Tobit

Создайте Tobit объект модели за потерю, данную значение по умолчанию

Описание

Создайте и анализируйте Tobit объект модели, чтобы вычислить потерю, данную значение по умолчанию (LGD) с помощью этого рабочего процесса:

  1. Использование fitLGDModel создать Tobit объект модели.

  2. Использование predict предсказать LGD.

  3. Использование modelDiscrimination возвратить данные ROC и AUROC. Можно построить использование результатов modelDiscriminationPlot.

  4. Использование modelAccuracy возвратить R-squared, RMSE, корреляцию и демонстрационную среднюю погрешность предсказанных и наблюдаемых данных LGD. Можно построить использование результатов modelAccuracyPlot.

Создание

Описание

пример

TobitLGDModel = fitLGDModel(data,ModelType) создает Tobit Объект модели LGD.

пример

TobitLGDModel = fitLGDModel(___,Name,Value) задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущем синтаксисе. Дополнительные аргументы пары "имя-значение" устанавливают свойства объекта модели. Например, lgdModel = fitLGDModel(data,'tobit','PredictorVars',{'LTV' 'Age' 'Type'},'ResponseVar','LGD','CensoringSide','left','LeftLimit',1e-4) создает Tobit объект модели.

Входные параметры

развернуть все

Данные за потерю, данную значение по умолчанию в виде таблицы.

Типы данных: table

Тип модели в виде строки со значением "Tobit" или вектор символов со значением 'Tobit'.

Типы данных: char | string

Tobit Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: lgdModel = fitLGDModel(data,'tobit','PredictorVars',{'LTV' 'Age' 'Type'},'ResponseVar','LGD','CensoringSide','left','LeftLimit',1e-4)

Пользовательская модель ID в виде разделенной запятой пары, состоящей из 'ModelID' и строка или вектор символов. Программное обеспечение использует ModelID текст к форматам вывода и, как ожидают, будет короток.

Типы данных: string | char

Пользовательское описание для модели в виде разделенной запятой пары, состоящей из 'Description' и строка или вектор символов.

Типы данных: string | char

Переменные предикторы в виде разделенной запятой пары, состоящей из 'PredictorVars' и массив строк или массив ячеек из символьных векторов. PredictorVars указывает который столбцы в data введите содержат информацию о предикторе. По умолчанию, PredictorVars установлен во все столбцы в data введите за исключением ResponseVar.

Типы данных: string | cell

Переменная отклика в виде разделенной запятой пары, состоящей из 'ResponseVar' и строка или вектор символов. Переменная отклика содержит данные LGD и должна быть числовой переменной со значениями между 0 и 1 (включительно). Значение LGD 0 не указывает ни на какую потерю (полное восстановление), 1 указывает на общую сумму убытков (никакое восстановление), и значения между 0 и 1 укажите на частичную потерю. По умолчанию, ResponseVar установлен в последний столбец.

Типы данных: string | char

Цензурирование стороны в виде разделенной запятой пары, состоящей из 'CensoringSide' и вектор символов или строка. CensoringSide указывает, лево-ли желаемая модель Товита подвергается цензуре, подвергается цензуре правом или подвергается цензуре с обеих сторон.

Типы данных: string | char

Лево-цензурирование предела в виде разделенной запятой пары, состоящей из 'LeftLimit' и скаляр, числовой между 0 и 1.

Типы данных: double

Подвергающий цензуре право предел в виде разделенной запятой пары, состоящей из 'RightLimit' и скаляр, числовой между 0 и 1.

Типы данных: double

Опции для подбора кривой в виде разделенной запятой пары, состоящей из 'SolverOptions' и optimoptions возразите t, который создается с помощью optimoptions от Optimization Toolbox™. Значения по умолчанию для optimoptions объект:

  • "Display" 'none'

  • "Algorithm""sqp"

  • "MaxFunctionEvaluations"— 500 ✕ Количество коэффициентов модели

  • "MaxIterations" — Количество коэффициентов модели Товита определяется во время выполнения, оно зависит от количества предикторов и количества категорий в категориальных предикторах.

Типы данных: object

Свойства

развернуть все

Пользовательская модель ID, возвращенная как строка.

Типы данных: string

Пользовательское описание, возвращенное как строка.

Типы данных: string

Это свойство доступно только для чтения.

Базовая статистическая модель, возвращенная как компактный линейный объект модели. Компактная версия базовой модели регрессии является экземпляром classreg.regr.CompactLinearModel класс. Для получения дополнительной информации смотрите fitlm и CompactLinearModel.

Типы данных: string

Переменные предикторы, возвращенные как массив строк.

Типы данных: string

Переменная отклика, возвращенная как строка.

Типы данных: string

Цензурирование стороны, возвращенной как строка.

Типы данных: string

Лево-цензурирование предела, возвращенного как скаляр, числовой между 0 и 1.

Типы данных: double

Подвергающий цензуре право предел, возвращенный как скаляр, числовой между 0 и 1.

Типы данных: double

Функции объекта

predictПредскажите потерю, данную значение по умолчанию
modelDiscriminationВычислите данные ROC и AUROC
modelDiscriminationPlotПостройте кривую ROC
modelAccuracyВычислите R-квадрат, RMSE, корреляцию и демонстрационную среднюю погрешность предсказанного и наблюдаемого LGDs
modelAccuracyPlotГрафик поля точек предсказанного и наблюдаемого LGDs

Примеры

свернуть все

В этом примере показано, как использовать fitLGDModel создать Tobit модель для потери, данной значение по умолчанию (LGD).

Загрузите данные LGD

Загрузите данные LGD.

load LGDData.mat
head(data)
ans=8×4 table
      LTV        Age         Type           LGD   
    _______    _______    ___________    _________

    0.89101    0.39716    residential     0.032659
    0.70176     2.0939    residential      0.43564
    0.72078     2.7948    residential    0.0064766
    0.37013      1.237    residential     0.007947
    0.36492     2.5818    residential            0
      0.796     1.5957    residential      0.14572
    0.60203     1.1599    residential     0.025688
    0.92005    0.50253    investment      0.063182

Создайте Tobit Модель LGD

Используйте fitLGDModel создать Tobit модель с помощью data.

lgdModel = fitLGDModel(data,'Tobit',...
   'ModelID','Example Tobit',...
   'PredictorVars',{'LTV' 'Age' 'Type'},...
   'ResponseVar','LGD',...
   'CensoringSide','left',...
   'LeftLimit',1e-4);
disp(lgdModel)
  Tobit with properties:

      CensoringSide: "left"
          LeftLimit: 1.0000e-04
         RightLimit: 1
            ModelID: "Example Tobit"
        Description: ""
    UnderlyingModel: [1x1 risk.internal.credit.TobitModel]
      PredictorVars: ["LTV"    "Age"    "Type"]
        ResponseVar: "LGD"

Отобразите базовую модель. Базовая модель является лево-подвергнутой цензуре моделью Товита. Используйте 'CensoringSide' аргумент и 'LeftLimit' and 'RightLimit' аргументы, чтобы изменить базовую модель Товита.

disp(lgdModel.UnderlyingModel)
Tobit regression model, left-censored:
     LGD = max(0.0001,Y*)
     Y* ~ 1 + LTV + Age + Type

Estimated coefficients:
                       Estimate        SE        tStat      pValue  
                       _________    ________    _______    _________

    (Intercept)         0.023181    0.020978      1.105      0.26923
    LTV                  0.23047    0.024138     9.5482            0
    Age                -0.087242    0.005587    -15.615            0
    Type_investment     0.098517    0.013769     7.1547    1.017e-12
    (Sigma)              0.28925    0.004358     66.373            0

Number of observations: 3487
Number of left-censored observations: 930
Number of uncensored observations: 2557
Number of right-censored observations: 0
Log-likelihood: -1089.33

Предскажите LGD

Поскольку Товит моделирует, используйте predict вычислить предсказанное значение LGD, которое является безусловным ожидаемым значением ответа, учитывая значения предиктора.

predictedLGD = predict(lgdModel,data(1:10,:))
predictedLGD = 10×1

    0.2374
    0.1166
    0.0902
    0.1157
    0.0659
    0.1523
    0.1483
    0.3139
    0.1686
    0.0970

Подтвердите модель LGD

Используйте modelDiscriminationPlot построить кривую ROC.

modelDiscriminationPlot(lgdModel,data)

Figure contains an axes. The axes with title ROC Example Tobit, AUROC = 0.69103 contains an object of type line. This object represents Example Tobit.

Используйте modelAccuracyPlot показать график рассеивания предсказаний.

modelAccuracyPlot(lgdModel,data)

Figure contains an axes. The axes with title Scatter Example Tobit, R-Squared: 0.089736 contains 2 objects of type scatter, line. These objects represent Data, Fit.

Больше о

развернуть все

Ссылки

[1] Baesens, Барт, Дэниел Роеш и Харальд Шойле. Аналитика кредитного риска: техники измерений, приложения и примеры в SAS. Вайли, 2016.

[2] Беллини, Тициано. МСФО 9 и моделирование кредитного риска CECL и валидация: практическое руководство с примерами работало в R и SAS. Сан-Диего, CA: Elsevier, 2019.

Введенный в R2021a
Для просмотра документации необходимо авторизоваться на сайте