{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/12469"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/12469","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Modelos Logísticos en Alta Dimensión: Un Caso de Estudio en la Industria Financiera","abstract":"El objetivo de este trabajo es estimar la probabilidad de default de los clientes “Pasivos” de una institución bancaria. Una fracción importante de las personas jurídicas que conforman la muestra con la que se estimarán los diferentes modelos presentados en la sección nº4, tiene productos pasivos contratados; y, por el contrario, una fracción pequeña de clientes tiene contratado productos de riesgo, pero no los utilizan. El problema de estimación se enmarca en el contexto del \"Big Data\"; se dispone de un conjunto de más de 600 co-variables para ajustar los modelos. En consecuencia, el elevado número de regresores en el modelo, y la eventual existencia de fuertes relaciones de colinealidad entre los mismos, producen efectos adversos, no solo en términos de las propiedades estadísticas de los parámetros a estimar. Esta particular situación, conocida en la literatura como la \"maldición de la dimensión\", tiene también un impacto negativo respecto de la capacidad predictiva del modelo. Por este motivo, se explora la utilización de métodos de regularización (LASSO) que producen un efecto de achicamiento (shrink) en los estimadores, y eventualmente eliminan co-variables innecesarias en el modelo. Si bien este mecanismo produce sesgo en los estimadores, también reduce de manera ostensible la variabilidad de los mismos.","abstract_html":"El objetivo de este trabajo es estimar la probabilidad de default de los clientes “Pasivos” de una institución bancaria. Una fracción importante de las personas jurídicas que conforman la muestra con la que se estimarán los diferentes modelos presentados en la sección nº4, tiene productos pasivos contratados; y, por el contrario, una fracción pequeña de clientes tiene contratado productos de riesgo, pero no los utilizan. El problema de estimación se enmarca en el contexto del "Big Data"; se dispone de un conjunto de más de 600 co-variables para ajustar los modelos. En consecuencia, el elevado número de regresores en el modelo, y la eventual existencia de fuertes relaciones de colinealidad entre los mismos, producen efectos adversos, no solo en términos de las propiedades estadísticas de los parámetros a estimar. Esta particular situación, conocida en la literatura como la "maldición de la dimensión", tiene también un impacto negativo respecto de la capacidad predictiva del modelo. Por este motivo, se explora la utilización de métodos de regularización (LASSO) que producen un efecto de achicamiento (shrink) en los estimadores, y eventualmente eliminan co-variables innecesarias en el modelo. Si bien este mecanismo produce sesgo en los estimadores, también reduce de manera ostensible la variabilidad de los mismos.","abstract_has_math":false,"creators":["Dip, Yanina Soledad"],"institution":"Universidad Torcuato Di Tella","degree_name":"Maestría en Econometría","degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Martos Venturini, Gabriel"],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-07-27T21:55:24Z","subjects":["Actividad bancaria y financiera","Banking and financial activity","Análisis de datos","Data Analysis","Predicción tecnológica","Technological prediction"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/12469","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Martos Venturini, Gabriel"]},{"key":"dc:creator","label":"Author","values":["Dip, Yanina Soledad"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-03-07T15:58:12Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-03-07T15:58:12Z"]},{"key":"dc:date.issued","label":"Date","values":["2020"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis","info:ar-repo/semantics/tesis de maestría"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maestría en Econometría"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Actividad bancaria y financiera","Banking and financial activity","Análisis de datos","Data Analysis","Predicción tecnológica","Technological prediction"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/12469"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["El objetivo de este trabajo es estimar la probabilidad de default de los clientes “Pasivos” de una institución bancaria. Una fracción importante de las personas jurídicas que conforman la muestra con la que se estimarán los diferentes modelos presentados en la sección nº4, tiene productos pasivos contratados; y, por el contrario, una fracción pequeña de clientes tiene contratado productos de riesgo, pero no los utilizan. El problema de estimación se enmarca en el contexto del \"Big Data\"; se dispone de un conjunto de más de 600 co-variables para ajustar los modelos. En consecuencia, el elevado número de regresores en el modelo, y la eventual existencia de fuertes relaciones de colinealidad entre los mismos, producen efectos adversos, no solo en términos de las propiedades estadísticas de los parámetros a estimar. Esta particular situación, conocida en la literatura como la \"maldición de la dimensión\", tiene también un impacto negativo respecto de la capacidad predictiva del modelo. Por este motivo, se explora la utilización de métodos de regularización (LASSO) que producen un efecto de achicamiento (shrink) en los estimadores, y eventualmente eliminan co-variables innecesarias en el modelo. Si bien este mecanismo produce sesgo en los estimadores, también reduce de manera ostensible la variabilidad de los mismos."]},{"key":"dc:title","label":"Title","values":["Modelos Logísticos en Alta Dimensión: Un Caso de Estudio en la Industria Financiera"]}]}],"canonical_facts":{"dc:contributor.advisor":["Martos Venturini, Gabriel"],"dc:creator":["Dip, Yanina Soledad"],"dc:date.accessioned":["2024-03-07T15:58:12Z"],"dc:date.available":["2024-03-07T15:58:12Z"],"dc:date.issued":["2020"],"dc:description.abstract":["El objetivo de este trabajo es estimar la probabilidad de default de los clientes “Pasivos” de una institución bancaria. Una fracción importante de las personas jurídicas que conforman la muestra con la que se estimarán los diferentes modelos presentados en la sección nº4, tiene productos pasivos contratados; y, por el contrario, una fracción pequeña de clientes tiene contratado productos de riesgo, pero no los utilizan. El problema de estimación se enmarca en el contexto del \"Big Data\"; se dispone de un conjunto de más de 600 co-variables para ajustar los modelos. En consecuencia, el elevado número de regresores en el modelo, y la eventual existencia de fuertes relaciones de colinealidad entre los mismos, producen efectos adversos, no solo en términos de las propiedades estadísticas de los parámetros a estimar. Esta particular situación, conocida en la literatura como la \"maldición de la dimensión\", tiene también un impacto negativo respecto de la capacidad predictiva del modelo. Por este motivo, se explora la utilización de métodos de regularización (LASSO) que producen un efecto de achicamiento (shrink) en los estimadores, y eventualmente eliminan co-variables innecesarias en el modelo. Si bien este mecanismo produce sesgo en los estimadores, también reduce de manera ostensible la variabilidad de los mismos."],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/12469"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Actividad bancaria y financiera","Banking and financial activity","Análisis de datos","Data Analysis","Predicción tecnológica","Technological prediction"],"dc:title":["Modelos Logísticos en Alta Dimensión: Un Caso de Estudio en la Industria Financiera"],"dc:type":["info:eu-repo/semantics/masterThesis","info:ar-repo/semantics/tesis de maestría"],"thesis:degree_name":["Maestría en Econometría"]},"updated_at":"2026-07-27T21:55:24Z"}