APLICACIN DE LA ESTIMACIN DEL MODELO DE REGRESIN

LOGSTICA CON UN ENFOQUE BAYESIANO

Implementacin en R

Segn la definicin del algoritmo Gibbs, los pasos a seguir son:

Paso 1.- Generamos una muestra aleatoria a partir de un punto inicial Xo.

Paso 2.- Yi/xi-1

Paso 3.- Xi/yi

Paso 4- Repetir paso 2 y 3 hasta terminar.

Sea:

Modelo Score: Garantiza la puntualidad de pago (adems si pagar o no)

Cargamos la base de datos:

BaseDatos_Bayesiana<-
read_excel("C:/Users/FIEECS/Desktop/BaseDatos_Bayesiana.xlsx")

Siendo

X1=MoraMax_6meses

X2=Refinanciacin

0:Refinancia; 1:No refinancia

Y=Flag_Cliente

1:Cliente Bueno(xito);0:Cliente Malo(Fracaso)

###MODELO DE REGRESIN LOGIC CON ENFOQUE CLSICO

###Cargamos la base de datos

attach(BaseDatos_Bayesiana)

####Corremos el modelo

fit=glm(Flag_Cliente~ MoraMax_6meses+Refinanciacin,family=binomial())

###Tomar exponencial de los coeficientes

exp(coef(fit))

###Interpretacin de los resultados

### 0.849986= Probabilidad de que un cliente sea bueno es 0.84 veces la
probabilidad de que sea malo.

### 3.26956= El riesgo de que un cliente nuevo refinancie es 3.26 veces la

probabilidad de que un cliente antiguo refinancie

### En conclusin la probabilidad va aumentando.

###0.933816, es la diferencia de un cliente que refinancie frente a otro que no

refinancie

>head(fitted(fit)) ##Para los primeros 6 clientes, cual es la probabilidad de

que sean buenos

###MODELO DE REGRESIN LOGIC CON EFOQUE BAYESIANO

install.packages("gtools")

library(R2jags)

library(coda)

library(lattice)

library(R2winBUGS)

library(rjags)

library(superdiag)

library(mcmcplots)

library(ggplot2)

library(mirt)
library(gtools)

##implementamos el modelo

n=length(Flag_Cliente) ##longitud de la variable respuesta

modelo= function(){

for(i in 1:n){

Flag_Cliente[i]~dbern(p[i])

logit(p[i])<-b0+b1*MoraMax_6meses[i]+b2*Refinanciacin[i]

##distribuciones a priori

b0~dnorm(0,1E-6)

b1~dnorm(0,1E-6)

b2~dnorm(0,1E-6)}
###Inicio del Algoritmo

data_mas<-list("Flag_cliente","MoraMax_6meses","Refinanciacin","n")

param_mas<-c("b0","b1","b2")

###Inists_mas<-function(){list("mu"=20}}

##Implementar el modelo

fit_mas<-jags(data=data_mas, parameters.to.save=param_mas,

n.chains=1,n.iter=10000, n.burnin=500, #1 cadena por parametro

n.thin=2, model.file=modelo) #para evitar el efecto de correlacin tomamos

n.thin=2

print(fit_mas)

fit.mcmc<-as.mcmc(fit_mas)

xll()

plot(fit.mcmc)

superdiag(fit.mcmc,burnin=500)