Semiparametrisches Kredit Scoring

Größe: px
Ab Seite anzeigen:

Download "Semiparametrisches Kredit Scoring"

Transkript

1 Semiparametrisches Kredit Scoring Marlene Müller Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM) Kaiserslautern Bernd Rönz, Wolfgang Härdle Center for Applied Statistics and Economics (CASE) Humboldt-Universität zu Berlin

2 Übersicht Ausfallwahrscheinlichkeiten Problem und Datenbeschreibung Logistisches Kredit Scoring Semiparametrisches Kredit Scoring Test des semiparametrischen Modells Missklassifikation und Performance-Kurven Folie 1

3 Kredit Rating/Scoring neue Bedeutung durch Basel II: Eigenkapitalunterlegung von Kreditrisiken angepaßt an individuelles Kreditrisiko Möglichkeiten für Banken: Ratings und Ausfallwahrscheinlichkeiten externer Ratingagenturen interne Ratings (IRB-Ansatz) bessere Anpassung an eigenes Kreditportfolio Kernproblem: Schätzung von Ausfallwahrscheinlichkeiten (PDs) Referenz: The New Basel Capital Accord ( Basel II ) Folie 2

4 Aus Ausfallwahrscheinlichkeiten... werden bestimmt Ratingklassen AAA, AA+, AA,..., BB,..., D entsprechen z.b. PDs 0.01%, 0.02%, 0.03%,..., 1.17%,..., 100% erwarteter Verlust EL = PD EAD LGD Folie 3

5 Methoden zur Bestimmung von PDs Diskriminanzanalyse/Klassifikationsmethoden Bestimmung von Scores kategorielle Regressionsmodelle (Logit/Probit, Panel, geordnete Kategorien) Bestimmung von Scores + Ausfallwahrscheinlichkeiten Merton-Ansatz (Aktie des Unternehmens wird als Option auf Firmenwert betrachtet) Ausfallwahrscheinlichkeit durch distance to default Jarrow, Lando, Turnbull (Übergangswahrscheinlichkeiten) Folie 4

6 Kategorielle Regressionsmethoden Modell und Prognose für P (Y = 1 X) = E(Y X) Logit-Modelle (Logistische Diskriminanzanalyse) Modifikationen Probit-Modell (andere Linkfunktion) Panelmodelle Stichprobenselektionskorrektur (Heckman-Schätzer) Folie 5

7 Datenbeispiele Stichprobe für Autokredite Ja Nein (in %) Y Kreditausfall Bisherige Kredite OK Beschäftigt Min Max Mittel St.Abw. Kreditdauer (Monate) Kreditbetrag (DM) Alter (in Jahren) Referenzen: Fahrmeir & Hamerle (1984), Fahrmeir & Tutz (1995) Folie 6

8 Französische Bankdaten Abhängige Variable Y (Kreditstatus, 0= Nicht-Ausfall, 1= Ausfall ) Metrische Variablen X2 bis X9. Kategorielle Variablen X10 bis X24. Schätz- Validierungsstichprobe stichprobe 0 ( Nicht-Ausfälle ) 5808 (94%) 1891 (94.6%) 1 ( Ausfälle ) 372 ( 6%) 107 ( 5.4%) total Tabelle 1. Zusammenfassung. Folie 7

9 Deskriptive Analyse X2 X3 Density Density X X X X5 Density Density X X Abbildung 1. Kerndichteschätzungen, Variablen X2 bis X5. Folie 8

10 X6 X7 Density 1.5 Density X X X X9 Density Density X X Abbildung 2. Kerndichteschätzungen, Variablen X6 bis X9. Folie 9

11 Scatterplots X Y X X4 X5 X2 X3 X4 Abbildung 3. Scatter-Kontur-Plots, Variablen X2 bis X5. (Beobachtungen zu Y=1 in schwarz.) Folie 10

12 Y X X X4 X5 X2 X3 X4 Abbildung 4. Kontur-Kontur-Plots, Variablen X2 bis X5. (Beobachtungen zu Y=1 in schwarz.) Folie 11

13 Y X X X8 X9 X6 X7 X8 Abbildung 5. Scatter-Plots, Variablen X6 bis X9. (Beobachtungen zu Y=1 in schwarz.) Folie 12

14 Y X X X8 X9 X6 X7 X8 Abbildung 6. Scatter-Kontur-Plots, Variablen X6 bis X9. (Beobachtungen zu Y=1 in schwarz.) Folie 13

15 Logistisches Kredit Scoring Logit-Modell (logistische Diskriminanzanalyse) P (Y = 1 X) = F 24 j=2 βj X j + β 0, F ( ) = e X j bezeichnet jte Variable, falls Xj metrisch (j {2,..., 9}) Vektor von Dummies, falls Xj kategoriell (j {10,..., 24}) Folie 14

16 Logit-Modell binäre abhängige Variable 1 falls Y = v(x) u > 0 Y = 0 sonst Y = latente Variable, (negativer) Kredit-Score v( ) = Indexfunktion, die Beziehung zwischen X und Y modelliert, z.b. EY = v(x) = 24 j=2 β j X j + β 0 u F Fehlerterm. Folie 15

17 Variable Koeffizient St.Abw. t-wert Variable Koeffizient St.Abw. t-wert X0 (const.) X19# X X19# X X19# X X19# X X19# X X19# X X19# X X19# X X19# X10# X20# X11# X20# X12# X20# X13# X21# X14# X21# X15# X22# X15# X22# X15# X22# X15# X22# X15# X22# X16# X22# X16# X22# X16# X22# X16# X22# X16# X22# X17# X23# X17# X23# X17# X24# X17# X17# X18# X18# X18# X18# df 6118 X18# Log-Lik X18# Devianz Folie 16

18 Performance (Lorenzkurven) berechne Scores, z.b. S = X 5 oder S = 24 j=2 β j X j + β 0 plotte 1 F (s) = P (S > s) ( Ausfall klassifiziert) vs. 1 F 1 (s) = P (S > s Y = 1) ( Ausfall klassifiziert und tatsächlich Ausfall ) Folie 17

19 1-F(s Y=1) 100% optimal curve Lorenz curve Percentage of Defaults 1-F(s) 100% Percentage of Applicants (ordered from bad to good) Folie 18

20 Performance Logit-Modell, AR= F(s Y=1) 1-F(s) Abbildung 7. Performance-Kurve für Logit-Modell (rot) und optimale Kurve (blau). Folie 19

21 AR = 0.076, +X2 AR = 0.168, -X3 AR = 0.043, -X4 AR = 0.023, +X5 1-F1 1-F1 1-F1 1-F1 1-F 1-F 1-F 1-F AR = 0.024, +X6 AR = 0.052, -X7 AR = 0.165, -X8 AR = 0.107, -X9 1-F1 1-F1 1-F1 1-F1 1-F 1-F 1-F 1-F Abbildung 8. Lorenzkurven für alle Variablen Folie 20

22 AR = 0.043, -X4 AR = 0.023, +X5 AR = 0.052, -X7 1-F1 1-F1 1-F1 1-F T = 0.063, -X4 1-F T = 0.050, +X5 1-F T = 0.065, -X7 f0, f f0, f1 f0, f X X X Abbildung 9. Lorenzkurven, Dichten (bed. auf Y ) für ausgewählte Variablen. Folie 21

23 Wie hängt Y (genauer: log( p )) von einer 1 p Variablen ab? Variable X y t Abbildung 10. Marginale Abhängigkeit, Variable X5. Dickere Punkte entsprechen mehr Beobachtungen. Folie 22

24 Variable X2 Variable X3 y y t t Variable X4 Variable X5 Variable X y y y t t t Abbildung 11. Marginale Abhängigkeiten, Variablen X2 bis X5, X7. Folie 23

25 Semiparametrisches Kredit Scoring Partiell lineares Logit-Modell P (Y = 1 X, T ) = F {β X + m(t )} wobei F ( ) bekannte (Link-)Funktion, hier wie zuvor F ( ) = 1 1+e m( ) unbekannte glatte Funktion β unbekannter Parametervektor Folie 24

26 Maximum Likelihood im GLM E(Y X) = µ = G{X β}, V ar(y X) = σ 2 V (µ) Maximierung der (Log-)Likelihoodfunktion l(y, µ) = i l i (Y i, µ i ) = i Y i log(µ i ) + (1 Y i ) log(1 µ i ) bzw. Minimierung der Devianz Dev(Y, µ) = 2 max µ l(y, µ) 2l(Y, µ) Algorithmus: iteratively reweighted least squares Referenz: McCullagh & Nelder (1989) Folie 25

27 Semiparametrisches Maximum Likelihood GPLM ( generalized partial linear model ) E(Y X, T ) = µ = G{X β + m(t )}, V ar(y X, T ) = σ 2 V (µ) Kombination von klassischem und geglättetem (Log-)Likelihood für β: iteratively reweighted least squares +modifizierte Designmatrix für m( ): Nadaraya-Watson (oder anderer) Glätter Folie 26

28 Schätzung im GPLM E(Y X, T ) = G ( X β + m(t ) ) β kann bei bekanntem m geschätzt werden (parametrische Methode, gewichtete KQS), m kann bei bekanntem β geschätzt werden (nichtparametrische Methode, Nadaraya-Watson-Typ) Schätzverfahren Profile Likelihood, (verallgemeinerter) Speckman-Schätzer Backfitting, modified Backfitting Referenzen: Severini & Staniswalis (1994), Speckman (1988), Hastie & Tibshirani (1990) Folie 27

29 Algorithmus (verallgemeinerter Speckman-Schätzer) parametrischer Teil β new = ( X W X ) 1 X W z, nichtparametrischer Teil m new = S(z X β) mit S = Smoothermatrix, X = (I S)X, z = (I S)z = X β W 1 v. X Design, I Identitätsmatrix, v = (l i ), W = diag(l i ) Folie 28

30 Schätzmatrix Das Updaten des Index X β + m kann durch eine lineare Schätzmatrix ausgedrückt werden: X β new + m new = Rz mit R = X { X W X } 1 X W(I S) + S. Folie 29

31 χ 2 Test wenn (bei Konvergenz) η = Rz = R( η W 1 v), η = X β + m Dev (y, µ) (z η) W 1 (z η) Approximative Freiheitsgrade df err ( µ) = n tr ( 2R R WRW 1) oder df err ( µ) = n tr (R) Referenz: Hastie & Tibshirani (1990) Folie 30

32 Anwendung nichtparametrische Einbeziehung von Variable T = X5 P (Y = 1 X 5, X 5 ) = F βj X j + m 5 (X 5 ) j 5 nichtparametrische Einbeziehung von T = (X4,X5) P (Y = 1 X 4, 5, (X 4, X 5 )) = F βj X j + m 45 (X 4, X 5 ) j 4,5 Folie 31

33 Nichtparametrisch in X2, Logit X2 X3 X4 X5 X7 X4,X5 X4,X5 Konstante X X X X X X X X Tabelle 2. Parametrische Koeffizienten für Variablen X2 bis X9. (Fettgedruckte Werte sind zu 5% signifikant.) Folie 32

34 P (Y = 1 X) = F 24 βj X j + m 5 (X 5 ) j=2,j 5 Variable X5 y, mlin(t), m(t) t Abbildung 12. Marginale Abhängigkeit, Variable X5. Dickere Punkte entsprechen mehr Beobachtungen. Parametrisches (rot) und GPLM- Logit-Modell (grün). Folie 33

35 Variable X2 Variable X3 y, mlin(t), m(t) y, mlin(t), m(t) t t Variable X4 Variable X5 Variable X7 y, mlin(t), m(t) y, mlin(t), m(t) y, mlin(t), m(t) t t t Abbildung 13. Marginale Abhängigkeiten, Variablen X2 bis X5, X7. Parametrisches (rot) und GPLM-Logit-Modell (grün). Folie 34

36 Variable X Abbildung 14. Bivariate nichtparametrische Schätzung für Variablen X4, X5. Folie 35

37 Test des Semiparametrischen Modells Nichtparametrisch in X2, Logit X2 X3 X4 X5 X7 X4,X5 X4,X5 Devianz df α AIC Pseudo-R % 14.9% 14.8% 15.0% 15.1% 15.1% 15.6% 15.6% Tabelle 3. Statistische Charakteristika der parametrischen und semiparametrischen Logit-Fits. Folie 36

38 Missklassifikation und Performance-Kurven Nichtparametrisch in X2, Schranke s Logit X2 X3 X4 X5 X7 X4,X5 X4,X Nicht-Ausfall Ausfall Nicht-Ausfall Ausfall Nicht-Ausfall Ausfall Tabelle 4. Missklassifikationen: Y = Ausfall obwohl F (Ŝ) s bzw. Y = Nicht-Ausfall obwohl F (Ŝ) > s. Validierungsstichprobe. Folie 37

39 Performance Variable X5, AR= F(s Y=1) 1-F(s) Abbildung 15. Performance-Kurven, parametrisches Logit- (rot) und semiparametrisches Logit-Modell (grün) mit nichtparametrischer Variable X5. Folie 38

40 Performance Variable X2, AR=0.538 Performance Variable X3, AR= F(s Y=1) 1-F(s Y=1) 1-F(s) 1-F(s) Performance Variable X4, AR=0.527 Performance Variable X5, AR=0.556 Performance Variable X7, AR= F(s Y=1) 1-F(s Y=1) 1-F(s Y=1) 1-F(s) 1-F(s) 1-F(s) Abbildung 16. Performance-Kurven für nichtparametrische Variablen X2 bis X5, X7 (separat). Folie 39

41 Performance Variable X5, AR=0.556 Performance Variablen X4, X5, AR= F(s Y=1) 1-F(s Y=1) 1-F(s) 1-F(s) Abbildung 17. Performance-Kurven für nichtparametrische Variablen X5 (links) und X4, X5 (rechts). Folie 40

42 Zusammenfassung nichtparametrische Komponenten im Modell bieten Vorteile nichtparametrischer Diskriminanzanalyse in Kombination mit leichter Intepretierbarkeit, Schätzung von Ausfallwahrscheinlichkeiten können explorativ zu Bestimmung von Transformationen von Variablen eingesetzt werden können explorativ zu Bestimmung von Interaktionen zwischen Variablen eingesetzt werden erlauben Sepzifikationstests auf Gültigkeit der parametrischen Definition von Transformationen Folie 41

43 Ausblick Kombination von semiparametrischen Modellen mit Panelansätzen/GEE, geordnete Kategorien optimale Bestimmung der Glättungsparameter Kombination mit existierenden Verfahren für additive Modelle (gemeinsame Implementierung) Folie 42

Generalisierte Additive Modelle im Credit Rating: Eine Fallstudie zum Vergleich verschiedener Verfahren

Generalisierte Additive Modelle im Credit Rating: Eine Fallstudie zum Vergleich verschiedener Verfahren Generalisierte Additive Modelle im Credit Rating: Eine Fallstudie zum Vergleich verschiedener Verfahren Marlene Müller Beuth Hochschule für Technik Berlin, Fachbereich II Luxemburger Str. 10, D 13353 Berlin

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Fallbeispiel: Kreditscoring

Fallbeispiel: Kreditscoring Fallbeispiel: Kreditscoring Stefan Lang 14. Juni 2005 SS 2005 Datensatzbeschreibung (1) Ziel Untersuchung der Bonität eines Kunden in Abhängigkeit von erklärenden Variablen Zielvariable Bonität des Kunden:

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

Aktuelles aus der Financial Times Deutschland

Aktuelles aus der Financial Times Deutschland verfahren Seminar: Warum wir falsch liegen und trotzdem weitermachen - Aktuelle Themen in Banken und Versicherungen Oliver Kühnle Ludwig-Maximilians-Universität München - Institut für Statistik 9. Juli

Mehr

6.0 Logistische Regression. 6 Logistische Regression. 6.1 Das binäre Modell. 6 Logistische Regression

6.0 Logistische Regression. 6 Logistische Regression. 6.1 Das binäre Modell. 6 Logistische Regression 6.0 Logistische Regression 6.1 Das binäre Modell 6.1 Das binäre Modell Sei x der Vektor der Einflussgrößen mit einem Eins-Element, um die Regressionskonstante zu modellieren. Angenommen, es gilt das Regressionsmodell:

Mehr

Kap. 9: Regression mit einer binären abhängigen Variablen

Kap. 9: Regression mit einer binären abhängigen Variablen Kap. 9: Regression mit einer binären abhängigen Variablen Motivation Lineares Wahrscheinlichkeitsmodell Probit- und Logit-Regression Maximum Likelihood Empirisches Beispiel: Analyse der HMDA-Daten Ausblick:

Mehr

Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen

Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen Stefan Lang 12 Oktober 2005 WS 05/06 Datensatzbeschreibung (1) Daten Versicherungsdaten für Belgien ca 160000 Beobachtungen Ziel Analyse der Risikostruktur

Mehr

Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs

Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs 1. Klagenfurter KMU Tagung Tanja Schuschnig Alexander Brauneis Institut für Finanzmanagement 25.09.2009

Mehr

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke Adressenausfallrisiken Von Marina Schalles und Julia Bradtke Adressenausfallrisiko Gliederung Adressenausfallrisiko Basel II EU 10 KWG/ Solvabilitätsverordnung Adressenausfallrisiko Gliederung Rating Kreditrisikomodelle

Mehr

Generalisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression

Generalisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression Generalisierte lineare Modelle Statistik 3 im Nebenfach Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München WS 2010/2011 basierend auf Fahrmeir, Kneib & Lang (2007) 4 Generalisierte

Mehr

Risikomanagement und Statistik. Raimund Kovacevic

Risikomanagement und Statistik. Raimund Kovacevic Risikomanagement und Statistik Raimund Kovacevic Dieses Werk ist Urheberrechtlich geschützt. Jede Vervielfältigung ohne Einverständnis des Autors ist verboten. Risiko hazard, a chance of bad consequences,

Mehr

Basel II: Logistische Regression als das Herz einer Rating-Maschine

Basel II: Logistische Regression als das Herz einer Rating-Maschine Foto: MEV Kreditrisikomessung ist keine Geheimwissenschaft Hermann Schulte-Mattler/Ulrich Daun Auf der Grundlage der Revision der Baseler Eigenkapitalvereinbarung (Basel II) werden Kreditinstitute alle

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Binäre Auswahlmodelle (Logit, Probit,...)

Binäre Auswahlmodelle (Logit, Probit,...) Binäre Auswahlmodelle (Logit, Probit,...) 27. November 204 In diesem Kapitel führen wir eine Klasse von Modellen für binäre Auswahlprobleme ein, deren wichtigste Vertreter das Logit- und das Probit-Modell

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Technische Universität München. Zentrum Mathematik

Technische Universität München. Zentrum Mathematik Technische Universität München Zentrum Mathematik Modellwahl bei der KFZ Haftpflicht-Versicherung mit Hilfe von GLMs Diplomarbeit von Ivonne Siegelin Themenstellerin: Prof. Dr. C. Czado, Dr. G. Sussmann

Mehr

Modellierung des Stornos nach Beitragsanpassung in der PKV

Modellierung des Stornos nach Beitragsanpassung in der PKV ierung des Stornos nach Beitragsanpassung in der PKV 02.07.2013 Alexander Küpper Central Krankenversicherung AG Inhaltsverzeichnis Einführung Gesetzlicher Rahmen Stornomodell Anwendung Ausblick und Weiterentwicklung

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen. Seminararbeit

Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen. Seminararbeit Gunther Lerchbaumer Martin Seitinger Kreditrisiko und Ausfallwahrscheinlichkeit mittels Logit/Probit-Modellen Seminararbeit SBWL Alternative Investments Seminar aus Finanzwirtschaft LV-Nr. 328.260 an der

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

2.Tutorium Generalisierte Regression

2.Tutorium Generalisierte Regression 2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte

Mehr

Partial Credit Model und Tutz Model

Partial Credit Model und Tutz Model November 22, 2011 Item Response Theory - Partial Credit Model Einleitung IRT-Einteilung Datenstruktur PCM - Herleitung Parameterschätzung Goodness of Fit Beispiel Sequential Models for Ordered Responses

Mehr

Basel II und Konsequenzen für Land- und Forstwirte

Basel II und Konsequenzen für Land- und Forstwirte Basel II und Konsequenzen für Land- und Forstwirte Herbstseminar 2005 Zukunftsperspektiven der Land- und Forstwirtschaft / Neue Bewirtschaftungsformen / Finanzierungsfragen Montag, 21.11.2005 Dr. Christian

Mehr

Commercial Banking. Kreditportfoliosteuerung

Commercial Banking. Kreditportfoliosteuerung Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung

Mehr

Vorlesung 7: Value-at-Risk für Kreditrisiken

Vorlesung 7: Value-at-Risk für Kreditrisiken Vorlesung 7: Value-at-Risk für Kreditrisiken 17. April 2015 Dr. Patrick Wegmann Universität Basel WWZ, Department of Finance patrick.wegmann@unibas.ch www.wwz.unibas.ch/finance Die Verlustverteilung im

Mehr

Einfache ökonometrische Verfahren für die Kreditrisikomessung*

Einfache ökonometrische Verfahren für die Kreditrisikomessung* Einfache ökonometrische Verfahren für die Kreditrisikomessung* Ulrich Kaiser und Andrea Szczesny Zusammenfassung Dieser Beitrag stellt verschiedene ökonometrische Methoden zur Bewertung und Berechnung

Mehr

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Seminararbeit von Marleen Laakmann 2. Mai 2010 Einleitung Zur Messung und Steuerung von Kreditrisiken gibt es eine Reihe von Methoden und

Mehr

Informationen zur Vorlesung. Praxisorientierte Banksteuerung. Dr. Tobias Schlüter. Univ.-Prof. Dr. Thomas Hartmann-Wendels Dipl.

Informationen zur Vorlesung. Praxisorientierte Banksteuerung. Dr. Tobias Schlüter. Univ.-Prof. Dr. Thomas Hartmann-Wendels Dipl. Informationen zur Vorlesung Praxisorientierte Banksteuerung Univ.-Prof. Dr. Thomas Hartmann-Wendels Dipl.-Math David Fritz Seminar für allgemeine BWL und Universität zu Köln Allgemeine Informationen (Stand

Mehr

Erhebungszweck Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken.

Erhebungszweck Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken. Seite 1/6 Erhebung zur Kreditqualität Erläuterungen Erhebungszweck Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken. I. Allgemeines Erhebungskreis Meldepflichtig

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

R 2 RISIKEN DES RISIKOMANAGEMENTS

R 2 RISIKEN DES RISIKOMANAGEMENTS R 2 RISIKEN DES RISIKOMANAGEMENTS Wolfgang Bühler Lehrstuhl Finanzierung Universität Mannheim Universität Hamburg Fachbereich Wirtschaftswissenschaften 20. Januar 2003 TODESFALLRISIKEN 09. Oktober 02 08.

Mehr

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Erhebung zur Kreditqualität

Erhebung zur Kreditqualität Erhebung zur Kreditqualität ERLÄUTERUNGEN I. MERKMALE DER ERHEBUNG ERHEBUNGSZWECK Die Erhebung zur Kreditqualität dient der Analyse und frühzeitigen Erkennung von Kreditrisiken. ERHEBUNGSGEGENSTAND Angaben

Mehr

Neue Kreditwürdigkeitsprüfung

Neue Kreditwürdigkeitsprüfung Bankinternes Rating 5.2 Kreditwürdigkeitsprüfung Seite 7 Neue Kreditwürdigkeitsprüfung Inhalt Bankinternes Rating-Verfahren Bankinterne Rating-Systeme Internes Rating nach Basel II Anforderungen an das

Mehr

6522: Capital Markets and Risk Management

6522: Capital Markets and Risk Management (Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann

Mehr

Übungen zur Vorlesung. Statistik 2. a) Welche Grundannahmen der linearen Regression sind in Modell (1) verletzt?

Übungen zur Vorlesung. Statistik 2. a) Welche Grundannahmen der linearen Regression sind in Modell (1) verletzt? Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Blatt 7 Dipl.-Math. oec. D. Engel Übungen zur Vorlesung Statistik 2 Aufgabe 25 (keine Abgabe) Angenommen die Zielvariable

Mehr

Basel II: Herausforderung für das Controlling

Basel II: Herausforderung für das Controlling Basel II: Herausforderung für das Controlling 1. Trierer Forum Rechnungswesen und Controlling, 22. September 2006 Gliederung 1. 2. 3. 4. Einleitung Grundzüge der neuen Richtlinien nach Basel II Bedeutung

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Oliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**

Oliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen** Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;

Mehr

Die Neue Basler Eigenkapitalvereinbarung BASEL II. A I. Kreditrisiken und Bankinsolvenzen

Die Neue Basler Eigenkapitalvereinbarung BASEL II. A I. Kreditrisiken und Bankinsolvenzen Die Neue Basler Eigenkapitalvereinbarung BASEL II A I. Kreditrisiken und Bankinsolvenzen Bisher: BASEL I - Erste Basler Eigenkapitalvereinbarung EK = Kredit x Anrechnungssatz x Bonitätsgewicht x 8% Neuer

Mehr

Kreditscoring unter Stichprobenselektion

Kreditscoring unter Stichprobenselektion Kreditscoring unter Stichprobenselektion Diplomarbeit zur Erlangung des Grades eines Diplom-Kaufmanns an der Wirtschaftswissenschaftlichen Fakultät der Humboldt-Universität zu Berlin vorgelegt von Thomas

Mehr

Ermittlung des Darlehenszinses: Theorie und Praxis mit Anwendungsbeispielen Martin Dember, Landesbank Hessen-Thüringen. Mittwoch, 3.

Ermittlung des Darlehenszinses: Theorie und Praxis mit Anwendungsbeispielen Martin Dember, Landesbank Hessen-Thüringen. Mittwoch, 3. Ermittlung des Darlehenszinses: Theorie und Praxis mit Anwendungsbeispielen Martin Dember, Landesbank Hessen-Thüringen Mittwoch, 3. September 2014 Agenda 2 1 Zielsetzung und Hintergrund 2 Komponenten des

Mehr

Credit Risk+: Eine Einführung

Credit Risk+: Eine Einführung Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.

Mehr

Diskriminanzanalyse Beispiel

Diskriminanzanalyse Beispiel Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Kreditrisiken: Interne Ratingansätze

Kreditrisiken: Interne Ratingansätze Kreditrisiken: Interne Ratingansätze PD Dr. Rainer Durth TU Darmstadt/ J.-W.-Goethe Universität Frankfurt/ KfW Kreditrisiken: Interne Ratingansätze - Gliederung - 1. Aufbau der IRB-Ansätze 2. IRB - Basisansatz

Mehr

Klausur Sommersemester 2010

Klausur Sommersemester 2010 Klausur Sommersemester 2010 Lehrstuhl: Wirtschaftspolitik Prüfungsfach: Empirische Wirtschaftsforschung Prüfer: Prof. Dr. K. Kraft Datum: 04.08.2010 Hilfsmittel: Nicht-programmierbarer Taschenrechner Klausurdauer:

Mehr

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes

Mehr

Wie Sie Ihr Scoring auf Herz und Nieren prüfen... und was passieren kann, wenn Sie es nicht tun

Wie Sie Ihr Scoring auf Herz und Nieren prüfen... und was passieren kann, wenn Sie es nicht tun Wie Sie Ihr Scoring auf Herz und Nieren prüfen... und was passieren kann, wenn Sie es nicht tun mayato White Paper von Nils-Henrik Wolf Seite 1 mayato GmbH. Alle Rechte vorbehalten. Wie Sie Ihr Scoring

Mehr

Lasso in LMs und GLMs

Lasso in LMs und GLMs Lasso in LMs und GLMs Seminar Regularisierungstechniken und strukturierte Regression, Prof. Dr. Gerhard Tutz, Institut für Statistik, Ludwig-Maximilians-Universität München Referent: Patrick Schenk Betreuer:

Mehr

Die Tarifierung in der Autohaftpflichtversicherung mittels verallgemeinerter linearer Modelle

Die Tarifierung in der Autohaftpflichtversicherung mittels verallgemeinerter linearer Modelle Diplomarbeit Die Tarifierung in der Autohaftpflichtversicherung mittels verallgemeinerter linearer Modelle von Patricia Siedlok betreut von PD Dr. Volkert Paulsen Mathematisches Institut für Statistik

Mehr

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Vortrag von Igor Grinberg, Kai Hartmanshenn und Stephan Pueschel am 30.01.2002 Gliederung

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

Rating: Bedeutung und Auswirkungen

Rating: Bedeutung und Auswirkungen Rating: Bedeutung und Auswirkungen Ohne Rating kein Kredit und ohne Kredit kein Wachstum Basel II/Basel III und MaRisk schreiben den Banken Rating als Instrument der Risikomessung verbindlich vor. Es handelt

Mehr

Transformation und Darstellung funktionaler Daten

Transformation und Darstellung funktionaler Daten Transformation und Darstellung funktionaler Daten Seminar - Statistik funktionaler Daten Jakob Bossek Fakultät für Statistik 7. Mai 2012 Übersicht Einleitung Einordnung im Seminar Motivation am Beispiel

Mehr

VALIDIERUNG VON RATINGVERFAHREN

VALIDIERUNG VON RATINGVERFAHREN VALIDIERUNG VON RATINGVERFAHREN Ronny Parchert Beim nachfolgenden Beitrag handelt es sich um einen modifizierten Vorab-Auszug aus dem Artikel Validierung von Risikomanagementsystemen, welcher im Frühjahr

Mehr

Credit Risk Management

Credit Risk Management Credit Risk Management. Mathematisch-Statistische Verfahren des Risikomanagements SS 2006 1 Einführung (I) Die drei Kernbereiche des Credit Risk Management Kreditprozesse vertriebswegedeterminiert Kreditprozesse

Mehr

6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen

6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Bei der Zentrierung handelt es sich um eine lineare

Mehr

Zwei einfache Kennzahlen für große Engagements

Zwei einfache Kennzahlen für große Engagements Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt

Mehr

Credit Metrics: Eine Einführung

Credit Metrics: Eine Einführung Credit Metrics: Eine Einführung Volkert Paulsen July 23, 2009 Abstract Credit Metrics ist ein Kredit Risko Modell, daß den Verlust quantifiziert, der durch eine Bonitätsveränderung von Schuldnern verursacht

Mehr

Teil 1: - Überblick und Einleitung - Kreditklemme? Aufsichtsrechtlicher Rahmen für die Kreditvergabe

Teil 1: - Überblick und Einleitung - Kreditklemme? Aufsichtsrechtlicher Rahmen für die Kreditvergabe Wintersemester 2009/2010 Sanierung von Unternehmen in der Krise Teil 1: - Überblick und Einleitung - Kreditklemme? Aufsichtsrechtlicher Rahmen für die Kreditvergabe Banksyndikus Arne Wittig, 5. November

Mehr

Abschlussklausur (60 Minuten), 15. Juli 2014

Abschlussklausur (60 Minuten), 15. Juli 2014 Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit

Mehr

Finanzwirtschat Ⅶ. Basel II und Rating. Meihua Peng Zhuo Zhang

Finanzwirtschat Ⅶ. Basel II und Rating. Meihua Peng Zhuo Zhang Finanzwirtschat Ⅶ Basel II und Rating Meihua Peng Zhuo Zhang Gliederung Geschichte und Entwicklung Inhalt von Basel II - Die Ziele von Basel II - Die drei Säulen Rating - Begriff eines Ratings - Externes

Mehr

Als Mathematiker im Kreditrisikocontrolling

Als Mathematiker im Kreditrisikocontrolling Kevin Jakob / Credit Portfolio Risk Measurement & Methodology, BayernLB Als Mathematiker im Kreditrisikocontrolling 4. Mai 2015, Augsburg Gliederung 1. Persönlicher Werdegang / BayernLB 2. Themengebiete

Mehr

Regression mit Gretl Eine erste Einführung 1

Regression mit Gretl Eine erste Einführung 1 Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung

Mehr

Grundzüge der Ereignisdatenanalyse

Grundzüge der Ereignisdatenanalyse Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Wiederholung Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle

Mehr

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation Einführung in die Logistische Regression Fortbildung zur 9.Informationstagung Tumordokumentation Bernd Schicke, Tumorzentrum Berlin FB Bayreuth, 29.März 20 Gliederung Einleitung Schätzen von Maßzahlen

Mehr

Risikogerechter Verfahrenszinssatz für Förderungskredite

Risikogerechter Verfahrenszinssatz für Förderungskredite Risikogerechter Verfahrenszinssatz für Förderungskredite Allgemeines Die Richtlinien für die wesentlichen Bundesförderungsaktionen wurden neu gefasst und mit Beginn des Jahres 2007 in Kraft gesetzt. Die

Mehr

Computer Vision: Optische Flüsse

Computer Vision: Optische Flüsse Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische

Mehr

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach

Mehr

- Basel II - Ratingansätze zur Kreditrisikomessung Anforderungen an die Banken und Auswirkungen auf den Mittelstand

- Basel II - Ratingansätze zur Kreditrisikomessung Anforderungen an die Banken und Auswirkungen auf den Mittelstand - Basel II - Ratingansätze zur Kreditrisikomessung Anforderungen an die Banken und Auswirkungen auf den Mittelstand - Januar 2001 Basel II verabschiedet - Basler Ausschuss ist ein unabhängiges an die Bank

Mehr

Strukturelle Ausfallmodelle: Lehren aus Einzelschuldnerdaten 1

Strukturelle Ausfallmodelle: Lehren aus Einzelschuldnerdaten 1 Nikola Tarashev +41 61 280 9213 nikola.tarashev@bis.org Strukturelle Ausfallmodelle: Lehren aus Einzelschuldnerdaten 1 Strukturelle Kreditrisikomodelle bilden durchschnittliche Ausfallquoten innerhalb

Mehr

IBM SPSS Regression 22

IBM SPSS Regression 22 IBM SPSS Regression 22 Hinweis Vor Verwendung dieser Informationen und des darin beschriebenen Produkts sollten die Informationen unter Bemerkungen auf Seite 33 gelesen werden. Produktinformation Diese

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert

Mehr

Basel II - Überblick

Basel II - Überblick Basel II - Überblick Seminar Basel II: Von der Vision zur Realität 24. Juni 2003 Daniel Zuberbühler Eidg. Bankenkommission, Bern Übersicht 1. Ziele & Kalibrierung 2. Drei-Säulen-Konzept 3. Menu-Auswahl

Mehr

Notiz zur logistischen Regression

Notiz zur logistischen Regression Kapitel 1 Notiz zur logistischen Regression 1.1 Grundlagen Bei dichotomen abhängigen Variablen ergeben sich bei einer normalen linearen Regression Probleme. Während man die Ausprägungen einer dichotomen

Mehr

Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression I

Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression I Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression I Programm Ergänzung zu letzter Sitzung: Interpretation nichtlinearer Effekte Anwendungsbereich der logistischen Regression Entwicklung

Mehr

Rückbau und seine Auswirkungen auf die Liquidität Seite 1 Seminar des VSWU am 2002-11-21

Rückbau und seine Auswirkungen auf die Liquidität Seite 1 Seminar des VSWU am 2002-11-21 Rückbau und seine Auswirkungen auf die Liquidität Seite 1 1 Rating und Basel II Basel II Die weitgehende Globalisierung der Geld- und Kapitalmärkte, verbunden mit den Fortschritten in der Informationstechnik

Mehr

Methoden zum Vergleich verschiedener Scoreverfahren am Beispiel der SCHUFA-Scoreverfahren

Methoden zum Vergleich verschiedener Scoreverfahren am Beispiel der SCHUFA-Scoreverfahren 20 www.risknews.de 11.2002 Vergleich von Scoreverfahren Methoden zum Vergleich verschiedener Scoreverfahren am Beispiel der SCHUFA-Scoreverfahren Ein Beitrag von Ludwig Fahrmeir, Andreas Henking und Ralf

Mehr

Abhängigkeit zweier Merkmale

Abhängigkeit zweier Merkmale Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich

Mehr

Log-lineare Analyse I

Log-lineare Analyse I 1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008 Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung

Mehr

5.2 Optionen Auswahl der Statistiken, die bei der jeweiligen Prozedur zur Verfügung stehen.

5.2 Optionen Auswahl der Statistiken, die bei der jeweiligen Prozedur zur Verfügung stehen. 5 Statistik mit SPSS Die Durchführung statistischer Auswertungen erfolgt bei SPSS in 2 Schritten, der Auswahl der geeigneten Methode, bestehend aus Prozedur Variable Optionen und der Ausführung. 5.1 Variablen

Mehr

von Peter Zimmermann 462 Seiten, Uhlenbruch Verlag, 1997 EUR 98,- inkl. MwSt. und Versand ISBN 3-9804400-6-0

von Peter Zimmermann 462 Seiten, Uhlenbruch Verlag, 1997 EUR 98,- inkl. MwSt. und Versand ISBN 3-9804400-6-0 Reihe Portfoliomanagement, Band 7: SCHÄTZUNG UND PROGNOSE VON BETAWERTEN Eine Untersuchung am deutschen Aktienmarkt von Peter Zimmermann 462 Seiten, Uhlenbruch Verlag, 1997 EUR 98,- inkl. MwSt. und Versand

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr