Discente: Brenda Lima Boaventura
Data: 07/08/2025
Horário: 09:00
Local: Instituto de Matemática e Estatística
Presidente: Rosemeire Leovigildo Fiaccone
Externo: Kim Nakamura Samejima
Externo: Diego Carvalho Nascimento
O modelo de Regressão Logística (RL) descreve a relação entre uma variável resposta binária e um conjunto de preditores, sendo amplamente usado na mensuração do risco de crédito. Entretanto, a RL tradicional ignora aspectos fundamentais em contextos geográficos, como a heterogeneidade e a autocorrelação espacial, fenômenos recorrentesem dados socioeconômicos de países desiguais como o Brasil. Este estudo aplica a Regressão Logística Geograficamente Ponderada (RLGP) para incorporar esses efeitos na análise da concessão de crédito. Além disso, é proposta uma versão semi-paramétrica (S-RLGP),que considera algumas variáveis como globais e outras como locais. A estimação foi realizada sobre uma base de dados com 3.200 registros de clientes de um correspondente bancário, distribuídos por 13 municípios da região metropolitana de Salvador-BA.
O objetivo principal desta pesquisa é avaliar o impacto da heterogeneidade e da autocorrelação espacial na modelagem do risco de crédito, investigando de que forma esses aspectos influenciam a probabilidade de inadimplência, para evitar decisões inadequadas que possam subestimar ou superestimar riscos em determinadas localidades. Para isso,foram comparados três modelos: RL, RLGP e S-RLGP. As variáveis incluíram indicadores macroeconômicos (taxa Selic e taxa de desemprego), dados demográficos (idade e grau de instrução) e características dos contratos de crédito.Os resultados evidenciam que os modelos espaciais, RLGP e S-RLGP, apresentam ajuste superior ao modelo global, com menores valores de AIC e BIC, e maior acurácia na classificação da inadimplência. Destaca-se, especialmente, o aumento da sensibilidade para a detecção de inadimplentes, que cresceu de 65% no modelo global para 70% no modelo S-RLGP. A análise dos coeficientes locais revelou que variáveis macroeconômicas, como a taxa Selic e a taxa de desemprego, possuem efeitos que variam significativamente entre municípios, enquanto as variáveis demográficas, como idade e grau de instrução,se mostraram mais homogêneas espacialmente. Ademais, a abordagem semi-paramétrica aprimorou a modelagem ao identificar que apenas a idade deveria ser tratada como efeito global, o que contribuiu para maior flexibilidade e interpretabilidade sem comprometer o desempenho do modelo.Em síntese, conclui-se que considerar efeitos espaciais e heterogeneidade local é essencial para modelar com maior precisão o risco de crédito em regiões diversas. O modelo S-RLGP oferece suporte para decisões de crédito mais justas e eficazes, ajustadas às especificidades socioeconômicas regionais, reduzindo os riscos de inadimplência.