Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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/
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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
AGRADECIMIENTOS
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
PRESENTACIÓN
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
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
2.1 Material 31
A
C
2.2 Método 35
2.2.1 Regresión logística 35
B
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
sensibilidad, especificidad
O
LI
IB
B
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
Key words: Credit risk, credit scoring, logistic regression, microcredit, sensitivity,
TE
specificity.
O
LI
IB
B
I. INTRODUCCIÓN
1.1 ANTECEDENTES:
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
scoring son aptas para los procesos de evaluación, comportamiento y cobro de los créditos,
B
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
Los resultados obtenidos fueron, que a pesar de no ser un porcentaje muy elevado en la
A
C
los préstamos personales de una entidad financiera belga. En las variables explicativas,
IB
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.
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
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 estuvieron conformadas por las características del hogar del cliente, sus ingresos, el
IB
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.
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
Antes de utilizar un modelo probabilístico, éste debe ser validado para asegurarse de
TE
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
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
Microfinanciera.
Y A
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%.
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
Lacalle (2002, Tesis) establece una serie de características o rasgos comunes de las
TE
financieras existentes.
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
que no tienen acceso a los servicios financieros que ofrecen las entidades financieras
formales.
O
LI
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
puedan poner en marcha pequeños negocios que generen ingresos con los que
LI
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
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
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
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
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
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
recopilación y estandarización.
LI
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
Mínimo requerido.
A
C
TE
Exposición (EAD).
IB
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
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
préstamo, del tiempo transcurrido hasta el vencimiento de la deuda, del tipo de interés y de la
LI
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.
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
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
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
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
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
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
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).
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
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
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
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
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.
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
verosimilitud (LL) para un modelo de línea base. Sus valores oscilan entre 0 y 1.
Y A
La R cuadrado de Cox y Snell tiene un valor máximo inferior a 1, incluso para un modelo
TE
Prueba de Hosmer y Lemeshow, Esta es otra prueba para evaluar la bondad del ajuste
IB
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%.
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
Verdadero Diagnóstico
C
TE
Negativo (0)
(FN) (VN)
IB
B
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
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:
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
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
3.1. Material
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
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
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
Normal 0
TE
CPP 1 - 30
Deficiente 31 - 60
O
Dudoso 61 - 90
Pérdida 90 a más
LI
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
S
Atraso Anual, tomando como fecha de referencia el crédito
A
Atraso Anual
anterior al último crédito desembolsado del cliente.
C
Fuente: Elaborado por el Autor
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
Aval Si el crédito fue otorgado con Aval crediticio Independiente/ Cualitativa nominal
en el último trimestre
Días de atraso máximo en el pago de la
MaxSem Independiente/ Cuantitativa continua
cuota, en el último semestre
B
3.2. Métodos
Entre los métodos estadísticos a realizar en la presente investigación se consideran:
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 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
IV. RESULTADOS
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
S
A
Fuente: Elaborado en PASW18
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
S
A
C
SI
S FÍ
C S
TI IA
Á C
Fuente: Elaborado en PASW18
A
M EN
S
A
C
SI
S FÍ
Fuente: Elaborado en PASW18
C S
TI IA
Á C
A
M EN
I
TE C
M DE
S
A
C
SI
S FÍ
C S
Fuente: Elaborado en PASW18
100%
I
80%
TE C
74.06 %
60%
M DE
40%
20%
0%
Y A
A
C
Probabilidad de Incumplimiento
TE
KS Cumplimiento
Incumplimiento
120%
IB
% Incumplimiento - Cumplimiento
100%
B
80%
58.84%
60%
40%
20%
0%
Rango Score
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%
M DE
Y A
A
C
TE
O
LI
IB
B
V. DISCUSION
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
significativos. X2=4245,620 y p-valor < 0.05. Este resultado fue obtenido de la salida del
TE
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
( )
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
las covariables “entidades, antigüedad, monto, destino, garantía, género, edad, EstCivil,
C
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
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
puntos porcentuales.
LI
IB
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”.
S
A
destino de crédito “Mixto”.
C
El coeficiente estimado de -0,994 para la variable garantía del crédito, representa el
SI
cambio en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente solicita el
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
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
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
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
veces más probable de no pagar el crédito en comparación a un cliente con tipo de vivienda
TE
“propia”.
O
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.
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
El coeficiente estimado de -0,536 para la variable sector económico, representa el
cambio en el logaritmo de P(Incumplimiento)/P(Cumplimiento) cuando el cliente pertenece al
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
sector “servicio”, en comparación con los casos en los que pertenece al sector “comercio”,
A
C
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
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
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
vinculan la morosidad a las características del prestamista, del prestatario, y/o del préstamo
M DE
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
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
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
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
Spring, 2a Edition.
C
TE
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
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
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
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