Nachdem in Kapitel 2 zunächst die allgemeine Idee einer Regression kurz beschrieben wird, erläutert das darauffolgende Kapitel die theoretischen Grundlagen des Modells der multiplen linearen Regression genauer. Dabei wird zunächst die Modellgleichung beschrieben, die Annahmen des Modells festgelegt und die Berechnung der Modellparameter vorgestellt. Die Einfachregression wird als Spezialfall der linearen multiplen Regression eingeführt, bevor auf die Auswertung und Interpretation einer Regressionsanalyse eingegangen wird. Schließlich werden Güte und Stabilität eines Regressionsmodells und verschiedene Teststatistiken erläutert. Das vierte Kapitel beschäftigt sich mit der Anwendung des Regressionsmodells auf einen Datensatz von Privatkundenkrediten. Mithilfe der Regression soll anhand ausgewählter Merkmale, die die persönliche, wirtschaftliche und rechtliche Situation der Kreditnehmer charakterisieren, auf das Kreditausfallrisiko geschlossen werden. Zwar gelingt es die Einflüsse auf das Kreditausfallrisiko zu beschreiben, doch bei der Anwendung auf den Datensatz werden die Schwachstellen des linearen Modells aufgedeckt. Daraufhin wird das besser geeignete Logit-Modell kurz vorgestellt und angewendet. Im letzten Kapitel wird ein Fazit gezogen, indem die verschiedenen Erkenntnisse der Regressionsmodelle zusammengefasst und hinsichtlich einer Anwendung in der Praxis bewertet werden.
Inhaltsverzeichnis
1 Einleitung
2 Idee der Regressionsanalyse
3 Die multiple lineare Regressionsanalyse
3.1 Modellannahmen
3.2 Schätzen der Modellparameter
3.2.1 Die Einfachregression als Spezialfall der multiplen Regression
3.3 Interpretation der Parameter im multiplen Modell
3.3.1 Transformation der abhängigen Variablen
3.3.2 Nicht-Linearitäten in den unabhängigen Variablen
3.3.3 Interaktionen unabhängiger Variablen
3.4 Das Bestimmtheitsmaß im multiplen Regressionsmodell
3.5 Multikollinearität
3.6 Konfidenzintervalle und Signifikanztests
4 Anwendung des Regressionsmodells zur Analyse von Kreditausfallrisiko
4.1 Beschreibung des Datensatzes
4.2 Beschreibung der abhängigen Variablen
4.3 Probleme des linearen Modells bei binären Zielvariablen
4.4 Auswahl der unabhängigen Variablen
4.5 Anwendung des linearen Regressionsmodells
4.5.1 Interpretation
4.6 Das Logit-Modell und die Maximum Likelihood-Methode
4.6.1 Ergebnisse des Logit-Modells
5 Fazit
Zielsetzung & Themen
Die vorliegende Bachelor-Thesis untersucht das Kreditausfallrisiko bei Privatkrediten mittels ökonometrischer Regressionsmethoden. Ziel ist es, anhand eines Datensatzes von 1.000 Privatkrediten statistisch zu evaluieren, welche persönlichen, wirtschaftlichen und rechtlichen Merkmale der Kreditnehmer einen signifikanten Einfluss auf die Kreditwürdigkeit haben und wie diese Erkenntnisse zur Risikoanalyse beitragen können.
- Grundlagen der multiplen linearen Regressionsanalyse und deren Modellannahmen.
- Anwendung des Regressionsmodells auf einen realen Datensatz zur Vorhersage von Kreditausfällen.
- Kritische Analyse der Schwachstellen linearer Modelle bei binären Zielvariablen.
- Vorstellung und Anwendung des Logit-Modells zur Verbesserung der Prognosegenauigkeit.
- Bewertung der Ergebnisse hinsichtlich ihrer praktischen Anwendbarkeit im Bankgeschäft.
Auszug aus dem Buch
4.1 Beschreibung des Datensatzes
Der vorliegende Datensatz wurde von einer süddeutschen Großbank zur Verfügung gestellt und beinhaltet eine Stichprobe von 1.000 Privatkrediten aus dem Jahr 1981. Die Kredite wurden in erster Linie zu Konsumzwecken aufgenommen. Den größten Anteil haben Kredite für PKW (28,4%) und Einrichtungsgegenstände (28%). Die Verwendungszwecke, die auf nachhaltige Investitionen hindeuten und sich auf die zukünftigen Einkommensverhältnisse positiv auswirken sollten, sind mit einem Anteil von 9,7% für Umschulungen und 1,2% für betriebliche Zwecke von nur geringer Bedeutung. Von den 1.000 Privatkundenkrediten konnten 300 Kunden ihren Kredit nicht ordnungsgemäß zurückzahlen, die übrigen 700 Kredite wurden ohne jegliche Verzögerung beglichen. Zu jedem Kunden wurden 20 Untersuchungsmerkmale erfasst, die im Folgenden der statistischen Analyse zur Verfügung stehen und Rückschlüsse auf die Kreditwürdigkeit des Kunden geben sollen. Der Datensatz mit dem Titel „Kreditscoring zur Klassifikation von Kreditnehmern“ ist im Datenarchiv des Instituts für Statistik der Ludwig-Maximilians-Universität München abrufbar.
Zusammenfassung der Kapitel
1 Einleitung: Die Arbeit führt in die historische Bedeutung des Kreditwesens ein und definiert das Problem des Kreditausfallrisikos im modernen Bankenkontext sowie die Zielsetzung der statistischen Untersuchung.
2 Idee der Regressionsanalyse: Dieses Kapitel erläutert die theoretischen Grundlagen, wie durch die Regressionsanalyse Zusammenhänge zwischen erklärenden Variablen und einer abhängigen Zielgröße statistisch quantifiziert werden können.
3 Die multiple lineare Regressionsanalyse: Es werden die mathematischen Modellannahmen, Schätzmethoden, Interpretationsmöglichkeiten von Parametern sowie Gütemaße und Teststatistiken des linearen Modells detailliert beschrieben.
4 Anwendung des Regressionsmodells zur Analyse von Kreditausfallrisiko: Die theoretischen Modelle werden auf einen konkreten Datensatz angewendet, wobei die Eignung des linearen Modells und des Logit-Modells für binäre Zielvariablen praktisch gegenübergestellt wird.
5 Fazit: Die Arbeit resümiert die Erkenntnisse aus den durchgeführten Regressionsmodellen und bewertet kritisch deren Anwendbarkeit und Grenzen für die praktische Kreditwürdigkeitsprüfung in Banken.
Schlüsselwörter
Kreditausfallrisiko, Regressionsanalyse, Logit-Modell, Privatkredite, Kreditwürdigkeit, Ordinary Least Squares, Maximum Likelihood-Methode, Statistik, Bankwesen, Bestimmtheitsmaß, Multikollinearität, Signifikanztest, ökonometrische Modelle, Datenanalyse, Scoring.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der statistischen Analyse von Kreditausfallrisiken bei Privatkunden mithilfe von Regressionsmodellen.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die theoretischen Grundlagen der Regressionsanalyse, die Anwendung dieser Methoden auf Kreditsicherheitsdaten sowie der Vergleich von linearen Modellen mit binären Logit-Modellen.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, durch die Analyse spezifischer Merkmale von Kreditnehmern zu bestimmen, welche Faktoren einen signifikanten Einfluss auf die Wahrscheinlichkeit eines Kreditausfalls haben.
Welche wissenschaftliche Methode wird verwendet?
Es werden die Methode der kleinsten Quadrate (OLS) für die lineare Regression und die Maximum Likelihood-Methode zur Schätzung des Logit-Modells verwendet.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst die Herleitung der Regressionsmodelle, die detaillierte Beschreibung der Einflussfaktoren aus einem realen Datensatz sowie die Interpretation der statistischen Ergebnisse.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich vor allem über Begriffe wie Kreditausfallrisiko, Regressionsanalyse, Logit-Modell und statistische Kreditscoring-Methoden charakterisieren.
Warum wird das Logit-Modell gegenüber der linearen Regression bevorzugt?
Das Logit-Modell eignet sich besser für Datensätze mit binären Zielvariablen, da es das Problem umgeht, dass lineare Wahrscheinlichkeiten außerhalb des Intervalls [0,1] liegen können.
Welche Rolle spielt die "bisherige Zahlungsmoral" für die Bank?
Die Zahlungsmoral ist einer der signifikantesten Faktoren; Kunden mit einer Historie einwandfreier Kreditrückzahlungen weisen eine deutlich höhere Kreditwürdigkeit auf.
Wie bewertet der Autor die Genauigkeit der Modelle für die Praxis?
Der Autor stellt fest, dass selbst bei statistischer Signifikanz die Modelle eine Fehlerquote aufweisen, die eine alleinige Entscheidung durch das System in der Bankenpraxis noch nicht zulässt.
Welche Bedeutung haben Bankberater trotz mathematischer Scoring-Modelle?
Bankberater verfügen über zusätzliche Erfahrung und Menschenkenntnis, um Risiken zu bewerten, die durch mathematische Modelle allein nicht vollständig abgebildet werden können.
- Citar trabajo
- Niklas Herber (Autor), 2014, Regressionsmodelle. Empirische Analyse von Kreditausfallrisiko, Múnich, GRIN Verlag, https://www.grin.com/document/321976
