Gestión del riesgo crediticio: comparación de modelos logit y probit bajo un enfoque clásico y bayesiano

Resumen

En el ámbito de la gestión del riesgo crediticio, el credit scoring constituye una herramienta estadística fundamental que permite a las instituciones financieras mejorar sus decisiones de aprobación o rechazo de créditos, ajustando sus políticas al perfil de riesgo de cada solicitante. En respuesta a este contexto, el objetivo general de la presente investigación fue comparar los modelos estadísticos de regresión logit y probit bajo los enfoques clásico y bayesiano, con la finalidad de desarrollar un modelo de credit scoring aplicado a solicitantes de préstamos personales, orientado a segmentarlos y proponer acciones según su nivel de riesgo. La investigación tuvo un enfoque cuantitativo; el método empleado fue hipotético-deductivo, con un diseño no experimental, transversal, descriptivo y correlacional. La población estuvo conformada por 5 584 solicitantes de préstamos personales, tanto cumplidores como incumplidores, cuyos datos fueron obtenidos de la plataforma DataCamp como parte de una iniciativa académica orientada al análisis del riesgo crediticio. Para el desarrollo del estudio, se establecieron una muestra de entrenamiento y una de validación, correspondientes al 70 % y 30 % de los datos, respectivamente. Se compararon los modelos estadísticos logit y probit estimados bajo los enfoques clásico y bayesiano. Los resultados evidenciaron que, al considerar los indicadores de desempeño —precisión, F1-score, área bajo la curva ROC e índice de Gini—, el modelo de regresión logit bajo el enfoque bayesiano presentó el mejor rendimiento, con valores de 0.6201, 0.6310, 65.6286 y 31.2573, respectivamente.