'
i
i 1 i 1
Y A
A
Diferenciando L(β) con respecto a los (p+1) coeficientes, se obtienen los parámetros que
C
mejor se ajustan a la muestra (Hosmer & Lemeshow, 1989 CJulio)

TE
O
2.5.3. Interpretación del Modelo Logístico

LI
Los parámetros del modelo son: β0, la ordenada en el origen, y β1 = (β1,..., βp). A veces, se
IB
utilizan también como parámetros exp(β0) y exp(βp), que se denominan los odds ratios o
B
ratios de probabilidades. Estos valores indican cuánto se modifican las probabilidades por
unidad de cambio en las variables X. Ante un aumento en una unidad en uno de los
regresores, si el estimador es positivo aumenta el valor del punto en que se considera la
función de distribución y por tanto aumenta la probabilidad de que la variable tome el valor
0, disminuyendo la de 1; si el valor del estimador es negativo, un aumento en el valor del
regresor favorece la probabilidad de que la endógena sea 1, en detrimento del otro caso.
La variación concreta de la probabilidad depende no sólo del valor del estimador, sino
también del punto en que estemos considerando la función de distribución.

En efecto, se deduce que:
p
pj
Oi   exp (  0 ). exp (  j )
Xp
1 pj j i
 Prueba de Omnibus sobre los coeficientes del Modelo, en esta prueba se muestra una
prueba Chi Cuadrado que evalúa la hipótesis nula de que los coeficientes (P) de todos los
términos (excepto la constante) incluidos en el modelo son cero2. El estadístico Chi
S
A
Cuadrado para este contraste es la diferencia entre el valor de -2LL para el modelo sólo
C
con la constante y el valor de -2LL para el modelo actual:
SI
Chi cuadrado = (-2LLMODELO0) – (-2LLMODELO1)
S FÍ
 -2 log de la verosimilitud (-2LL) mide hasta qué punto un modelo se ajusta bien a los
C S
datos. El resultado de esta medición recibe también el nombre de "desviación". Cuanto
TI IA
más pequeño sea el valor, mejor será el ajuste.
Á C
A
M EN
 La R cuadrado de Cox y Snell es un coeficiente de determinación generalizado que se
utiliza para estimar la proporción de varianza de la variable dependiente explicada por las
I
TE C
variables predictoras (independientes). La R cuadrado de Cox y Snell se basa en la

comparación del log de la verosimilitud (LL) para el modelo respecto al log de la
M DE
verosimilitud (LL) para un modelo de línea base. Sus valores oscilan entre 0 y 1.
Y A
 La R cuadrado de Nagelkerke, es una versión corregida de la R cuadrado de Cox y Snell.

A
C
La R cuadrado de Cox y Snell tiene un valor máximo inferior a 1, incluso para un modelo
TE
"perfecto". La R cuadrado de Nagelkerke corrige la escala del estadístico para cubrir el

rango completo de 0 a 1.
O
LI
 Prueba de Hosmer y Lemeshow, Esta es otra prueba para evaluar la bondad del ajuste
IB
de un modelo de regresión logística. Parte de la idea de que si el ajuste es bueno, un valor

alto de la probabilidad predicha (p) se asociará con el resultado 1 de la variable binomial
B
dependiente, mientras que un valor bajo de p (próximo a cero) corresponderá -en la

mayoría de las ocasiones- con el resultado Y=0. Se trata de calcular, para cada
observación del conjunto de datos, las probabilidades de la variable dependiente que
predice el modelo, ordenarlas, agruparlas y calcular, a partir de ellas, las frecuencias
esperadas, y compararlas con las observadas mediante una prueba Χ2. Por otra parte, lo
2
Esta prueba de bondad de ajuste es comparable al test F global que en la Tabla ANOVA se realiza para
evaluar el modelo de Regresión Lineal.

que se desea en esta prueba es que no haya significación (¡lo contrario a lo que suele ser
habitual!), se busca un p>5%.
 Tabla de Clasificación, una forma de evaluar la ecuación de regresión y el modelo

obtenido es construir una tabla 2×2 clasificando a todos los individuos de la muestra según
la concordancia de los valores observados con los predichos o estimados por el modelo,
de forma similar a como se evalúan las pruebas diagnósticas. Una ecuación sin poder de
S
A
clasificación alguno tendría una especificidad, sensibilidad y total de clasificación correctas
igual al 50% (por el simple azar). Un modelo puede considerarse aceptable si tanto la
C
especificidad como la sensibilidad tienen un nivel alto, de al menos el 75%.
SI
S FÍ
2.6. VALIDACION DEL MODELO
C S
TI IA
2.6.1. Índices de validez
Se trata, en esta clase, de procedimientos para evaluar la validez, es decir cuánto se
Á C
A
aproxima una medida al valor real que pretende medir. Es decir, pruebas para determinar
M EN
si un individuo tiene, o no, una cierta enfermedad (u otra característica) (Abraira 1996).
I
TE C
Sean los valores para la característica: Incumplimiento = 1, Cumplimiento = 0

M DE
Figura Nº 6: Tabla de Clasificación

Y A
A
Verdadero Diagnóstico
C
TE
Prueba Enfermo (1) No Enfermo (0)

Verdaderos Positivos Falsos Positivos
Positivo (1)
(VP) (FP)
O
Falsos Negativos Verdaderos Negativos

LI
Negativo (0)
(FN) (VN)
IB
B
Sensibilidad o proporción de verdaderos positivos: Es la probabilidad de clasificar

correctamente a un individuo enfermo, es decir, la probabilidad de que para un sujeto
enfermo se obtenga en la prueba un resultado positivo. La sensibilidad es, por lo tanto, la
capacidad del test para detectar la enfermedad.

Especificidad o proporción de verdaderos negativos: Es la probabilidad de clasificar

correctamente a un individuo sano, es decir, la probabilidad de que para un sujeto sano se
obtenga un resultado negativo. En otras palabras, se puede definir la especificidad como la
capacidad para detectar a los sanos.
S
Valor Predictivo Positivo: Es la probabilidad de padecer la enfermedad si se obtiene un
A
resultado positivo en el test. El valor predictivo positivo puede estimarse, por tanto, a partir
C
de la proporción de pacientes con un resultado positivo en la prueba que finalmente
SI
resultaron estar enfermos:
S FÍ
C S
TI IA
Valor Predictivo Negativo: Es la probabilidad de que un sujeto con un resultado negativo
Á C
en la prueba esté realmente sano. Se estima dividiendo el número de verdaderos
A
M EN
negativos entre el total de pacientes con un resultado negativo en la prueba:
I
TE C
M DE
2.6.2. Curva COR

Son curvas en las que se presenta la sensibilidad en función de los falsos positivos
Y A
(complementario de la especificidad) para distintos puntos de corte.

A
C
TE
Figura Nº 7: CURVA COR

O
LI
IB
B
Fuente: Abraira (1996)
Un parámetro para evaluar la bondad de la prueba es el área bajo la curva que tomará
valores entre 1 (prueba perfecta) y 0,5 (prueba inútil). Puede demostrarse, que este área

puede interpretarse como la probabilidad de que ante un par de clientes, un mal cliente y el
otro buen cliente, la prueba los clasifique correctamente.
En consecuencia, las curvas COR son útiles para:
 Conocer el rendimiento global de una prueba. Área bajo la curva.

 Comparar dos pruebas o dos puntos de corte. Comparación de dos curvas o de dos
puntos sobre una curva.
S
Elegir el punto de corte apropiado para un determinado cliente.
A

C
2.6.3. Coeficiente de GINI
SI
Este coeficiente mide la eficacia de la Scorecard al comparar el porcentaje de clientes
S FÍ
“Cumplidos” frente al porcentaje de “Incumplidos” para los mismos puntajes. Si el
porcentaje de Incumplimiento se traza contra el porcentaje de Cumplimiento, para una
C S
serie de bandas de puntajes el resultado es una curva. El coeficiente Gini es el área entre
TI IA
dicha curva y la línea de la eficiencia nula establecida como un porcentaje del área del
Á C
A
triángulo. Este coeficiente equivale al Ar o prueba de Sommers’D.
M EN
Idealmente un coeficiente Gini debe superar el 35% para una Scorecard de aprobación
(clientes Nuevos), para una Scorecard de comportamiento (Clientes Recurrentes) estará
I
TE C
generalmente más cercano al 60% dependiendo de las limitaciones sobre los datos y
producto3.
M DE
Este indicador mide el grado de concentración de una distribución de frecuencia; de igual

manera, mide la uniformidad de una variable y si los valores de estas variables están más
Y A
o menos uniformemente repartidos a lo largo de la muestra del modelo de comportamiento.

A
C
TE
2.6.4. Prueba de Kolmogorov-Smirnov

Esta prueba es una de las más utilizadas para validar un modelo de Scoring ya que mide el
O
poder de discriminación de la Scorecard entre No Malos y malos y se ve en la máxima

LI
diferencia entre las dos distribuciones.

IB
K-S = D = Máximo | F1i - F2i | Para todo i = 1, 2, .., k.

Donde F1 y F2 son las frecuencias relativas acumuladas de cada distribución y k es el
B
número de rangos.
Entre más alto sea el valor D mejor será el modelo, sin embargo, la debilidad del
estadístico KS es que sólo mide la mayor separación entre las dos distribuciones y no la
diferencia global entre ambas. Un porcentaje aceptable se encuentra cercano a los 2/3 del
coeficiente de Gini, es decir cercano al 25% en modelos de de aprobación (clientes
Nuevos) y cercano al 40% para modelos de comportamiento (Clientes Recurrentes).
3
Score de Microfinanzas, CONSULTORA LISIM - Abril08

CAPITULO III: MATERIAL Y MÉTODOS
3.1. Material
3.1.1. Población para la estimación

Está constituido por el total de créditos del producto Mes Pyme de clientes
S
recurrentes, desembolsados durante el periodo de Agosto del 2008 hasta Julio del
A
2009.
C
SI
Criterios de exclusión:
Los créditos de Personas Jurídicas no se consideran.
S FÍ
3.1.2. Población para la Validación
C S
Está constituido por el total de créditos del producto Mes Pyme de clientes
TI IA
recurrentes, desembolsados durante el periodo de Agosto a Octubre del 2009, (Un
Á C
A
total de 3,850 clientes).
M EN
Criterios de exclusión:
Los créditos de Personas Jurídicas no se consideran.
I
TE C
3.1.3. Muestra para la estimación

M DE
Considerando el estudio de casos y controles, se calculó el tamaño de muestra

utilizando la siguiente expresión:
Y A
A
C
2
z c  1 p(1  p)  z1  cp1 (1  p1 )  p 2 (1  p 2 ) 
TE
 1 2 
n
c p 2  p1  2
O
Donde:
LI
p1  p 2
IB
p
2
c = m/n es el número de controles por cada caso
B
Los factores específicos que intervienen en el cálculo del tamaño de muestra en un

estudio de este tipo son:
Exposición entre los casos (P1): 0.48

Exposición entre los controles (P2): 0.51
OR: 0.89
Nivel de confianza: 95%
Potencia: 80%
N° Controles por Caso: 2.91

Se obtuvo el tamaño de muestra de 11,804 créditos: 2,951 créditos

Incumplidos y 8,853 créditos Cumplidos.
3.1.4. Muestra para la Validación

Para la validación del pronóstico del modelo, se utilizará toda la población de
validación.
S
3.1.5. Variables de Estudio
A
C
Para el presente análisis se consideraron inicialmente 22 variables
SI
independientes que se esperaba pronostiquen la probabilidad de
S FÍ
incumplimiento de los clientes, según la siguiente clasificación:
C S
TI IA
 Variables de Calificación RCC: Son otorgadas por la Central de
Riesgos, pueden haber clientes con calificaciones idénticas, y estas
Á C
A
calificaciones pueden variar considerablemente durante el desarrollo de
M EN
la vida crediticia del cliente. Podemos apreciar en la siguiente tabla, las
variables de calificación:
I
TE C
TABLA Nº 1: calificación del cliente según

M DE
días de atraso en el sistema financiero

Y A
A
CALIFICACIÓN DÍAS DE ATRASO

C
Normal 0
TE
CPP 1 - 30
Deficiente 31 - 60
O
Dudoso 61 - 90
Pérdida 90 a más
LI
Fuente: Resolución S.B.S. 11356 - 2008

IB
 Variables Sociodemográficas: Pertenecen al cliente y no coinciden

B
con las de otros clientes, además no tendrán variaciones considerables

durante el desarrollo de la vida crediticia del cliente.

TABLA Nº 2: variables sociodemográficas

VARIABLES SOCIODEMOGRÁFICAS
Género Género del Cliente
Edad Edad en años cumplidos del Cliente
Estado Civil Estado Civil del Cliente
Aval Cliente cuenta con aval (Si/No)
S
Tipo de Vivienda Tipo de Vivienda del Cliente
A
Antigüedad Cliente Antigüedad del Cliente en la Institución
C
Nº Hijos / Dependientes Nº Hijos / Dependientes (Carga Familiar)
SI
Departamento de Domicilio Departamento de Domicilio del Cliente
S FÍ
Fuente: Elaborado por el Autor
C S
TI IA
 Variables de Datos del Crédito: Abarca todas las características del
Crédito que se otorga al cliente, las características son las siguientes:
Á C
A
M EN
TABLA Nº 3: variables características del crédito

I
TE C
CARACTERÍSTICAS DEL CRÉDITO
Monto Solicitado Monto Solicitado por el Cliente

M DE
Plazo de la Cuota Es el Plazo en días de las cuotas aprobadas
Destino del Crédito Cuál es el Destino, en que se utilizará el Crédito

Y A
Moneda en la que Solicita el Crédito

A
Moneda del Crédito

C
Tipo de Garantía Depósitos en Garantías, Otras Garantías, Patrimonio

TE
Personal, Fianza Solidaria.
Sector Sector económico.

O

LI
IB
 Historial Crediticio: Es la información del cliente respecto a créditos

anteriores, con la que se cuenta en la Institución, con ella podemos
B
saber los cambios (favorables o desfavorables) que se presentan

durante la vida crediticia del cliente.

TABLA Nº 4: variables del historial crediticio

HISTORIAL CREDITICIO
Atraso Atraso Trimestral, tomando como fecha de referencia el

Trimestral crédito anterior al último crédito desembolsado del cliente.
Atraso Atraso Semestral, tomando como fecha de referencia el

Semestral crédito anterior al último crédito desembolsado del cliente.
S
Atraso Anual, tomando como fecha de referencia el crédito
A
Atraso Anual
anterior al último crédito desembolsado del cliente.
C
SI
S FÍ
3.1.6. Definición de Variables
VARIABLE DESCRIPCION TIPO DE VARIABLE
C S
IndByM Indicador de Buen o Mal Cliente Dependiente/ Cualitativa nominal
Calif_Inicial Calificación del cliente en central de riesgo Independiente/ Cualitativa ordinal
TI IA
Número de entidades con las que el cliente
Entidades Independiente/ Cuantitativa discreta
tiene crédito
Á C
Número de meses desde que el Cliente
A
Antigüedad Independiente/ Cuantitativa continua
solicitó su primer crédito en esta institución.
M EN
Monto Monto del crédito (en nuevos soles) Independiente/ Cuantitativa continua
Plazo Plazo total para pagar el crédito (en días) Independiente/ Cuantitativa continua
Destino Destino para el que se utilizará el crédito Independiente/ Cualitativa nominal
I
TE C
Moneda Tipo de moneda Independiente/ Cualitativa nominal

Garantía Tipo de Garantía Independiente/ Cualitativa nominal
M DE
Género Género del cliente Independiente/ Cualitativa nominal

Edad Edad del cliente Independiente/ Cuantitativa discreta
EstCivil Estado civil del cliente Independiente/ Cualitativa nominal
TipoVivienda Tipo de vivienda del cliente Independiente/ Cualitativa nominal
Y A
Departamento Departamento de domicilio del cliente Independiente/ Cualitativa nominal

A
C
Número de personas que dependen

NumDepend Independiente/ Cuantitativa discreta
económicamente del cliente (carga familiar)
TE
Aval Si el crédito fue otorgado con Aval crediticio Independiente/ Cualitativa nominal
Sector Sector económico al que pertenece el cliente Independiente/ Cualitativa nominal

O
Días de atraso máximo en el pago de la

MaxTrim Independiente/ Cuantitativa continua
LI
cuota, en el último trimestre

Días de atraso promedio en el pago de cuota,
PromTrim Independiente/ Cuantitativa continua
IB
en el último trimestre
MaxSem Independiente/ Cuantitativa continua
cuota, en el último semestre
B

PromSem Independiente/ Cuantitativa continua
en el último semestre
MaxAnual Independiente/ Cuantitativa continua
cuota, en el último año
PromAnual Independiente/ Cuantitativa continua
en el último año

3.2. Métodos
Entre los métodos estadísticos a realizar en la presente investigación se consideran:
3.2.1. Regresión Logística

Permite describir la probabilidad de acierto de una variable dependiente
categórica Y, en términos de variables explicativas X.
S
Mediante la Regresión Logística se pretende expresar la probabilidad de
A
impago del cliente.
C
SI
Modelo de regresión logística múltiple:
S FÍ
C S
TI IA
Á C
A
M EN
3.2.2 Análisis de Datos
I
TE C
Para determinar el tamaño de muestra, se utilizó el software Epidat 3.1. presentando

los siguientes resultados:
M DE
 Proporción de casos expuestos.

 Proporción de controles expuestos.
Y A
 Prueba Ji-cuadrado de asociación, con y sin corrección.

A
C
TE
Para el desarrollo del Modelo Credit Scoring, la base de datos fue ingresada en
Microsoft Office Excel – 2010 en el cual se generó las estadísticas descriptivas de
O
cada variable con el fin de recategorizar las variables categóricas (según su

LI
frecuencia y semejanza, usando el criterio de expertos). Luego se realizó el

IB
procesamiento en el software estadístico SPSS vs.18 para la regresión logística y

cálculos de indicadores necesarios para su validación.
B

IV. RESULTADOS
4.1. Elaboración del Modelo

Se utilizó el modelo de regresión logística binomial con el método “introducir”,
obteniéndose los siguientes resultados:
TABLA Nº 5: Variables introducidas inicialmente en la Ecuación
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B

 Analizando la significancia de las variables (sig. < 5%), se excluyen las variables:
“Moneda, Departamento, MaxTrim, PromTrim, MaxSem y PromAnual”.
 Posteriormente se excluyen las variables “PromSem y MaxAnual”, esto con el fin de
mejorar el ajuste del modelo, ya que en la prueba de Hosmer y Lemeshow se
observa una significancia del 0.004 (rechazando la hipótesis nula: “No le falta ajuste
al modelo”).
S
 Por último se excluye la variable Plazo, ya que luego de los pasos anteriores,
A
obtiene una significancia > 5%.
C
SI
Procediendo a volver a realizar la Regresión Logística se obtienen los siguientes
resultados:
S FÍ
C S
TABLA Nº 06: Prueba para la significancia Global del modelo
TI IA
Á C
A
M EN
I
TE C
Fuente: Elaborado en PASW18

M DE
TABLA Nº 07: Resumen del Modelo

Y A
A
C
TE
O
LI

IB
B
TABLA Nº 08: Prueba de Hosmer y Lemeshow

TABLA Nº 09: Validez del Pronóstico
S
A
C
TABLA Nº 10: Estimación del modelo de regresión logística y prueba de la
significancia individual de los coeficientes de regresión.
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B

GRÁFICO Nº 1: Gráfico de grupos observados y probabilidades pronosticadas
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
GRÁFICO Nº 02: Histograma

I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B

GRÁFICO Nº 03: Curva COR
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
TABLA Nº 11: Estimación del área bajo la Curva COR.

Y A
A
C
TE
O
LI
IB

B
Vemos como la sensibilidad y la especificidad del modelo calculado varían según se

establezca un punto de corte u otro para clasificar a los individuos en un grupo de
predicción y que el área bajo la curva es 0,854. Este es el poder de discriminación del
modelo construido, un 85% del máximo posible. Evidentemente es estadísticamente
significativo (la hipótesis nula es la no discriminación, que en la gráfica COR
corresponde a los puntos que caen sobre la diagonal).

4.2. Validación del Modelo

A los 3,850 clientes que desembolsaron créditos en los meses de agosto a octubre del
2009, se les calculó su probabilidad de incumplimiento utilizando el modelo calculado
en el punto 4.1, obteniéndose los siguientes resultados:
TABLA Nº 12: Validez del Pronóstico con créditos

no utilizados para la construcción del modelo
S
A
C
SI
S FÍ
C S
TI IA GRÁFICO Nº 4: Coeficiente de GINI

Á C
A
COEFICIENTE DE GINI
M EN
120%
100%
I
80%
TE C
74.06 %
60%
M DE
40%
20%
0%
Y A
A
C
Probabilidad de Incumplimiento
TE
Fuente: Elaborado en Excel 2010

O
GRÁFICO Nº 5: Coeficiente de Kolmogorov-Smirnov

LI
KS Cumplimiento
Incumplimiento
120%
IB
% Incumplimiento - Cumplimiento
100%
B
80%
58.84%
60%
40%
20%
0%
Rango Score
Fuente: Elaborado en Excel 2010

S
A
TABLA Nº 13: Estimación de los Indicadores GINI – KS
C
Gini - KS
SI
ORDEN RSCORE ProbaTeoA % Proba % Proba Proba
Cumplimiento Proba DIFERENCIA Incumplimiento Proba SUMA Total %Total Gini KS
cum Cumplimiento Acum Incumplimiento Acum Acum
S FÍ
1 Hasta 10 10% 1460 96.2% 52.9% 52.9% 53% 58 3.8% 5.3% 5.3% 5% 1518 39.4% 39.4% 0.02814785 0.4757745
2 10 - 20 20% 592 84.2% 21.4% 74.3% 21% 111 15.8% 10.2% 15.5% 21% 703 18.3% 57.7% 0.04466959 0.58843239
3 20 - 30 30% 276 66.7% 10.0% 84.3% 10% 138 33.3% 12.7% 28.2% 44% 414 10.8% 68.4% 0.04366972 0.56182688
C S
4 30 - 40 40% 165 58.7% 6.0% 90.3% 6% 116 41.3% 10.6% 38.8% 67% 281 7.3% 75.7% 0.04003789 0.51518748
TI IA
5 40 - 50 50% 90 48.9% 3.3% 93.6% 3% 94 51.1% 8.6% 47.4% 86% 184 4.8% 80.5% 0.02812126 0.46155764
6 50 - 60 60% 68 47.6% 2.5% 96.1% 2% 75 52.4% 6.9% 54.3% 102% 143 3.7% 84.2% 0.02506715 0.41738798
Á C
A
7 60 - 70 70% 59 42.8% 2.1% 98.2% 2% 79 57.2% 7.2% 61.6% 116% 138 3.6% 87.8% 0.02476964 0.36628773
M EN
8 70 - 80 80% 32 28.3% 1.2% 99.3% 1% 81 71.7% 7.4% 69.0% 131% 113 2.9% 90.8% 0.01513629 0.30357
9 80 - 90 90% 16 15.5% 0.6% 99.9% 1% 87 84.5% 8.0% 77.0% 146% 103 2.7% 93.4% 0.00846164 0.22955059
10 90 - 100 100% 2 0.8% 0.1% 100.0% 0% 251 99.2% 23.0% 100.0% 177% 253 6.6% 100.0% 0.00128241 2.2204E-16
I
TE C
Total 2760 1090 3850 0.25936345 58.84%
GINI FINAL: 74.06%
M DE
Y A
A
C
TE
O
LI
IB
B

V. DISCUSION
El estudio presenta una manera de desarrollar un modelo credit scoring. El método de

regresión logística fue seleccionado, por tener la ventaja sobre otros métodos de no requerir
el supuesto de normalidad y por calcular directamente las probabilidades de impago.
S
A
De la Tabla Nº 05, observamos las variables que inicialmente se ingresaron en el modelo,
C
los factores de riesgo que resultaron estadísticamente significativos después del cálculo del
SI
OR y la prueba de Ji- Cuadrado de asociación (p-valor < 0.05), de las cuales se procedió a
excluir las variables: Moneda, Departamento, MaxTrim, PromTrim, MaxSem, PromSem,
S FÍ
MaxAnual, PromAnual y Plazo; por no ser significativas.
C S
TI IA
Estos factores fueron considerados para la ecuación de regresión logística múltiple sobre
la probabilidad de incumplimiento de los clientes pymes. Como resultado de la estimación
Á C
A
se encontró que los factores de riesgo significativos fueron las variables: Calif_Inicial (CPP,
M EN
deficiente, dudoso), entidades, antigüedad, monto, destino (activo fijo, capital de trabajo),
garantía (depósitos en garantía, fianza solidaria, otras garantías) género (femenino), edad,
I
TE C
EstCivil (conviviente, soltero, otro), TipoVivienda (alquilado, familiar), dependientes, aval (si
cuenta con aval) y sector (educación, servicio, otro sector).
M DE
La Tabla Nº 06, Prueba de Omnibus, muestra que todos los coeficientes de regresión
Y A
considerados en el modelo estimado de regresión logística múltiple son igualmente

A
C
significativos. X2=4245,620 y p-valor < 0.05. Este resultado fue obtenido de la salida del
TE
paquete estadístico PASW18.

O
El criterio de Hosmer-Lemeshow presenta un p-value de 0,116; concluyendo un buen

LI
ajuste. No obstante, se obtuvo un bajo poder predictivo, evaluado por un R2 generalizado

IB
igual a 0,447. La literatura menciona que no es poco frecuente encontrarse con este caso de
un buen ajuste y un bajo poder predictivo (Escalona - 2011).
B
La Tabla Nº 10 muestra los coeficientes del modelo estimado de regresión logística

múltiple, los valores Wald, la significancia estadística, OR y los intervalos de confianza de
los OR, usted puede ver que los coeficientes estimados tienen valores p menores que 0.05,
lo que indica que existe suficiente evidencia de que los coeficientes no son cero utilizando
un nivel significancia de 0.05. Por lo tanto la ecuación de regresión estimada para
determinar el incumplimiento de pago de un cliente (probabilidad de que no pague el crédito)

en función de sus factores de riesgo significativos está dada en términos de probabilidad,

como sigue:
( )
S
A
C
SI
El coeficiente estimado de 1,555 para la variable Calificación Inicial de un cliente pyme,
representa el cambio en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el
S FÍ
cliente presenta una calificación “CPP” en el momento de solicitar el crédito, en comparación
C S
con los casos en que el cliente muestra una calificación “Normal”, manteniendo las
TI IA
covariables “entidades, antigüedad, monto, destino, garantía, género, edad, EstCivil,
TipoVivienda, dependientes, aval y sector, constantes. En términos de OR un cliente de
Á C
A
calificación inicial “CPP” es 4,733 veces más probable de no pagar el crédito en
M EN
comparación a un cliente con calificación “Normal”.

I
TE C

M DE

cliente presenta una calificación “Deficiente” en el momento de solicitar el crédito, en
comparación con los casos en que el cliente muestra una calificación “Normal”, manteniendo
Y A
A
las covariables “entidades, antigüedad, monto, destino, garantía, género, edad, EstCivil,
C

TE
calificación inicial “Deficiente” es 16,395 veces más probable de no pagar el crédito en

O
LI

IB

B
cliente presenta una calificación “Dudoso” en el momento de solicitar el crédito, en

comparación con los casos en que el cliente muestra una calificación “Normal”, manteniendo
las covariables “entidades, antigüedad, monto, destino, garantía, género, edad, EstCivil,
calificación inicial “Dudoso” es 270,735 veces más probable de no pagar el crédito en

El coeficiente estimado de 0,176 para entidades, representa el cambio en el logaritmo de

P(Incumplimiento)/P(Cumplimiento) con un incremento de 1 unidad ( 1 Entidad) en el
número de entidades en las que se encuentra endeudado el cliente en el sistema financiero,
manteniendo las covariables “Calif_Inicial, antigüedad, monto, destino, garantía, género,
edad, estado civil, tipo de vivienda, dependientes, aval y sector, constantes.
El coeficiente estimado de -0,010 para antigüedad, representa el cambio en el logaritmo
S
de P(Incumplimiento)/P(Cumplimiento) con un incremento de 1 unidad (1 mes) en la
A
antigüedad del cliente en la entidad, manteniendo las covariables “Calif_Inicial, entidades,
C
monto, destino, garantía, género, edad, estado civil, tipo de vivienda, dependientes, aval y
SI
sector, constantes. Esto se diferencia a lo obtenido por Schreiner (1999), en el cual, la
S FÍ
tendencia observada sugiere que el riesgo se incrementa con la experiencia como
prestatario (un prestatario que tuvo su primer crédito de 54 a 147 meses en el pasado es 3,3
C S
puntos porcentuales más probable de incurrir en atrasos costosos que un prestatario nuevo).
TI IA
Sin embargo nuestro resultado se explica en la experiencia y conocimiento histórico del
Á C
A
comportamiento del cliente en la Entidad, mientras mayor antigüedad tenga como cliente, se
M EN
va a sentir más identificado con la Entidad y pagará puntualmente con el fin de que se le
siga otorgando futuros créditos.
I
TE C
El coeficiente estimado de 0,001 para monto, representa el cambio en el logaritmo de

M DE
P(Incumplimiento)/P(Cumplimiento) con un incremento de 1 unidad (S/.100) en el monto del

préstamo solicitado por el cliente, manteniendo las covariables “Calif_Inicial, entidades,
Y A
antigüedad, destino, garantía, género, edad, estado civil, tipo de vivienda, dependientes,
A
C
aval y sector, constantes. Esto coincide a lo obtenido por Schreiner (1999), en el cual, el
TE
efecto del monto desembolsado es significativo en términos estadísticos pero es pequeño en

términos de magnitud, cada aumento del desembolso de $100 aumenta el riesgo en 0,02
O
puntos porcentuales.
LI
IB
El coeficiente estimado de 0,714 para la variable destino del crédito, representa el

cambio en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente solicita el
B
crédito para el destino “Activo fijo”, en comparación con los casos en el que lo solicita para el
destino “Mixto”, manteniendo las covariables “Calif_Inicial, entidades, antigüedad, monto,
garantía, género, edad, EstCivil, TipoVivienda, dependientes, aval y sector, constantes. En
términos de OR un cliente con destino del crédito “Activo Fijo” es 2,042 veces más probable
de no pagar el crédito en comparación a un cliente con destino de crédito “Mixto”.

El coeficiente estimado de -0,397 para la variable destino del crédito, representa el

crédito para el destino “Capital de Trabajo”, en comparación con los casos en el que lo
solicita para el destino “Mixto”, manteniendo las covariables “Calif_Inicial, entidades,
antigüedad, monto, garantía, género, edad, EstCivil, TipoVivienda, dependientes, aval y
sector, constantes. En términos de OR un cliente con destino del crédito “Capital de Trabajo”
es 0,672 veces menos probable de no pagar el crédito en comparación a un cliente con
S
A
destino de crédito “Mixto”.
C
El coeficiente estimado de -0,994 para la variable garantía del crédito, representa el
SI
S FÍ
crédito con un tipo de garantía “depósitos en garantía”, en comparación con los casos en el
que lo cobertura con un tipo de garantía “patrimonio personal”, manteniendo las covariables
C S
“Calif_Inicial, entidades, antigüedad, monto, destino, género, edad, EstCivil, TipoVivienda,
TI IA
dependientes, aval y sector, constantes. En términos de OR un cliente con tipo de garantía
Á C
A
“Depósitos en garantía” es 0,370 veces menos probable de no pagar el crédito en
M EN
comparación a un cliente con garantía tipo “patrimonio personal”.
I
TE C

M DE
crédito con un tipo de garantía “fianza solidaria”, en comparación con los casos en el que lo
cobertura con un tipo de garantía “patrimonio personal”, manteniendo las covariables
Y A

A
C

TE
“fianza solidaria” es 0,215 veces menos probable de no pagar el crédito en comparación a

un cliente con garantía tipo “patrimonio personal”.
O
LI

IB

crédito con un tipo de garantía “otras garantías”, en comparación con los casos en el que lo
B
cobertura con un tipo de garantía “patrimonio personal”, manteniendo las covariables

“otras garantías” es 0,637 veces menos probable de no pagar el crédito en comparación a
un cliente con garantía tipo “patrimonio personal”.

El coeficiente estimado de -0,613 para la variable género de un cliente pyme representa

el cambio en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente es del
género femenino, en comparación con los casos en que el cliente es del género masculino,
manteniendo las covariables “Calif_Inicial, entidades, antigüedad, monto, destino, garantía,
edad, EstCivil, TipoVivienda, dependientes, aval y sector, constantes. En términos de OR un
cliente de género femenino es 0,54 veces menos probable de no pagar el crédito en
comparación a un cliente de género masculino. Esto es similar a lo obtenido por Schreiner
S
(1999), donde se menciona que en microfinanzas es generalmente aceptado que las
A
mujeres representan un menor riesgo que los hombres. La organización boliviana otorgó la
C
mayoría de sus créditos a mujeres (58 por ciento), las cuales fueron mejores riesgos en 0,2
SI
puntos porcentuales. Sin embargo, el efecto no es muy significativo en términos estadísticos
S FÍ
(el valor-p es de 0,35), lo que sugiere que las mujeres y los hombres son más o menos de
igual riesgo, manteniendo todo lo demás constante.
C S
TI IA
El coeficiente estimado de 0,012 para la edad, representa el cambio en el logaritmo de
Á C
A
P(Incumplimiento)/P(Cumplimiento) con un incremento de 1 unidad (1 año) en la edad del
M EN
cliente, manteniendo las covariables “Calif_Inicial, entidades, antigüedad, monto, destino,
garantía, género, estado civil, tipo de vivienda, dependientes, aval y sector, constantes.
I
TE C
El coeficiente estimado de -0,402 para la variable estado civil, representa el cambio en

M DE
el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente presenta estado civil

“Conviviente”, en comparación con los casos en que el cliente es “casado”, manteniendo las
Y A
covariables “Calif_Inicial, entidades, antigüedad, monto, destino, garantía, género, edad,

A
C
TipoVivienda, dependientes, aval y sector, constantes. En términos de OR un cliente con

TE
estado civil “conviviente” es 0,669 veces menos probable de no pagar el crédito en

comparación a un cliente “casado”.
O
LI
El coeficiente estimado de 0,841 para la variable estado civil, representa el cambio en el

IB
logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente presenta estado civil “otro

estado civil”, en comparación con los casos en que el cliente es “casado”, manteniendo las
B

estado civil “otro estado civil” es 2,318 veces más probable de no pagar el crédito en
comparación a un cliente “casado”.

El coeficiente estimado de 1,087 para la variable estado civil, representa el cambio en el

logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente presenta estado civil
“soltero”, en comparación con los casos en que el cliente es “casado”, manteniendo las
estado civil “soltero” es 2,966 veces más probable de no pagar el crédito en comparación a
un cliente “casado”.
S
A
El coeficiente estimado de 1,747 para la variable tipo de vivienda, representa el cambio
C
en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente solicita el crédito
SI
contando con un tipo de vivienda “alquilada”, en comparación con los casos en los que
S FÍ
cuenta con un tipo de vivienda “propia”, manteniendo las covariables “Calif_Inicial,
entidades, antigüedad, monto, destino, garantía, género, edad, estado civil, dependientes,
C S
aval y sector, constantes. En términos de OR un cliente con tipo de vivienda “alquilada” es
TI IA
5,738 veces más probable de no pagar el crédito en comparación a un cliente con tipo de
Á C
A
vivienda “propia”.
M EN
El coeficiente estimado de 0,865 para la variable tipo de vivienda, representa el cambio

I
TE C
en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente solicita el crédito

contando con un tipo de vivienda “familiar”, en comparación con los casos en los que cuenta
M DE
con un tipo de vivienda “propia”, manteniendo las covariables “Calif_Inicial, entidades,

antigüedad, monto, destino, garantía, género, edad, estado civil, dependientes, aval y
Y A
sector, constantes. En términos de OR un cliente con tipo de vivienda “familiar” es 2,374

A
C
veces más probable de no pagar el crédito en comparación a un cliente con tipo de vivienda
TE
“propia”.
O
El coeficiente estimado de 0,212 para la dependientes, representa el cambio en el

LI
logaritmo de P(Incumplimiento)/P(Cumplimiento) con un incremento de 1 unidad (1

IB
dependiente) en el número de personas que dependen del cliente, manteniendo las

B
estado civil, tipo de vivienda, aval y sector, constantes.
El coeficiente estimado de -0,298 para la variable Aval de un cliente pyme representa el

crédito “sin contar con un aval”, en comparación con los casos en que si cuenta con aval
crediticio, manteniendo las covariables “Calif_Inicial, entidades, antigüedad, monto, destino,
garantía, género, edad, estado civil, tipo de vivienda, dependientes y sector, constantes. En

términos de OR un cliente sin aval crediticio 0,743 veces menos probable de no pagar el
crédito en comparación a uno que si cuenta con aval crediticio.
El coeficiente estimado de -3,308 para la variable sector económico, representa el

cambio en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente pertenece al
sector “educación”, en comparación con los casos en los que pertenece al sector “comercio”,
S
género, edad, estado civil, tipo de vivienda, dependientes y aval, constantes. En términos de
A
OR un cliente perteneciente al sector económico “educación” es 0,037 veces menos
C
probable de no pagar el crédito en comparación a un cliente del sector “comercio”.
SI
S FÍ
C S
TI IA
sector “otro sector”, en comparación con los casos en los que pertenece al sector
“comercio”, manteniendo las covariables “Calif_Inicial, entidades, antigüedad, monto,
Á C
A
destino, garantía, género, edad, estado civil, tipo de vivienda, dependientes y aval,
M EN
constantes. En términos de OR un cliente perteneciente al sector económico “otro sector” es
0,585 veces menos probable de no pagar el crédito en comparación a un cliente del sector
I
TE C
“comercio”.
M DE

Y A
sector “servicio”, en comparación con los casos en los que pertenece al sector “comercio”,
A
C

TE
género, edad, estado civil, tipo de vivienda, dependientes y aval, constantes. En términos de
OR un cliente perteneciente al sector económico “servicio” es 0,265 veces menos probable
O
de no pagar el crédito en comparación a un cliente del sector “comercio”.

LI
IB
Con un punto de corte del 0.5, se obtuvo el cálculo de la curva COR, con una área
bajo la curva de 0,854, esto se muestran en el Gráfico N°03 y Tabla N° 11. Con ese punto
B
de corte obtuvimos la Tabla Nº 09 de clasificación; se encontró que el modelo estimado

identifica correctamente el 94.9% (especificidad) de aquellos clientes que son “cumplidos” y
un 47,3% (sensibilidad) que son “incumplidos”. En general el modelo estimado pronostica
correctamente el 83% de los casos. Ahora para valorar la solución, es importante obtener un
grado significativo de acierto en la clasificación, lo cual implica probar que los valores
observados estén relacionados con los pronosticados; y para ello se obtiene la razón de

verosimilitud LR+ = 9,27 dado que el valor de razón de verosimilitud positiva
es alto, por la tanto es una prueba válida.
En la “Tabla N° 12, se muestran los resultados obtenidos en la validación del pronóstico

del modelo (para los 3,850 casos del periodo agosto a octubre 2009), comprobándose que
el modelo cuenta con una especificidad alta de (93,6%), una sensibilidad moderada de
S
(52,6%) y una tasa global de aciertos del 82%. Aceptándose la hipótesis planteada en el
A
presente estudio. Vigano (1993) en su modelo predice el riesgo de morosidad con base en
C
53 características de los créditos de un banco de desarrollo rural en Burkina Faso. Dado el
SI
pequeño tamaño de la muestra (n = 100), el poder predictivo se prueba estimando el modelo
S FÍ
con 99 créditos y comparando el riesgo predicho por el modelo con el estado conocido del
crédito que se deja por fuera; este proceso se repite para todas las observaciones.
C S
Desafortunadamente, el pequeño tamaño de la muestra también requiere condensar las 53
TI IA
características en 13 factores, lo que obstaculiza la identificación de los efectos de las
Á C
características individuales
A
M EN
Schreiner (1999), en su estudio “Un modelo de calificación del riesgo de morosidad para los
I
créditos de una organización de microfinanzas en Bolivia”; menciona que muchos modelos

TE C
vinculan la morosidad a las características del prestamista, del prestatario, y/o del préstamo
M DE
(Reinke, 1998; Zeller, 1998; Sharma y Zeller, 1997; Aguilera-Alfred y González-Vega,

1993). Sin embargo, estos modelos no son muy prácticos para la calificación de créditos por
tres razones. Primero, no son robustos porque están basados en muestras muy pequeñas.
Y A
A
Segundo, algunos de estos modelos usan características que la mayoría de las

C
organizaciones de microfinanzas no poseen y que su recolección sería bastante costosa.

TE
Tercero y más importante, estos modelos no evalúan su poder predictivo pues no realizan
O
una prueba que utilice casos que no fueron utilizados en la construcción del modelo.
El modelo presentado en este documento supera los tres problemas planteados por
LI
Schreiner. Primero, la muestra es grande (n = 11,804). Segundo, se muestra la capacidad

IB
de predicción del modelo en casos diferentes a los que utilizaron para la estimación del
B
modelo (3,850 créditos otorgados en el periodo agosto a octubre 2009). Tercero, el modelo
sólo considera características que la mayoría de las organizaciones de microfinanzas ya
poseen en el momento de la solicitud del crédito.

VI. CONCLUSIONES
1. La ecuación de regresión logística del modelo Credit Scoring en función de sus factores
de riesgo es:
( )
S
A
C
SI
S FÍ
C S
Donde:
TI IA
CPP: Calificación (Con Problema Potencial) ED: Edad
DEF: Calificación (Deficiente) CONVIV: Estado Civil (Conviviente)
Á C
A
DUD: Calificación (Dudoso) OTRO E.C. Otro estado civil
M EN
ENT: Número de Entidades SOLT: Estado Civil (Soltero)
ANT: Antigüedad del Cliente ALQUIL: Tipo Vivienda (Alquilado)
I
MONT: Monto del préstamo FAM: Tipo Vivienda (Familiar)

TE C
ACTFIJ: Destino (Activo Fijo) DEP: N° Dependientes

CAPTRAB: Destino (Capital de Trabajo) CON.AV Con aval crediticio
M DE
DEPGAR: Tipo de Garantía (Depósitos en Garantía) EDU: Sector (Educación)

FISOL: Tipo de Garantía (Fianza Solidaria) OTROSEC: Otro sector económico
OTGAR: Tipo de Garantía (Otro tipo de Garantía) SER: Sector (Servicio)
Y A
A
FEM: Género (Femenino)

C
TE
2. El modelo estimado evidencia la significancia estadística de los coeficientes de regresión en

O
forma conjunta a través de la prueba de Omnibus e individualmente a través de la prueba

LI
de Wald así como el buen ajuste del modelo con la prueba de Hosmer-Lemeshow y un área
de curva COR de 0,854 para un punto de corte del 0.5 y tasa global de aciertos de 83%.
IB
B
3. En el periodo agosto a octubre 2009, posterior al ajuste del modelo, se pronóstico el

incumplimiento de pago en el 19% de los clientes.
4. La evaluación de la validez del pronóstico, para el periodo agosto a octubre 2009,

proporcionó una tasa global de aciertos del 82%, superior al 80% planteado como hipótesis,
con Indicador de Gini del 74.06% e indicador KS del 58.84%.

VII. REFERENCIAS BIBLIOGRÁFICAS
ANDERSON, D.; SWEENEY, D. Y WILLIAMS, T. (2008). Estadística para la Administración y

Economía. (10º.ed.). México: CENGAGE Learning.
S
AGUILERA-ALFRED, N. Y C. GONZÁLEZ-VEGA. (1993) “A Multinomial Logit Analysis of Loan
Targeting and Repayment at the Agricultural Development Bank of the Dominican
A
Republic”, Agricultural Finance Review, Vol. 53, pp. 55-64.
C
SI
ESCALONA, A. (2011) “ Tesis: Uso de los modelos Credit Scoring en Microfinanzas”, pp.1-14
S FÍ
FIGUEIRA, C. (2006). Modelos de Regressão Logística. (Tesis de Maestría). Porto Alegre:
Universidad Federal Rio Grande do Sul.
C S
TI IA
GUJARATI, D. (2003). Econometría. (4º.ed.). México: Mc Graw Hill Interamericana.
Á C
A
M EN
HAND, D.J. y W.E. HENLEY. (1997) “Statistical Classification Methods in Consumer Credit
Scoring: A Review”, Journal of the Royal Statistical Association Series A, Vol. 160, No. 3,
pp. 523-41.
I
TE C
M DE
HOSMER, D. y LEMESHOW, S. (2000). Applied Logistic Regression. Second Edition. New

York: John Wiley & Sons, Inc.
Y A
KLEINBAUM, D. y KLEIN, M (2002). Logistic Regression. A Self-learning Text. New York:

A
Spring, 2a Edition.
C
TE
MCCULLAGH, P. y NELDER, J. (1992). Generalized Linear Model. Chapman & Hall.

O
MONTGOMERY, D.; PECK, E. Y VINNING (2005). Introducción al Análisis de Regresión Lineal.

LI
Segunda Reimpresión. México: Compañía Editorial Continental.

IB
PÉREZ, C. (2005). Métodos Estadísticos Avanzados con SPSS. España: Prentice Hall.
B
QUINTÍN, M.; CABERO, M. y DE PAZ, Y. (2008). Tratamiento Estadístico de datos con SPSS.
México: THOMSON.
REINKE, J. (1998) “How to Lend like Mad and Make a Profit: A Micro-credit Paradigm versus
the Start-Up Fund in South Africa”, Journal of Development Studies, Vol. 34, No. 3, pp. 44-
61.

SCHREINER, M. (1999) “Un modelo de calificación del riesgo de morosidad para los créditos
de una organización de microfinanzas en Bolivia”, Microfinance Risk Management, pp.5-18
SCHREINER, M. (2000) “La Calificación Estadística en las Microfinanzas: ¿Podrá funcionar?”,

Microfinance Risk Management and Center for Social Development.
SHARMA, M. Y M. ZELLER. (1997) “Repayment Performance in Group-Based Credit Programs

in Bangladesh: An Empirical Analysis”, World Development, Vol. 25, No. 10, pp. 1731-42.
S
A
VIGANO, L. (1993) “A Credit-Scoring Model for Development Banks: An African Case Study”,
C
Savings and Development, Vol. 17, No. 4, pp. 441-82.
SI
S FÍ
ZELLER, M. (1998) “Determinants of Repayment Performance in Credit Groups: The Role of
Program Design, Intra-Group Risk Pooling, and Social Cohesion”, Economic Development
and Cultural Change, Vol. 46, No. 3, pp. 599-620.
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B

VIII. ANEXOS
8.1. ANEXO Nº 1: Cálculo del tamaño de Muestra para la estimación
Los factores específicos que intervienen en el cálculo del tamaño de muestra en un

estudio de este tipo son:
 Proporción de casos expuestos o prevalencia de la exposición en los casos (P1),
S
 Proporción de controles expuestos o prevalencia de la exposición en los controles
A
(P2),
C
 Odds ratio esperado (OR).
SI
 Número de Controles por caso.
S FÍ
Considerando el estudio de casos y controles, se calculó el tamaño de muestra cruzando
C S
la variable dependiente con cada variable independiente hasta obtener el mayor tamaño
TI IA
de muestra, el cual se obtuvo con la variable género (de estudios anteriores se considera
Á C
A
que los clientes de género femenino tienen un mejor comportamiento de pago que los
M EN
clientes de género masculino).
A continuación se muestra el detalle:
I
TE C
Incumplimiento Cumplimiento
M DE
I IndByM
Casos Controles Total
Variable Género
Masculino Expuestos 2,700 8,320 11,020
Y A
A
No
C
Femenino 2,906 8,003 10,909

Expuestos
TE
Total 5,606 16,323 21,929

O
LI
IB
B

8.2. ANEXO N° 2: Codificación de variables categóricas
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
* Variable categórica de referencia



COLONIA IPARRAGUIRRE, Denis Vanesa

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

COLONIA IPARRAGUIRRE, Denis Vanesa

Cargado por

Copyright:

Formatos disponibles

Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT

UNIVERSIDAD NACIONAL DE TRUJILLO

ESCUELA ACADÉMICO PROFESIONAL DE ESTADÍSTICA

AUTOR: Br. DENIS VANESA COLONIA IPARRAGUIRRE

ASESOR: Dr. CARLOS ALFONSO RISCO DÁVILA

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

A mi querido hermano ALEX COLONIA,

por brindarme su cariño y apoyo, por ser un

lucha constante por lograr su superación.

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 1

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

A DIOS por ser mi creador, por haberme

gran orgullo de haber egresado, en especial a la escuela

de ingeniería estadística por acogerme durante el

proceso de mi formación académica y profesional.

A mi ASESOR Y JURADOS DE TESIS por

brindarme sus conocimientos, asesorías, paciencia

y tiempo en el desarrollo de esta investigación y en

el transcurso de mi formación académica y

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 2

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

SEÑORES PROFESORES MIEMBROS DEL JURADO.

revisión, esperando sus apreciaciones y sugerencias que lo enriquecerá.

Trujillo, Abril del 2012

Bachiller Denis Vanesa Colonia Iparraguirre.

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 3

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

2.4 Credit Scoring 21

2.6 Validación del Modelo 29

2.1.1 Población para la estimación 31

2.1.3 Muestra para la estimación 31

2.1.5 Variables de estudio 32

2.1.6 Definición de variables 34

2.2.2 Análisis de datos 35

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 4

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

Validez de Pronóstico del Modelo Credit Scoring

Autor: Br. Denís Vanesa Colonia Iparraguirre

Palabras clave: riesgo crediticio, credit scoring, regresión logística, microcréditos,

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 5

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

Validity of the forecast of the model credit scoring

Author: Br. Denís Vanesa Colonia Iparraguirre

validity of predicting. As result obtained a good adjustment of the model, reflected on

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 6

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

En la actualidad el sector de las microfinanzas, está atravesando por una etapa de

concesión de créditos, que en función de toda la información disponible, es capaz de predecir

la probabilidad de impago, asociada a una operación crediticia. Las aplicaciones de credit

analizando en un tiempo mínimo una gran cantidad de información homogénea.

En la década de 1960, en los Estados Unidos comenzaron a desarrollarse y aplicarse

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 7

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

El modelo Credit Scoring utiliza medidas cuantitativas de los resultados y

explicativas, las cuales fueron demográficas (número de personas a su cargo, propiedad o

económicas (tipo de empresa en la que trabaja, cargo en la empresa y antigüedad en el

clasificación correcta de los prestatarios, el análisis de regresión logística mejoraba

sustancialmente al análisis discriminante.

Steenackers y Goovaerts (1989) diseñaron un modelo de calificación estadística para

sugiere una mayor consideración de características socioeconómicas de los prestatarios. Para

BACHILLER DENIS VANESA COLONIA IPARRAGUIRRE Página 8

UNIVERSIDAD NACIONAL DE TRUJILLO - ESCUELA DE ESTADÍSTICA

Schreiner (1999) elaboró un modelo de calificación de créditos para una IMF de

al porcentaje correcto de clasificación, dada la gran diferencia entre los valores de la