Show simple item record

dc.contributor.authorIdczak, Adam Piotr
dc.date.accessioned2019-10-13T09:37:17Z
dc.date.available2019-10-13T09:37:17Z
dc.date.issued2019
dc.identifier.issn0208-6018
dc.identifier.urihttp://hdl.handle.net/11089/30569
dc.description.abstractGranting a credit product has always been at the heart of banking. Simultaneously, banks are obligated to assess the borrower’s credit risk. Apart from creditworthiness, to grant a credit product, banks are using credit scoring more and more often. Scoring models, which are an essential part of credit scoring, are being developed in order to select those clients who will repay their debt. For lenders, high effectiveness of selection based on the scoring model is the primary attribute, so it is crucial to gauge its statistical quality. Several textbooks regarding assessing statistical quality of scoring models are available, there is however no full consistency between names and definitions of particular measures. In this article, the most common statistical measures for assessing quality of scoring models, such as the pseudo Gini index, Kolmogorov‑Smirnov statistic, and concentration curve are reviewed and their statistical characteristics are discussed. Furthermore, the author proposes the application of the well‑known distribution similarity index as a measure of discriminatory power of scoring models. The author also attempts to standardise names and formulas for particular measures in order to finally contrast them in a comparative analysis of credit scoring models.en_GB
dc.description.abstractJednym z podstawowych zadań banków jest udzielanie kredytów i pożyczek pieniężnych. Z punktu widzenia kredytodawcy w procesie kredytowaniem niezwykle istotna jest ocena ryzyka zaniechania płatności zobowiązań potencjalnego kredytobiorcy. W celu selekcji klientów, obok oceny ich zdolności kredytowej, coraz częściej wykorzystuje się modele scoringowe wchodzące w skład metodologii tzw. scoringu kredytowego (creditscoring). W podejściu tym z punktu widzenia kredytodawcy kluczowa jest jakość doboru jednostek, którym kredyt zostanie przyznany. To, czy klasyfikacja dokonywana na podstawie modelu scoringowego jest dobra, może być opisane za pomocą statystycznych miar oceny jakości. Mimo coraz większej popularności metod scoringowych w praktyce gospodarczej literatura dotycząca statystycznych metod oceny ich jakości jest w dalszym ciągu stosunkowo uboga. Ponadto w publikacjach na ten temat często występują rozbieżności w zakresie nazewnictwa oraz konstrukcji poszczególnych miar. W artykule przedstawiono charakterystykę najczęściej stosowanych statystycznych miar oceny jakości modelu scoringowego (m.in. indeksu pseudo Giniego, statystyki Kolmogorova‑Smirnova, krzywej koncentracji), a także podjęto próbę standaryzacji nazewnictwa oraz postaci samych miar jakości modelu scoringowego. Ponadto przedstawione zostało studium przypadku, w którym dokonano analizy porównawczej trzech modeli scoringowych w kontekście ich jakości klasyfikacyjnej.pl_PL
dc.language.isoenen_GB
dc.publisherWydawnictwo Uniwersytetu Łódzkiegoen_GB
dc.relation.ispartofseriesActa Universitatis Lodziensis. Folia Oeconomica; 343
dc.rightsThis work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.en_GB
dc.rights.urihttps://creativecommons.org/licenses/by/3.0/en_GB
dc.subjectcredit scoringen_GB
dc.subjectscoring model qualityen_GB
dc.subjectLorenz and concentration curveen_GB
dc.subjectGini indexen_GB
dc.subjectscoring kredytowypl_PL
dc.subjectjakość modelu scoringowegopl_PL
dc.subjectkrzywa Lorenzapl_PL
dc.subjectkrzywa koncentracjipl_PL
dc.subjectwspółczynnik Giniegopl_PL
dc.titleRemarks on Statistical Measures for Assessing Quality of Scoring Modelsen_GB
dc.title.alternativeUwagi na temat statystycznych miar oceny jakości modelu scoringowegopl_PL
dc.typeArticleen_GB
dc.page.number21-38
dc.contributor.authorAffiliationUniversity of Łódź, Faculty of Economics and Sociology, Department of Statistical Methods
dc.identifier.eissn2353-7663
dc.referencesAbdou H., Pointon J. (2011), Credit scoring, statistical techniques and evaluation criteria: a review of literature, “Intelligent Systems in Accounting Finance & Management”, vol. 18, no. 2–3, pp. 59–88.en_GB
dc.referencesAnderson R. (2007), The credit scoring toolkit, Oxford University Press, New York.en_GB
dc.referencesBishop J. A., Chow K. V., Formby J. P. (1994), Testing for Marginal Changes in Income Distributions with Lorenz and Concentration Curves, “International Economic Review”, vol. 35, no. 2, pp. 479–488.en_GB
dc.referencesCowell F. A. (2000), Measurement of Inequality, [in:] A. B. Atkinson, F. Bourguignon (eds.), Handbook of Income Distribution, vol. 1, Elsevier, Amsterdam, pp. 87–166.en_GB
dc.referencesCrook J. N., Edelman D. B., Thomas L. C. (2007), Recent developments in consumer credit risk assessment, “European Journal of Operational Research”, no. 183, pp. 1447–1465.en_GB
dc.referencesDomański C. (1979), Statystyczne testy nieparametryczne, Państwowe Wydawnictwo Ekonomiczne, Warszawa.en_GB
dc.referencesDomański C. (ed.) (2001), Metody statystyczne. Teoria i zadania, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.en_GB
dc.referencesFinlay S. (2010), Credit Scoring, Response Modelling and Insurance Rating: a practical guide to forecasting consumer behaviour, Palgrave Macmillan, New York.en_GB
dc.referencesGastwirth J. (1972), The Estimation of the Lorenz Curve and Gini index, “Review of Economics and Statistics”, vol. 54, no. 3, pp. 306–316.en_GB
dc.referencesGini C. (1912), Variabilità e Mutuabilità. Contributoallo Studio delle Distribuzioni e delle Relazioni Statistiche, C. Cuppini, Bologna.en_GB
dc.referencesGini C. (1914), Sulla misuradellaconcentrazione e dellavariabilitàdeicaratteri, “Atti R. 1st. Veneto Sci. Lett. Arti”, vol. LXXIII(II), pp. 1203–1248.en_GB
dc.referencesHosmer D. W., Lemeshow S., Sturdivant R. X. (2013), Applied Logistic Regression, 3rd ed., John Wiley & Sons, New Jersey.en_GB
dc.referencesJędrzejczak A. (2010), Metody analizy rozkładu dochodów i ich koncentracji, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.en_GB
dc.referencesKolmogorov A. (1933), Sulla determinazioneempirica di unalegge di distribuzionc, “Instituto Italiano degli Attuari”, no. 4, pp. 1–11.en_GB
dc.referencesLorenz M. O. (1905), Methods of Measuring the Concentration of Wealth, “Publications of the American Statistical Association”, vol. 9, no. 70, pp. 209–219.en_GB
dc.referencesNewson R. (2006), Confidence intervals for rank statistics: Somers’ D and extensions, “The Stata Journal”, vol. 6, no. 3, pp. 309–334.en_GB
dc.referencesRezac M., Kolacek J. (2012), List‑based quality indexes for credit scoring models as an alternative to Gini and KS, “Journal of Statistics: Advances in Theory and Applications”, vol. 7, no. 1, pp. 1–23.en_GB
dc.referencesSiddiqi N. (2017), Intelligent credit scoring. Building and Implementing Better Credit Risk Scorecards, 2nd ed., John Wiley & Sons, New Jersey.en_GB
dc.referencesSmirnov N. V. (1936), Sur la distribution de w2 (criterium de M. R. von Mises), “Comptes rendus de l’Académie des Sciences”, no. 202, pp. 449–452 [paper with the same title in Russian “Recueil Math” 1937, no. 2, pp. 973–993].en_GB
dc.referencesThomas L. C. (2009), Consumer Credit Models: Pricing, Profit, and Portfolio, Oxford University Press, Oxford.en_GB
dc.referencesVielrose E. (1960), Rozkład dochodów według wielkości, Polskie Wydawnictwo Gospodarcze, Warszawa.en_GB
dc.contributor.authorEmailadam.idczak@uni.lodz.pl
dc.identifier.doi10.18778/0208-6018.343.02
dc.relation.volume4en_GB
dc.subject.jelC52en_GB


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.
Except where otherwise noted, this item's license is described as This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.