Factores de riesgo asociados a la morosidad en los créditos de consumo de las entidades financieras privadas de la ciudad de trujillo – perú año 2011

Texto completo

(1)AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS. ESCUELA PROFESIONAL DE ESTADISTICA. Y. M. TESIS. de riesgo asociados a la morosidad en. AS. “Factores. SI C. los créditos de consumo de las Entidades. FI. Financieras Privadas de la Ciudad de Trujillo –. AS. Perú año 2011”. NC I. PARA OPTAR EL TÍTULO DE:. CI E. INGENIERO ESTADISTICO. AUTOR:. ASESORA: MsC. Rosa Gutiérrez de Alarcón. TRUJILLO – PERÚ 2013. BI. BL. IO. TE. CA. DE. Br. MORENO PIMINCHUMO, Wilson Alexander. 1. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(2) de riesgo asociados a la morosidad en. SI C. “Factores. AS. Y. M. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. los créditos de consumo de las Entidades. FI. Financieras Privadas de la Ciudad de Trujillo –. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. Perú año 2011”. 2. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(3) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AT EM AT IC A. DEDICATORIA D edico esta m i tesis, toda m i carrera universitaria y vida personal principalm ente a D ios por ser el autor de la vida y el dador de fuerzas para seguir adelante, luchando día a día e im pulsándom e a no desfallecer y fortaleciendo m i espíritu de superación para poder vencer todas las. M. barreras que se presenten.. Y. A m is queridos padres, Osorio H idalgo M oreno. AS. H errera y E delm ira Pim inchum o D íaz, por su apoyo incondicional, por trasm itir fuerza y am or, ejem plos. SI C. de superación y em puje a sobresalir siem pre en la vida form ándom e com o un ser hum ano con una gran. FI. riqueza espiritual y calidad personal, del cual m e. AS. siento m uy orgulloso.. NC I. A m í querida esposa R uth y m is hijas K eila y A lexandra, quienes son m i m otivación m ás im portante de progreso y. CI E. em puje; siendo las que estuvieron junto a m í en los m om entos buenos y m alos apoyándom e y brindándom e. A m is queridos abuelitos Claudelina, Rosa, Francisco y Carlos por sus consejos, el am or incondicional, ternura y valor que han causado en m i vida.. BI. BL. IO. TE. CA. DE. aliento.. W ilson A lexander M oreno Pim inchum o. 3. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(4) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. PRESENTACIÓN. Señores miembros del jurado calificador,. Cumpliendo con las disposiciones vigentes contempladas en el Reglamento. M. de Grados y Títulos de la Universidad Nacional de Trujillo, Facultad de Ciencias. Físicas y Matemáticas, Escuela Profesional de Estadística, someto a vuestro. Y. criterio profesional la evaluación del presente trabajo de investigación titulado. AS. “Factores de riesgo asociados a la morosidad en los créditos de consumo de las Entidades Financieras Privadas de la Ciudad de Trujillo – Perú año 2011”,. SI C. realizado con el propósito de obtener el título profesional de Ingeniero Estadístico.. FI. El presente estudio tuvo como objetivo determinar los Factores de riesgo asociados a la morosidad en los créditos de consumo de las Entidades. AS. Financieras Privadas de la Ciudad de Trujillo – Perú año 2011.. NC I. Con la convicción que se le otorgará el valor justo y mostrando apertura a sus observaciones, les agradezco por anticipado, las sugerencias y apreciaciones. Trujillo; Abril del 2013.. Br. Moreno Piminchumo, Wilson Alexander. BI. BL. IO. TE. CA. DE. CI E. que se brinden a la investigación.. 4. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(5) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AGRADECIMIENTO. A gradezco a D ios por darm e la vida, por despertar y ver un nuevo día, porque gracias a él gozo. de buena salud junto a m is seres queridos, por tener el privilegio de disfrutar de m is estudios superiores y. M. m antener las fuerzas para triunfar en la vida.. Y. A m is padres que gracias a su am or, esfuerzo y dedicación m e apoyan siem pre en los m om entos. AS. difíciles y están a m i lado para darm e fuerza y valor para seguir adelante.. SI C. A m i esposa e hijas que con su com pañía son inspiración para realizar las cosas m ejor que antes y. FI. esforzarm e a alcanzar m is m etas.. AS. A m is estim adas profesoras M sC. Rosa G utiérrez de A larcón, D ra. Jeannette G onzalez Castro, M sC. R osa Chu Cam pos, quienes con entusiasm o y m otivación m e guiaron durante todo el desarrollo de. BI. BL. IO. TE. CA. DE. CI E. NC I. la investigación y pudieron darm e ingenio para finalizarla de m anera óptim a.. 5. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(6) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. RESUMEN. La presente investigación tuvo como objetivo determinar cuáles son los Factores de riesgo (variables) asociados a la morosidad; cuyo diseño de. investigación es tipo correlacional debido a que la variable respuesta morosidad es dicotómica, para lo cual se utilizó una muestra aleatoria. M. estratificada con asignación igual para cada estrato conformado de 384 clientes seleccionados de las población de clientes que han solicitado un. Y. crédito de consumo en tarjetas de crédito considerando como marco. AS. muestral a los clientes del Banco Continental, Banco Interbank y Banco de Crédito ubicados en el zona urbana de la ciudad de Trujillo en el. SI C. periodo 2011. Evaluando los datos con la metodología estadística de regresión logística se encontró que el 31.25% de la muestra evaluada Se evaluó la relación de dependencia de los. FI. resultó ser morosa.. AS. factores de riesgo con la morosidad determinándose que la variable ingresos mensuales de los clientes no influye para que el cliente sea. NC I. moroso y se estimó que las variables que influyen en la morosidad en las entidades financieras son EDAD, ESTADO CIVIL, SEXO, CARGA CATEGORIA. LABORAL,. INGRESOS. MENSUALES,. CI E. FAMILIAR,. OPERACIONES EN OTRAS ENTIDADES determinándose el modelo adecuado en función de sus variables explicativas que prediga la. DE. morosidad en las entidades financieras. Se evaluó la significación global del modelo con las pruebas de Hosmer y Lemeshow, R cuadrado de Cox. CA. y Snell, R cuadrado de Nagelkerke determinándose que el modelo tiene. BI. BL. IO. TE. buena capacidad predictiva y que el modelo es adecuado.. 6. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(7) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. ABSTRACT. The present study aimed to determine the risk factors (variables) associated with. delinquency, whose design is a correlational research because the response variable is dichotomous delinquency, for which we used a stratified random. sample with equal allocation for each stratum consists of 384 customers selected. M. from the population of clients who have applied for credit in consumer credit cards. as a sampling frame considering customers of Banco Continental and Banco. Y. Interbank Credit Bank located in the urban area of the city of Trujillo in the period. AS. 2011.. SI C. The data were processed with SPSS software vs 15 found that 31.25% of the. FI. sample tested turned out to be delinquent.. We evaluated the dependence of the risk factors to default the variable. AS. determining customers' monthly income does not influence the customer is. NC I. delinquent.. SPSS vs 15 I consider that the variables that influence delinquency in financial. CI E. institutions are age, marital status, sex, family burden, employment status, monthly income, OPERATIONS IN OTHER ENTITIES determining the right model. DE. according to their explanatory variables predict delinquency in financial institutions.. We assessed the global significance of the model with the Hosmer and Lemeshow. CA. test, R Square Cox and Snell, Nagelkerke R square was determined that the has. good. predictive. power. and. that. the. model. is. adequate.. BI. BL. IO. TE. model. 7. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(8) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AT EM AT IC A. ÍNDICE DE CONTENIDO. Pág.. DEDICATORIA. iii. PRESENTACION. iv. AGRADECIMIENTO. v. RESUMEN. vi. vii. M. ABSTRACT. x. AS. Y. INDICA DE TABLAS. 1.2.. Problema. 1.3.. Objetivos 1.3.1. Objetivo General. FI. Introducción. AS. 1.1.. SI C. CAPÍTULO I: INTRODUCCIÒN Y ANTECEDENTES DEL PROBLEMA. Hipótesis. 1.5.. Justificación. CI E. 1.4.. NC I. 1.3.2. Objetivos Específicos. 2.1.. DE. CAPÍTULO II: MATERIAL Y METODOS. Material. CA. 2.1.1. Diseño de investigación. 12 20 20 20 20 21 21. 23. 24 24. 2.1.2. Población. 24. 2.1.3. Marco Muestral. 24. 2.1.4. Muestra. 25. 2.1.5. Criterios de inclusión. 25. 2.1.6. Definición conceptual y operacional de variables. 26. TE IO BL BI. 11. 2.1.6.1. Definición conceptual de variables. 26. 2.1.6.2. Definición operacional de variables. 27 8. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(9) 2.2.. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. Métodos. 29. 2.2.1.. Metodología estadística. 2.2.2.. Método de procesamiento. 29. 36. 37. 3.2.. Análisis de regresión logística. Y. Resultados. 38 46. AS. 3.1.. M. CAPÍTULO III: RESULTADOS. 49. CAPITULO V: CONCLUSIONES Y RECOMENDACIONES. 54. Conclusiones. 5.2.. Recomendaciones. AS. 5.1.. FI. SI C. CAPÍTULO IV: DISCUSIÓN DE RESULTADOS. 57. 58. BI. BL. IO. TE. CA. DE. CI E. NC I. CAPÍTULO V: REFERENCIAS BIBLIOGRAFICAS. 55. 9. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(10) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. ÍNDICE DE TABLAS. Porcentaje de moroso y no moroso.. Tabla 2:. Morosidad vs Edad. Tabla 3:. Morosidad vs Estado Civil. Tabla 4:. Morosidad vs Sexo. Tabla 5:. Morosidad vs Carga familiar.. Tabla 6:. Morosidad vs Categoría laboral. Tabla 7:. Morosidad vs Ingresos mensuales. Tabla 8:. Morosidad vs Antigüedad en el trabajo. Tabla 9:. Morosidad vs Operaciones en otras entidades. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. SI C. AS. Y. M. Tabla 1:. 10. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(11) AS. Y. M. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. SI C. CAPITULO I. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. INTRODUCCIÓN. 11. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(12) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AT EM AT IC A. 1.1 Introducción.. En los últimos años, La Libertad creció por encima del promedio nacional e. incluso es una de las regiones con mayores y mejores perspectivas de inversión originando la apertura de muchos negocios como por ejemplo. grandes centros comerciales y que estos a su vez brindan un crédito de consumo a través de una tarjeta de crédito. Sin embargo en los últimos años. M. se ha podido ver que hay falta de compromiso de los clientes que tiene un. crédito de consumo en tarjeta de crédito, ocasionando que la tasa de. Y. morosidad siga en aumento, lo cual no es un buen indicador para una. AS. economía que pretende convertirse en la segunda más importante después. SI C. de Lima.. Las tarjetas de crédito constituyen un medio eficaz de pago y de obtención. FI. de crédito en demanda inmediata. Se han popularizado su uso para el retiro de dinero en cajeros automáticos y para realizar consumos en diversos. AS. comercios. Son herramientas de gran ayuda para el consumo del usuario así. NC I. como también para los comerciantes, porque pueden contar con un medio de cobro seguro de lo vendido, con independencia de que el tarjeta-habiente (denominación que se utiliza para identificar al usuario de una tarjeta de. CI E. crédito) pague al contado o al crédito.. DE. Principalmente hay dos categorías de tarjetas bancarias: las de crédito y las de débito. Las tarjetas de débito permiten pagar en terminales de punto de venta con cargo a la cuenta bancaria del titular, en otras palabras, al. CA. consumo es cargado directamente del saldo que posee el titular de la tarjeta en su propia cuenta bancaria. Si no hay saldo o es insuficiente, no hay. TE. transacción. Por otro lado, la tarjeta de crédito sirve como instrumento para. BI. BL. IO. la obtención de crédito en demanda, es decir, la transacción no se carga inmediatamente en la cuenta bancaria del poseedor de la misma sino se exige el pago de manera diferida. Las tarjetas de débito y crédito poseen la misma estructura: se trata siempre de tres componentes, el emisor, el comerciante y el usuario de la tarjeta. 12. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(13) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. La tarjeta física de plástico es simplemente un medio material y certificativo que se utiliza para prestar el servicio financiero. Pueden, y de hecho hay,. otros medios físicos para realizar exactamente lo mismo, el teléfono celular o la tarjeta de crédito virtual, usada a través de la computadora.. Hay precauciones que el titular de la tarjeta debe tener y es notificar al. M. emisor de la tarjeta toda vez que la tarjeta haya sido extraviada o substraída. Una vez realizada la comunicación, el titular de la misma queda exento de la. Y. responsabilidad de su uso indebido. El titular debe también notificar a la. AS. entidad financiera sobre cargos fraudulentos o erróneos.. SI C. Sin embargo, la utilización de las tarjetas tiene un inconveniente: Alguien tiene que pagar por el costo que supone mantener un complejo sistema de. FI. servicio monetario "virtual". El que asume la mayor parte de este costo es el comerciante pues tiene que dedicar un porcentaje de la venta al pago de. AS. comisión al emisor/marca de la tarjeta. Ese porcentaje varía de un comerciante a otro dependiendo de su volumen de negocios y por tanto de. NC I. su poder de negociación. Es por esta razón que existen comercios que se niegan a aceptar tarjetas de crédito o se niegan a aceptar algunas marcas. CI E. específicas.. Respecto a la opinión de las Tarjetas de Crédito, muchos dirían que nos. DE. salvan en momentos difíciles (escasa liquidez) otros a pesar que la usan, se quejan de las altas tasas de interés y pago de comisiones, por otro lado. CA. están los que alguna vez manejaron tarjetas pero que terminaron anulándolas porque se sobre endeudaron, y en otro plano están las. TE. personas que nunca han tenido tarjetas de crédito y tampoco desean. BI. BL. IO. tenerlas (y al parecer son los que viven más tranquilos, sin la molestia de realizar pagos futuros).. Según estudios realizados por muchas empresas de mercadeo se puede afirmar lo siguiente: 13. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(14) Mientras más bajo es el nivel socioeconómico, mayor es el deseo de. AT EM AT IC A. •. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. poseer una tarjeta de crédito, y son los jóvenes los que desean acumular más tarjetas en su billetera. •. En términos generales los hombres son los que gastan más, en. comparación a las mujeres (El 30% del consumo proviene de las tarjetas adicionales que han entregado a las esposas). •. Los hombres solteros gastan más en restaurantes, discotecas, bares,. M. clubes nocturnos (por lo general siempre rodeado de amigos y amigas a. las que quiere impresionar – pero siempre termina él impresionado con. Los hombres casados gastan más en supermercados, y uno que otro. AS. •. Y. su pago a fin de mes).. gustito que se puede dar de vez en cuando.. Las mujeres solteras gastan más en las tiendas por departamento (por lo. SI C. •. general, empresa nueva que llega a la ciudad, ellas desean comprar,. FI. más aun si ha salido con amigas de trabajo “a ver tiendas”– Los zapatos, las carteras, son su preferencia).. Las mujeres casadas por lo general siempre están pensando en comprar. AS. •. algo para los hijos, en algunos casos para el esposo (aunque también. NC I. existen algunas mujeres que siempre piensan en ella y actúan como. CI E. solteras, siendo casadas).. Y es que el último reporte de la Central de Riesgo Peruana X Change, revela que de agosto del año 2010 al mismo mes del año 2011, el índice de. DE. morosidad en tarjetas de crédito de consumo, en La Libertad, pasó de 3,63% a 3,89%, cifra que está por encima de la cartera atrasada a nivel nacional. CA. (3,52%). Este informe revela que en 2010, de los S/.373’541.000 que se colocaron en tarjetas de crédito para consumo, el 4,00% estuvo dentro de la. TE. cartera atrasada (morosidad). En tanto, hasta el año 2011, la banca privada. BI. BL. IO. otorgó S/. 482’213.968 y se registró una morosidad de 3,63%. Asimismo, hasta agosto del año 2011, el monto total en colocaciones de tarjetas de crédito de consumo asciende a unos S/. 574’891.886. Es decir, en 2010 la tasa de morosidad regional en tarjetas de crédito, era de 4.00%,. 14. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(15) AT EM AT IC A. el año 2011 fue de 3,63%, mientras que hasta agosto del año 2012 la cartera. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. atrasada aumentó hasta llegar a un 3,89%.. El director comercial de la Central de Riesgo Peruana X Change, Javier Cáceres, calificó este nivel de morosidad como un “incremento ligero”, ya. que aseguró que está dentro de los límites que maneja el sistema bancario. en el Perú. “Este nivel de morosidad está normal y está dentro de lo. M. permitido. Fuera peligroso si hubiera pasado de 3 a 5%, pero en este momento no hay ninguna amenaza ni alarma para el sistema financiero en. AS. Y. todo el país”, precisó.. Por su parte, el presidente del Comité de Entidades Bancarias y. SI C. Administración de Fondos de Pensiones de la Cámara de Comercio de La Libertad, Silvio Drangunsky, dijo que el aumento de cartera de pagos. FI. atrasadao es una buena señal para el sistema bancario, pero consideró que 3,89% de créditos impagos tampoco es una amenaza para cualquier banco,. AS. puesto que las entidades financieras manejan un límite de morosidad. “Por lo general los bancos reservan de sus utilidades dinero para cubrir los futuros. NC I. riesgos. En el Perú los bancos están muy consolidados, por lo que estos márgenes de morosidad están cubiertos por el sistema financiero y no. CI E. implican ningún tipo de riesgo”, explicó Dragunsky.. Dentro de este contexto y viendo que nos encontramos en una economía. DE. muy cambiante es preciso que las entidades financieras privadas implementen en su sistema las herramientas que les permita minimizar. CA. riesgos y a la vez controlar la morosidad evitando que supere los topes permisibles, para ello, se realizó un investigación científica para saber cuáles. TE. son los factores de riesgo (variables) asociados a la causa de esta. BI. BL. IO. problemática.. 15. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(16) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AT EM AT IC A. Antecedentes del Problema:. Se encontró (Giovanna Aguilar, Gonzalo Camargo y Rosa Morales – IEP,. 2006, paginas 74-81) que durante la década de 1990, se produjo un rápido crecimiento de las actividades financieras en el país, el cual se reflejó tanto en el nivel agregado, con el crecimiento del monto intermediado mediante el. sistema financiero formal, como en el nivel de los hogares. Se estima que las. colocaciones del sistema bancario, como porcentaje del PBI, crecieron en. M. 8% entre 1993 y 1998; mientras que el porcentaje de hogares con crédito se. Y. duplicó entre 1994 y 1997, Sin embargo, esta tendencia comenzó a revertirse hacia fines de los años 1990, como consecuencia de la reducción. AS. en la liquidez y el aumento de la morosidad, que fueron ocasionados por la. SI C. crisis financiera internacional y la ocurrencia del fenómeno de El Niño.. En el siguiente articulo (Economía y Sociedad 62, CIES, diciembre 2006,. FI. paginas 74 a 76) se descubrió que El sistema financiero desempeña un. AS. papel fundamental en el funcionamiento de la economía. En ese sentido, contar con instituciones financieras sólidas y solventes permite que los. NC I. recursos financieros fluyan eficientemente desde los agentes superavitarios a los deficitarios. De esta manera, es posible el aprovechamiento de las. CI E. oportunidades de negocios y de consumo. El riesgo de crédito es el tipo de riesgo más importante al que debe hacer frente cualquier entidad financiera. Un indicador de este riesgo es el nivel de morosidad de la entidad; es decir,. DE. la proporción de su cartera que se encuentra en calidad de incumplimiento.. CA. En una publicación (Superintendencia de Banca y Seguros SBS, 1997 y 2001) la morosidad del sistema bancario creció alrededor de 30%. Esta. TE. situación ha llamado la atención sobre el deterioro de la calidad de la cartera. BI. BL. IO. bancaria y sus factores explicativos.. Según el informe del Asbanc el uso de las tarjetas de crédito sigue en aumento, la participación de este mercado a sido la siguiente: 82.77%. 16. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(17) AT EM AT IC A. correspondió a consumo, 15.25% a la microempresa, y el 1.98% a. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. comercial.. Es importante recalcar que la morosidad de las tarjetas de crédito a marzo. del 2008 llegó a 3.53%; 0.11% más que febrero y 0.26% respecto a marzo del 2007. El 91% de las Tarjetas de Crédito se encuentran en moneda nacional.. M. Según publicación (Diario de economías y negocios del Perú, Gestión,. editado por Ricardo Céspedes Mozo, Editor Económico año 2007, p.. Y. 05), “En definitiva el uso del dinero plástico es bueno, siempre y cuando sea. AS. bien utilizado, porque si no es así terminamos quebrados y figurando en las centrales de riesgo, y otra cosa para tener cuidado es en el uso de efectivo. SI C. que te ofrecen en la línea de crédito (el interés es muy alto). Analice usted su bolsillo y sus tarjetas de crédito, ¿Qué le conviene más?, usted ya está. FI. informado”. Indicó también que la morosidad se ha constituido en la principal causa de las dificultades que han sufrido algunos sistemas financieros y. AS. ciertas entidades de tamaño considerable. Así, una elevada cartera morosa es un serio problema que compromete tanto la viabilidad de la institución a. NC I. largo plazo como la del propio sistema. Resaltó que los clientes están tomando precauciones pues, “en enero, un banco recibió US$35 millones de. CI E. pago en líneas de tarjetas de crédito. Parece que la gente quiere estar menos endeudada o prevé que caerá su capacidad de pago”, dijo. En el caso de las instituciones micro financieras, anotó que la morosidad se. DE. mantendrá en 3% y que está trabajando con el Ministerio de Economía y con el Banco Central para darles líneas de crédito por S/.300 millones. Calculó. CA. que dos millones de personas se bancarizarán con el plan del sector Trabajo para que todos los sueldos se canalicen por el sistema financiero. Indico. TE. además que debido a que la actividad económica de las entidades. BI. BL. IO. financieras se desarrolla en un ambiente de incertidumbre, convirtiendo a la morosidad en un factor inherente a la misma, existe la posibilidad de sufrir una pérdida, y las entidades financieras tienen que hacer uso de herramientas estadísticas para encontrar cuáles son los factores asociados a la morosidad. 17. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(18) AT EM AT IC A. [Ergungor y Thomson (2005), Hardy y Pazarbasioglu (1999), Demirgüç-. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. Kunt y Detragiache (1998) y Goldstein y Turner (1996)].El riesgo en las colocaciones de un crédito de consumo ha presentado en las últimas. décadas una importancia creciente, existe abundante evidencia acerca de que el riesgo de crédito continúa constituyendo el principal factor de riesgo que las instituciones financieras deben afrontar y gestionar. Al respecto, cabe. destacar que las crisis bancarias, suelen tener como una de sus causas. M. principales los problemas de solvencia derivados del deterioro de los activos de las entidades y, en particular, los problemas de morosidad de sus carteras. AS. Y. de créditos. Teniendo en cuenta lo anterior, y dado que las crisis bancarias suelen. SI C. generar elevados costos, tanto fiscales como reales resulta relevante para los organismos reguladores y de supervisión bancaria conocer los. FI. determinantes de la morosidad bancaria. A partir de ello, será posible identificar un conjunto de indicadores de alerta que permitan una. AS. intervención oportuna, que minimice la probabilidad de ocurrencia de las. NC I. crisis así como el costo asociado a las mismas.. [Salas y Saurina (2002) y Saurina (1998)]. Existe un conjunto de factores. CI E. asociados a las entidades bancarias que inciden en los niveles de morosidad observados en cada institución. Entre estos, cabe destacar: el tipo de. DE. negocio que desarrolla la institución, el grado de diversificación del riesgo sectorial y geográfico que presenta, la propensión al riesgo y la política crediticia adoptada y los problemas de agencia entre propietarios y gestores. CA. de las entidades. TE. No obstante, a pesar de la existencia de estos elementos de carácter. BI. BL. IO. microeconómico, es posible identificar un conjunto de factores que explican la tendencia común que se observa en la evolución de la morosidad de las instituciones, más allá de las diferencias existentes en los niveles de morosidad de cada entidad. Por ejemplo, cuando la economía entra en una. 18. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(19) AT EM AT IC A. fase recesiva, las empresas y las familias ven reducir sus ingresos –por la. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. reducción de las ventas, en el caso de las empresas, y de los salarios y el. empleo, en el caso de las familias–, lo que dificulta el cumplimiento de sus obligaciones financieras.. En una reciente publicación (Revista de finanzas, 2011, p1) Uno. de. los. grandes problemas de ha provocado esta crisis económica y financiera en. M. los bancos y cajas de ahorros es el aumento de la morosidad que están sufriendo a consecuencia de la escalada de impagos y la falta de ingresos de. Y. particulares.. AS. Y es que la tasa de morosidad en abril 2011, tras descender sorprendentemente en el mes de marzo, volvió a subir continuando con la. SI C. tendencia alcista de los últimos años para situarla en el 6,36% para el conjunto de las entidades financieras.. FI. Esta morosidad de abril 2011 es el nivel más alto registrado desde junio de 1995, dejando la cifra de impagos en nada menos que 115.350 millones de. AS. euros, con un aumento de casi cuatro mil millones más que el mes anterior. Los bancos siguen teniendo la mayor tasa de entre todas las entidades. NC I. financieras con un ratio de morosidad del 6,45% mientras que ésta en las cajas de ahorros es algo menor, llegando al 6,26% y la morosidad de las. CI E. cooperativas de crédito se sitúa en el 5,68% en abril.. En este marco es donde se estudia los Factores de riesgo asociados a la. DE. morosidad en los créditos de consumo de las Entidades Financieras Privadas de la Ciudad de Trujillo – Perú año 2011, evaluando si existe una. CA. relación de equilibrio a largo plazo entre la morosidad y un conjunto de. TE. variables seleccionadas, tales como:. BI. BL. IO. – Variables relativas al perfil del solicitante, que incluyen aquéllas referidas a sus características personales, como edad, estado civil o cargas familiares; las que reflejan su situación profesional, como categoría laboral, ingresos mensuales o antigüedad en el trabajo, junto a otras que definen su relación con la entidad, como compensaciones ofrecidas, número de operaciones 19. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(20) AT EM AT IC A. activas e importe total de las mismas o si tiene otras operaciones en las que. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. se ha producido impago.. Teniendo en cuenta las consideraciones anteriores, en este trabajo llevamos. a cabo un estudio del método de análisis de regresión logística, a fin de determinar cuáles son los factores que influyen en la morosidad de los. clientes y para ello se consideró tomar la muestra de los bancos que tienen. M. alta participación en el mercado en los últimos años como el Banco de Crédito, El Banco Interbank y el Banco Continental; considerando ocho. -. AS. Y. variables explicativas, agrupadas en dos bloques. Variables relativas al perfil del solicitante: Edad, Estado Civil, Sexo y. -. SI C. Cargas familiares.. Variables que reflejan su situación profesional: Categoría laboral,. FI. Ingresos mensuales, Antigüedad en el trabajo y operaciones en otras. AS. entidades.. NC I. 1.2 Problema:. ¿Cuáles son los Factores de riesgo asociados a la morosidad en los créditos. CI E. de consumo de las Entidades Financieras Privadas de la Ciudad de Trujillo?. 1.3 Objetivos:. Objetivo General:. DE. 1.3.1. Determinar los principales factores de riesgo asociados a la. BI. BL. IO. TE. CA. morosidad en los créditos de consumo de las Entidades. 1.3.2. Financieras Privadas de la Ciudad de Trujillo – Perú año 2011. Objetivos Específicos: •. Determinar el porcentaje de morosidad.. •. Estimar. si. existe. dependencia. entre. cada. variable. explicativa con la variable morosidad.. 20. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(21) Estimar el modelo de regresión logística de la morosidad en. AT EM AT IC A. •. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. función a la edad, estado civil, carga familiar, sexo, categoría laboral, ingresos mensuales, antigüedad en el trabajo y operaciones con otras entidades. •. Determinar la significación de cada una de las variables independientes.. Determinar la capacidad predictiva del modelo.. •. Evaluar la significación global del modelo y bondad de. M. •. ajuste a través de los estadísticos de R2 de Cox y Snell,. AS. Y. Nagelkerke y Hosmer−Lemeshow.. SI C. 1.4 Hipótesis:. Los Factores de riesgo asociados a la morosidad en los créditos de. FI. consumo de las Entidades Financieras Privadas de la Ciudad de Trujillo – Perú año 2011 son: Edad menor de 38 años, persona soltera, con. AS. hijos, personas sexo masculino, trabajo informal, ingresos menores a. NC I. 2000 soles, antigüedad laboral menor de 6 meses, tener otros préstamos. CI E. en otras entidades. DE. 1.5 Justificación:. El presente trabajo de investigación, se justifica por las siguientes razones:. Esta información permitiría que el regulador financiero implemente. CA. -. BI. BL. IO. TE. medidas de política para mantener o mejorar la calidad de las carteras de colocaciones. De esta manera, pueden anticipar y minimizar los efectos de las devoluciones desfavorables de la economía permitiendo controlar el destino y utilización de los créditos, a través de un análisis adecuado y así poder minimizar las pérdidas, ayudando a mejorar la economía del Perú.. 21. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(22) Facilitará el conocimiento y el empleo de la metodología estadística de la. AT EM AT IC A. -. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. regresión logística binaria múltiple estimar la influencia conjunta de todos. los factores de riesgo en vez de estudiar variable por vez mediante la prueba chi cuadrado; que pueda ser aplicada en. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. SI C. AS. Y. M. investigaciones.. posteriores. 22. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(23) SI C. AS. Y. M. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. CAPITULO II MATERIAL Y METODOS. 23. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(24) MATERIAL.. AT EM AT IC A. 2.1. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. 2.1.1. Diseño de investigación:. La presente investigación es un estudio de tipo correlacional, pues se orienta a la determinación del grado de relación existente entre morosidad. en los créditos de consumo y un conjunto de factores de riesgo considerados.. M. El diagrama que representa el diseño de investigación mencionado es el. AS. Y. siguiente:. EDAD. SI C. ESTADO CIVIL CARGA FAMILIAR. RELACION. FI. SEXO CATEGORIA LABORAL ANTIGÜEDAD EN EL TRABAJO. AS. INGRESOS MENSUALES. Morosidad. NC I. OPERACIONES EN OTRAS ENTIDADES. CI E. 2.1.2. Población:. DE. La población fue constituida por todos los clientes que han solicitado un crédito de consumo, en las Entidades Financieras Privadas del Banco de Crédito, Banco Interbank y Banco Continental de la ciudad de Trujillo en el. CA. año 2011. BI. BL. IO. TE. 2.1.3. Marco Muestral.. Se tomó información de los file de cada cliente contenido en los archivos de cada banco, además la población atendida por estas entidades bancarias es similar, tienen las mismas características económicas, sociales,. 24. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(25) AT EM AT IC A. pertenecen a una misma localidad ya que solamente se recopilo. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. información de la zona urbana de la ciudad de Trujillo en el año 2011.. 2.1.4. Muestra:. Se aplicará muestreo estratificado con asignación igual para cada estrato.. AS. Y. M. Cálculo del tamaño muestral:. SI C. El tamaño de la muestra fue calculado bajo el supuesto de la máxima dispersión (p = q = 0.5), obteniéndose una tamaño muestral de 384.. FI. La muestra total fue de 384 clientes de los cuales 120 fueron clientes. BANCO CONTINENTAL. TOTAL. 37. 41. 42. 120. 91. 87. 86. 128. 128. 128. CI E. 264 384. DE. MOROSO NO MOROSO TOTAL. BANCO INTERBANK. NC I. BANCO DE CREDITO. AS. morosos y 264 clientes no morosos.. CA. 2.1.5. Criterios de Inclusión:. Personas naturales que han solicitado un crédito de consumo de tarjeta de. TE. crédito en el Banco de Crédito, Interbank y Continental, de la zona urbana. BI. BL. IO. de la ciudad de Trujillo en el año del 2011.. 25. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(26) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. 2.1.6.1. Definición Conceptual de Variables. AT EM AT IC A. 2.1.6. Definición conceptual y operacional de variables.. • MOROSIDAD CREDITICIA: Es el incumplimiento de su compromiso de pago del préstamo de dinero que realizan los clientes en una. determinada fecha según contrato que adquirieron; la morosidad es. M. consecuencia de una mala calificación del crédito, en cuanto a. Y. información, garantías y una pésima administración.. AS. • EDAD: Tiempo, meses, días cumplidos que han transcurrido a. SI C. partir del nacimiento de un individuo hasta el día actual.. • ESTADO CIVIL: El estado civil es la situación de las personas. FI. físicas determinada por sus relaciones de familia, provenientes del matrimonio o del parentesco, que establece ciertos derechos y. AS. deberes. NC I. • SEXO: La palabra "sexo" (desciende del Latín: cortar, dividir) originalmente se refiera nada más que a la división del género. CI E. humano en dos grupos: mujer o hombre. Cada individuo pertenece a uno de estos grupos, i.e. a uno de los dos sexos. La persona es o de. DE. sexo femenino o masculino.. BI. BL. IO. TE. CA. • CARGAS FAMILIARES: Se entienda a la cantidad de hijos que posee una determinada familiar donde existe un vínculo matrimonial o por convivencia.. • CATEGORÍA LABORAL: Se define a las personas que están bajo cierto régimen laboral, ya sean dependientes o independientes.. • INGRESOS MENSUALES: Se define a las personas que reciben cierta cantidad de dinero por un jornal de trabajo ya se para un 26. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(27) negocio o oficio).. AT EM AT IC A. empresa o empleador o de forma independiente (por su propio. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. • ANTIGÜEDAD EN EL TRABAJO: Es el tiempo de servicio que desempeña. un. persona. para. una. empresa. independiente ejerciendo un oficio o actividad.. o. de. manera. M. • OPERACIONES EN OTRAS ENTIDADES: Son las personas que tienen operaciones de crédito (tarjeta de crédito) en otra entidad. AS. Y. diferente a la estudiada.. SI C. 2.1.6.2. Definición Operacional de Variables. • MOROSIDAD CREDITICIA: Se otorga el valor 1 a la persona que. FI. fue calificada por el banco como morosa y 2 a la persona calificada. AS. por el banco como no morosa.. • EDAD: Se define en función a la fecha de nacimiento dada por el. NC I. DNI o por la partida de nacimiento que registro la entidad financiera en su base de datos donde 1 pertenece al rango de 18 a 38 años y 2. CI E. de 39 años a más, en años cumplidos a diciembre del 2011.. • ESTADO CIVIL: Se define en función a su DNI (para el caso de. DE. soltero o casado) o en base a lo dicho. por el cliente (Casado,. crédito en alguna entidad financiera. Toma el valor 1 para la persona casada o conviviente y 2 para soltero.. • SEXO: Se define en función a lo que indica su DNI o por la partida de nacimiento que registró la entidad financiera en su base de datos. Donde 1 es Masculino y 2 es femenino.. BI. BL. IO. TE. CA. conviviente o soltero) al momento que realizo alguna operación de. 27. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(28) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. • CARGAS FAMILIARES: Se define en función a lo que registro la entidad financiera en el momento que el cliente realizo alguna operación de crédito. Donde toma el valor de 1 sin hijos y 2 con hijos.. • CATEGORÍA LABORAL: Se define en función a lo que registro la. M. entidad financiera en el momento que el cliente realizo alguna operación de crédito. Donde 1 son clientes dependientes y 2 clientes. AS. Y. independientes.. • INGRESOS MENSUALES: Se define en función a lo que registro la. SI C. entidad financiera en el momento que el cliente realizo alguna operación de crédito. Donde 1 indica que tiene un ingreso entre 500. FI. a 2000 y 2 un ingreso de 2000 a mas.. AS. • ANTIGÜEDAD EN EL TRABAJO: Se define en función a lo que registro la entidad financiera en el momento que el cliente realizo. NC I. alguna operación de crédito validando con las boletas de pago (para dependientes formales) o con el RUC (independientes). Donde 1. CI E. tiene una antigüedad de 6 meses a 12 meses y 2 si cliente tiene mas de 12 meses trabajando en la misma empresa.. DE. • OPERACIONES EN OTRAS ENTIDADES: Se define en función a lo que registro la SBS (Superintendencias de Bancas y Seguros) al. alguna de las entidad financieras. Donde 1 indica que el cliente si tiene préstamos en otras entidades y 2 no tiene prestamos en otras entidades.. BI. BL. IO. TE. CA. momento que el cliente realizó alguna operación de crédito en. 28. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(29) Operacionalización de Variables VARIABLES. SIMBOLOGÍA. Escala. Morosidad. M. Nominal. Edad. E. OPERACIONALIZACION 1 – Moroso. 2 – No moroso. 1 – Entre 18 y 38. 2 – Entre 39 a más. 1 – Casado o conviviente. E.C. S.. 1 – Masculino. Nominal. 2 – Femenino. Y. Sexo. 2 – Soltero. M. Estado Civil. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AS. Categoría. 1 – Sin Hijos. Car.Fam. 2 – Con hijos. 1 – Dependiente. SI C. Carga Familiar. Cat.Lab.. Ingreso. Antigüedad en el trabajo. Operaciones en. Oper.Ent.. CI E. otras entidades. Ant.Trab.. NC I. mensual. 1 – 500 a 2000. AS. Ing.Men. 2 – Independiente. FI. Laboral. 2 – 2000 a más 1 – 6 meses a 12 meses 2 – Más de 12 meses 1 – Tiene prestamos en otras entidades 2 – No tiene prestamos en otras entidades. DE. 2.2. METODOS:. CA. 2.2.1. METODOLOGA. ESTADISTICA:. ANÁLISIS. DE. REGRESIÓN. TE. LOGÍSTICA BINARIA SIMPLE.. BI. BL. IO. La Regresión Logística es una técnica, donde la variable dependiente o variable respuesta es una variable dicotómica y la variable o variables independientes pueden ser cualitativas o cuantitativas.. 29. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(30) AT EM AT IC A. Es un proceso binomial porque sólo tiene dos posibles resultados: "éxito" y. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. "fracaso", siendo la probabilidad de cada uno de ellos constante en una serie. de repeticiones. A la variable número de éxitos en n repeticiones se le. denomina variable binomial. A la variable resultado de un sólo ensayo y, por tanto, con sólo dos valores: 0 para fracaso y 1 para éxito, se le denomina binomial puntual. (Moroso, No Moroso). Un proceso binomial está caracterizado por la probabilidad de éxito,. M. representada por p (es el único parámetro de su función de probabilidad), la probabilidad de fracaso se representa por q y, evidentemente, ambas. Y. probabilidades están relacionadas por p+q=1. En ocasiones, se usa el. AS. cociente p/q, denominado "odds", y que indica cuánto más probable es el éxito que el fracaso, como parámetro característico de la distribución. SI C. binomial aunque, evidentemente, ambas representaciones son totalmente equivalentes.. FI. Los modelos de regresión logística son modelos de regresión que permiten estudiar si una variable binomial depende, o no, de otra u otras variables (no. AS. necesariamente binomiales): Si una variable binomial de parámetro p es independiente de otra variable X, se cumple p=p|X, por consiguiente, un. NC I. modelo de regresión es una función de p en X que a través del coeficiente de. CI E. X permite investigar la relación anterior.. El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una. DE. observación a uno de los dos grupos. Por ejemplo, si se desea discriminar entre créditos que se devuelven o que. CA. presentan problemas para su cobro, puede añadirse a la base de datos una nueva variable y que tome el valor 0, cuando el crédito se devuelve sin. TE. problemas y valor 1 en otro caso. El problema de discriminación es. está más próximo a 0 que a 1, clasificaremos al elemento en la primera población. En otro caso, lo haremos en la segunda.. BI. BL. IO. equivalente a la previsión del valor de la variable ficticia y. Si el valor previsto. 30. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(31) AT EM AT IC A. Se construye un modelo que permita prever el valor de la variable ficticia. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. binaria de un elemento de una población, en función de ciertas. características medibles x. Supongamos que se dispone de una muestra de. n elementos del tipo (yi, xi) , donde yi es igual a 0 cuando el elemento pertenece a la primera población P1 y 1 cuando pertenece a la segunda P2. A su vez, xi es un vector de variables explicativas.. Y. AS. y = β0 + β01x + u. M. El primer enfoque es formular el siguiente modelo de regresión:. y estimar los parámetros por mínimos cuadrados de la forma habitual. Este. SI C. método es equivalente a la función lineal discriminante de Fisher. Como ya se vio, este procedimiento es óptimo para clasificar si la distribución conjunta. FI. de las variables explicativas es normal multivariante, con la misma matriz de covarianzas. Sin embargo, la discriminación lineal puede funcionar mal en. AS. otros contextos, cuando las covarianzas sean distintas o las distribuciones muy alejadas de la normal. Además, si un objetivo importante del estudio es. NC I. identificar qué variables son mejores para clasificar entre las dos poblaciones, la función lineal se encuentra con problemas de interpretación,. CI E. tanto del modelo como de sus coeficientes estimados.. DE. En concreto, tomando esperanzas en (1) para x = xi E [y|xi] = β0 + β01xi. TE. CA. Llamamos pi a la probabilidad de que y tome el valor 1 cuando x = xi pi= P (y = 1|xi). BI. BL. IO. y la esperanza de y es: E [y|xi] = P (y = 1|xi) · 1 + P (y = 0|xi) ·0 = pi por tanto,. 31. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(32) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. AT EM AT IC A. pi= β0 + β01xi. que es una expresión equivalente del modelo. En consecuencia, la predicción byi estima la probabilidad de que un individuo con características definidas porx = xi pertenezca a la población correspondiente ay = 1.. El inconveniente principal de esta formulación es que pi debe estar entre. M. cero y uno, yno hay ninguna garantía de que la predicción,β0 +β01xi verifique esta restricción, ya queel modelo puede prever probabilidades mayores que. Y. la unidad. Esto no es un problema insalvable para clasificar, pero lo es si. AS. queremos interpretar el resultado de la regla de clasificación como una. SI C. probabilidad de pertenencia a cada población.. A pesar de estos inconvenientes, este modelo simple conduce a una buena. FI. regla de clasificación, ya que según la interpretación de Fisher, maximiza la separación entre los grupos, sea cual sea la distribución de los datos. Sin. AS. embargo, cuando los datos no son normales, o no tienen la misma matriz de covarianzas, la clasificación mediante una ecuación de relación lineal no es. CI E. resultados.. NC I. necesariamente óptima, y el modelo logístico puede conducir a mejores. El modelo logístico (Logit). DE. Si queremos que el modelo proporcione directamente la probabilidad de pertenecer a cada uno de los grupos, debemos transformar la variable. CA. respuesta de algún modo para garantizar que la respuesta prevista esté. BI. BL. IO. TE. entre cero y uno. Si tomamos, pi= F (β0 + β01xi) ,. garantizaremos que pi esté entre cero y uno si exigimos que F tenga esa propiedad.. 32. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(33) AT EM AT IC A. La clase de funciones no decrecientes, acotadas entre cero y uno, es la. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. clase de las funciones de distribución, por lo que el problema se resuelve tomando como F cualquier función de distribución.. Habitualmente se toma como F la función de distribución logística, dada por:. .. AS. Y. M. Esta función tiene la ventaja de ser continua. Además, como,. AS. FI. SI C. resulta que:. denomina logit.. NC I. de modo que, al hacer la transformación, se tiene un modelo lineal que se. CI E. La variable g representa en una escala logarítmica la diferencia entre las probabilidades de pertenecer a ambas poblaciones y, al ser una función. DE. lineal de las variables explicativas, facilita la estimación y la interpretación del modelo.. CA. Una ventaja adicional del modelo logit es que si las variables son normales verifican el modelo logit y, además, también es cierto para una amplia gama. BI. BL. IO. TE. de situaciones distintas a la normal.. 33. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(34) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. En efecto, si las variables son normales multivariantes. Y. M. simplificando,. AT EM AT IC A. ANALISIS DE REGRESION LOGISTICA BINARIA MULTIPLE. SI C. ordenada en el origen, β0, es igual a. AS. Por tanto, gi es una función lineal de las variables x. Comparando con (2) la. FI. Donde ω = V−1 (µ1 − µ2), y el vector de pendientes esβ1 = ω.. AS. Aunque se puede demostrar que la estimación de ߱ ෝ mediante el modelo. NC I. logístico noes eficiente en el caso normal, dicho modelo puede ser más eficaz cuando los poblacionesno tienen la misma matriz de covarianzas, o. CI E. son claramente no normales.. Interpretación del Modelo Logístico. DE. Los parámetros del modelo son: β0, la ordenada en el origen, y β1 = (β1, ...,. βk). A veces, se utilizan también como parámetros exp(β0) y exp(βi), que se. CA. denominan los odds ratios o ratios de probabilidades. Estos valores indican cuánto se modifican las probabilidad es por unidad de cambio en las. BI. BL. IO. TE. variables x. En efecto, de (2) se deduce que:. 34. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(35) AT EM AT IC A. Supongamos que consideramos dos elementos que tienen valores iguales. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. en todas las variables menos en una. Sean(xi1, ..., xih, ..., xik) los valores de. las variables para el primer elemento y (xj1, ..., xjh, ..., xjk) para el segundo, y todas las variables son las mismas en ambos elementos menos en la. variable h donde xih= xjh+1. Entonces, el odds ratio para estas dos. M. observaciones es:. Y. e indica cuánto se modifica el ratio de probabilidades cuando la variable xj. AS. aumenta en una unidad.. FI. SI C. Si consideramos pi = 0,5 en el modelo logit, entonces. NC I. AS. es decir,. CI E. yx1i representa el valor dex1 que hace igualmente probable que un elemento cuyas restantes variables sonx2i, ..., xki, pertenezca a la primera o la segunda. DE. población.. CA. PRUEBAS DE BONDAD DE AJUSTE. Los residuos del modelo (que a veces se denominan residuos de Pearson). BI. BL. IO. TE. se definen como,. 35. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(36) AT EM AT IC A. y, si el modelo es correcto, serán variables de media cero y varianza unidad. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. que pueden servir para hacer la diagnosis de dicho modelo. El estadístico. ܺ଴ଶ = ෍ ݁௜ଶ ூ. permite realizar un contraste global de la bondad del ajuste. Se distribuye. asintóticamente como unaχ2con (n − k − 1) grados de libertad, donde k+1 es el número de parámetros en el modelo.. Y. desviaciones opseudoresiduos definidos por. M. En lugar de los residuos de Pearson se pueden utilizar, también, las. SI C. AS. di= −2(yilog bpi+ (1 − yi) log(1 − bpi)). FI. 2.2.2. Método de Procesamiento:. Una vez recolectados los datos, estos fueron ingresados en una hoja de. AS. trabajo del programa Excel y posteriormente ser analizados utilizando por el. BI. BL. IO. TE. CA. DE. CI E. NC I. software estadístico spss vs 15.. 36. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(37) SI C. AS. Y. M. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. CAPITULO III RESULTADOS. 37. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(38) 3.1. RESULTADOS. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. De la base de datos tomada se puedo encontrar lo siguiente:. TABLA Nª 01: Porcentajes de Moroso y no Moroso 120 264 384. Y. MOROSO NO MOROSO TOTAL. % 31,25 68,75 100. M. Nº. AS. Podemos notar que se ha encontrado en la base de datos un 69% de personas que son no morosas y un 31% de se ha encontrado. SI C. que son morosas.. FI. TABLA Nº 02: Morosidad vs Edad. AS. NC I. Entre 18 y 38 Entre 38 a mas Total. MOROSO EDAD % 110 91.7 10 8.3 120 100. NO MOROSO EDAD % 72 27.3 192 72.7 264 100. TOTAL EDAD 182 202 384. % 47.4 52.6 100. CI E. El 91.7% de los clientes morosos tiene edad enntre 18 y 38 y el 72.7% de las personas no morosas tiene edad entre 38 años a mas.. BI. BL. IO. TE. CA. DE. Resultados del software estadistico EPIDAT.. 38. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(39) AT EM AT IC A. La prueba chi cuadrado indica que existe dependencia entre las variables. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. aceptando por tanto que la edad de un cliente influye en que esta sea morosa o no.. En los resultados del programa epidat vs 3 determinó que el 88% de la variable expuestos (edad de 18 a 38) es responsable del porcentaje de morosidad en la población.. También podemos determinar que las personas que tiene entre 18 a 38 años de. M. edad tienen 27.94 veces más riesgo de ser morosos que las personas que tienen. AS. Y. en de 38 años a más.. TABLA Nº 03: Morosidad vs Estado Civil NO MOROSO Nº % 216 81,8 48 18,2 264 100. TOTAL Nº % 237 61,7 147 38,3 384 100. AS. FI. SI C. MOROSO Nº % 21 17,5 99 82,5 120 100. EST. CIVIL CASADO SOLTERO Total. El 82.5% de los clientes morosos son solteros y el 81.8% de los clientes no. NC I. morosos son casados.. BI. BL. IO. TE. CA. DE. CI E. Resultados del software estadistico EPIDAT.. 39. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(40) AT EM AT IC A. La prueba chi cuadrado indica que existe dependencia entre las variables. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. aceptando por tanto que el estado civil de un cliente influye en que esta sea morosa o no.. En los resultados del programa epidat vs 3 determinó que el 78.25 % de la variable expuestos (SOLTERO) es responsable del porcentaje de morosidad en la población.. También podemos determinar que las personas solteras tienen 20.65 veces más. Y. M. riesgo de ser morosos que las personas que son casadas.. SI C. NO MOROSO Nº % 137 51,9 127 48,1 264 100. TOTAL Nº. % 248 136 384. 64,6 35,4 100. AS. FI. SEXO MASCULINO FEMENINO Total. MOROSO Nº % 111 92,5 9 7,5 120 100. AS. TABLA Nº 04: Morosidad vs Sexo. El 92.5% de las clientes morosas son de sexo masculino y el 48.1% de los. NC I. clientes no morosos son de sexo femenino.. BI. BL. IO. TE. CA. DE. CI E. Resultados del software estadistico EPIDAT.. 40. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(41) AT EM AT IC A. La prueba chi cuadrado indica que existe dependencia entre las variables. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. aceptando por tanto que el sexo de un cliente influye en que sea morosa o no.. En los resultados obtenidos del programa epidat vs 3 determinó que el 83.68 %. de la variable expuestos (MASCULINO) es responsable del porcentaje de morosidad en la población.. También podemos determinar que las personas de sexo masculina tienen 10.88. M. veces más riesgo de ser morosos que las personas que son de sexo femenino.. AS. NO MOROSO CAR. FAM. % 73 27.7 191 72.3 264 100.0. SI C. SIN HIJOS CON HIJOS Total. MOROSO CAR. FAM. % 114 95.0 6 5.0 120 100.0. Y. TABLA Nº 05: Morosidad vs Carga familiar.. TOTAL CAR. FAM. 187 197 384. % 48.7 51.3 100.0. FI. Según la tabla Nº 05 los clientes que resultaron ser morosas sin hijos representan. AS. un porcentaje alto en las personas morosas (95%), mientras los clientes con hijos representan un porcentaje menor (5%). Por otro parte los clientes que resultaron. NC I. no morosas con hijos representan un porcentaje mayor (72.3%) de las personas. CI E. no morosas sin hijos (27.7%).. BI. BL. IO. TE. CA. DE. Resultados del software estadistico EPIDAT.. 41. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(42) AT EM AT IC A. La prueba chi cuadrado indica que existe dependencia entre las variables. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. aceptando por tanto que la carga familiar de un cliente influye en que sea morosa o no.. En los resultados obtenidos del programa epidat vs 3 determinó que el 92.6 % de la variable expuestos (SIN HIJOS) es responsable del porcentaje de morosidad en la población.. También podemos determinar que las personas de que no tiene hijos tienen 45.89. M. veces más riesgo de ser morosos que las personas que son de si tiene hijos.. AS. % 60,8 39,2 100. NO MOROSO Nº % 110 41,7 154 58,3 264 100. SI C. CAT. LABORAL DEPENDIENTE INDEPENDIENTE Total. MOROSO Nº 73 47 120. Y. TABLA Nº 06: Morosidad vs Categoría laboral. TOTAL Nº % 183 47,7 201 52,3 384 100. FI. Según la tabla Nº 06, los clientes que son dependientes representan un porcentaje mayor (60.8%) en los clientes que son morosos, mientras que los. AS. clientes independientes representan un porcentaje mayor (58.3%) en los clientes. NC I. que no son morosos.. BI. BL. IO. TE. CA. DE. CI E. Resultados del software estadistico EPIDAT.. 42. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(43) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. La prueba chi cuadrado indica que existe dependencia entre las variables aceptando por tanto que la categoría laboral de un cliente influye en que sea morosa o no.. En los resultados obtenidos del programa epidat vs 3 determinó que el 33.53 %. de la variable expuestos (DEPENDIENTES) es responsable del porcentaje de morosidad en la población.. También podemos determinar que las personas de que son dependientes tienen. Y. M. 2.21 veces más riesgo de ser morosos que las personas que son independientes.. SI C. NO MOROSO ING. MEN % 142 53.8 122 46.2 264 100.0. TOTAL ING. MEN 237 147 384. % 61.7 38.3 100.0. FI. 500 a 2000 2000 a mas Total. MOROSO ING. MEN % 95 79.2 25 20.8 120 100.0. AS. TABLA Nº 07: Morosidad vs Ingresos mensuales. Según la Tabla Nº 07, los clientes morosos con ingresos entre 500 a 2000. AS. representan el mayor porcentaje (79.2%) de los clientes morosos, mientras que. NC I. los clientes que ganan entre 2000 a más representan el menor porcentaje de las personas no morosas (46.2%). BI. BL. IO. TE. CA. DE. CI E. Resultados con el programa EPIDAT. 43. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(44) AT EM AT IC A. La prueba chi cuadrado indica que existe dependencia entre las variables. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. aceptando por tanto que los ingresos mensuales de un cliente influye en esta sea morosa o no. En los resultados obtenidos del programa epidat vs 3 determinó que el 54.41 %. de la variable expuestos (INGREOS ENTRE S/.500 A S/.2000) es responsable del porcentaje de morosidad en la población.. También podemos determinar que las personas que tienen ingresos entre 500 y. M. 2000 tienen 3.22 veces más riesgo de ser morosos que las personas que tiene un. Y. ingresos mayor a 2000.. % 41,7 58,3 100. % 49,2 50,8 100. TOTAL Nº 180 204 384. % 46,9 53,1 100. FI. ANT. TRABAJO 6 A 12 MESES 12 MESES A + Total. NO MOROSO Nº 130 134 264. SI C. MOROSO Nº 50 70 120. AS. TABLA Nº 08: Morosidad vs Antigüedad en el trabajo. AS. Según la tabla Nº 08 las personas que tienen como antigüedad en el trabajo más de 12 meses representa un 58.3% de las personas morosas con respecto a las. NC I. personas que tienen 6 a 12 meses que representa un 41.7%. IO. TE. CA. DE. CI E. Resultados con el software EPIDAT.. BI. BL. La prueba chi cuadrado indica que no existe dependencia entre las variables aceptando por tanto que los ingresos mensuales de un cliente no influye en que sea morosa o no 44. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(45) S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. OPER. NET SI NO Total. MOROSO Nº % 95 79,2 25 20,8 120 100. AT EM AT IC A. TABLA Nº09: Morosidad vs Operaciones en otras entidades NO MOROSO Nº % 136 51,5 128 48,5 264 100. TOTAL Nº % 231 60,2 153 39,8 384 100. Según la tabla Nº 09 resultó que las personas que tienen operaciones en otras. entidades representa un 79.2% de las personas que son morosas en comparación. M. de las personas que no tienen operaciones en otras entidades que representa un. DE. CI E. NC I. AS. FI. SI C. Resultados del software estadistico EPIDAT.. AS. Y. 20.8%.. La prueba chi cuadrado indica que existe dependencia entre las variables. CA. aceptando por tanto que las operaciones en otras entidades de un cliente no influye en que sea morosa o no. TE. En los resultados obtenidos del programa epidat vs 3 determinó que el 56.54 % de la variable expuestos (SI TIENE OPERACIONES EN OTRAS ENTIDADES) es. IO. responsable del porcentaje de morosidad en la población.. BI. BL. También podemos determinar que las personas que tienen operaciones en otras entidades tienen 3.52 veces más riesgo de ser morosos que las personas que no tiene operaciones en otras entidades. 45. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(46) 3.2. ANALISIS DE REGRESION LOGISTICA. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática Y Comunicación - UNT. TABLA.01 Modelo de regresión logística estimado Variables en la ecuación. EDAD. B 3.298. E.T. .584. Wald 31.868. EST.CIVIL. gl 1. -2.527. .557. 20.598. 1. SEXO. 2.800. .624. 20.124. 1. CAR.FAM. 3.884. .695. 31.253. 1. CAT.LAB. 1.346. .542. 6.167. ING.MEN. 1.519. .550. 7.644. OPER.ENT. 1.831. .582. 9.896. -14.981. 2.541. 34.771. Constante. Exp(B) 27.049. .000. .080. .000. 16.449 48.629. .013. 3.843. 1. .006. 4.569. 1. .002. 6.237. 1. .000. .000. M. .000. AS. a Variable(s) introducida(s) en el paso 7: CAT.LAB.. Sig. .000. 1. Y. Paso 8(a). FAMILIARES,. INGRESOS. SI C. El modelo estimó que las variables EDAD, ESTADO CIVIL, SEXO, CARGAS MENSUALES. Y. OPERACIONES. EN. OTRAS. FI. ENTIDADES son altamente significativas y que la variable CATEGORIA LABORAL resulto ser significativa y que la variable ANTIGÜEDAD EN EL. AS. TRABAJO no fue incluida en el modelo es decir que no influye en que un cliente. NC I. sea moroso.. Se calcularon los coeficientes β donde indica que es el incremento producido a la. CI E. probabilidad de que un cliente sea moroso por un incremento unitario en la variable explicativa. También se encontró coeficientes positivos lo que implica un. DE. aumento en la probabilidad de ocurrencia en que sea moroso.. Se evaluó la significancia con la prueba de wald donde contrasta la hipótesis nula. CA. de que el valor de β sea 0, pero en todas las variables podemos apreciar que el valor de la prueba de wald que sigue una ley de chi cuadrado son altos, lo que. TE. nos indica que se rechaza la hipótesis nula determinándose que estas variables. BI. BL. IO. aportan al modelo por eso se deben de mantener en el modelo.. Se estimó que las personas que tienen edad entre 18 a 38 tienen 27.049 veces más riesgo de ser morosos.. 46. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.