Made available in DSpace on 2016-03-15T19:32:53Z (GMT). No. of bitstreams: 1
Rodrigo Cavaliere Oliveiraprot.pdf: 2617774 bytes, checksum: a0072ccf4589c966207ba25cecb3c1e5 (MD5)
Previous issue date: 2015-02-27 / This master thesis examines the importance of the agricultural sector to the Brazilian
economy and the particularities in place in Brazil putting credit risk in perspective, how
agricultural multinationals perform their credit analysis, which credit models use and which
variables are considered more important for good discrimination between good customers and
bad customers, in other words, predict with some degree of accuracy customers who will be
performing their payments on time and which ones will default. In this context was tested
three statistical methods to confirm the theory for this sector and it was compared the
accuracy of the results between them, two parametric techniques, logistic regression and
discriminant analysis and a third non-parametric, decision trees - CART. The three methods
were suitable, with a good explanatory power, especially decision trees and logistic
regression. The qualitative variables showed high explanatory power and important for good
credit analysis. Among the quantitative variables, liquidity ratios, debt to equity and average
payment period stood out as good discriminatory variables for credit purposes / Este estudo visou analisar a importância do setor agrícola para economia brasileira e as particularidades presentes no Brasil sob a ótica de risco de crédito, como as multinacionais
agrícolas efetuam suas análises de crédito, que modelos utilizam e quais variáveis são
consideradas mais importantes para uma boa discriminação entre clientes bons e clientes
ruins, ou seja, prever com certo grau de acurácia os clientes que serão adimplentes e
inadimplentes. Nesse contexto foram testados três modelos estatísticos para confirmar a teoria
para esse setor e foram comparados os resultados de acerto entre eles. Duas técnicas
paramétricas, regressão logística e análise de discriminante, e uma não paramétrica, árvore de
decisão CART. Os três modelos se mostraram adequados, com um bom poder explicativo,
com um destaque maior para árvore de decisão e regressão logística. As variáveis qualitativas
mostraram alto poder explicativos e importantes para uma boa análise de crédito. Dentre as
variáveis quantitativas, índices de liquidez, endividamento e prazo médio de pagamento se
destacaram como boas discriminadoras de crédito
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.mackenzie.br:tede/960 |
| Date | 27 February 2015 |
| Creators | Oliveira, Rodrigo Cavaliere |
| Contributors | Perera, Luiz Carlos Jacob, Oyadomari, José Carlos Tiomatsu, Kimura, Herbert |
| Publisher | Universidade Presbiteriana Mackenzie, Controladoria Empresarial, UPM, BR, Ciências Contábeis |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações do Mackenzie, instname:Universidade Presbiteriana Mackenzie, instacron:MACKENZIE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0507 seconds