Савіна, Світлана СтаніславівнаSavina, SvitlanaСавина, Светлана СтаниславовнаВодзянова, Наталія КостянтинівнаVodzianova, NataliiaВодзянова, Наталия КонстантиновнаБілик, Тетяна ОлександрівнаBilyk, TetianaБилык, Татьяна АлександровнаКравченко, Вікторія ЛеонідівнаKravchenko, ViktoriiaКравченко, Виктория Леонидовна2023-10-052023-10-052023Вибір економетричного інструментарію при побудові скорингової моделі на основі фіктивних змінних / Савіна С. С., Водзянова Н. К., Білик Т. О. [та ін.] // Бізнес Інформ. – 2023. – № 6. – С. 128–133.2222-4459https://ir.kneu.edu.ua:443/handle/2010/41159Метою дослідження є вибір адекватного економетричного інструментарію для побудови скорингової моделі на специфічному масиві початкових даних, який містить переважну більшість фіктивних змінних. Незважаючи на значну кількість розробок, які присвячені побудові скорингових моделей, універсального методу, який дає змогу отримати високоефективний класифікатор для будь-яких даних, не виявлено. Тому актуальним залишається завдання вибору кращого методу для побудови скорингової моделі залежно від особливостей наявних даних. Найбільш вдалим підходом при виборі моделі для розв’язання задачі бінарної класифікації є застосування кількох видів економетричних моделей та вибір кращої з них за результатами класифікації. У наведеному дослідженні застосовано такі види моделей: дискримінантна модель, логіт- і пробіт-регресії та поліноміальна логістична регресія. Застосовувалися навчальні вибірки з різною структурою. Порівняння всіх отриманих моделей дає змогу зробити висновок, що кращою в даному випадку є поліноміальна логістична регресія. Ця модель демонструє високі показники класифікації для всіх введених класів об’єктів та має важливу перевагу порівняно з моделями, які здійснюють бінарний вибір. Перевагою поліноміальної логістичної регресії є також можливість вибору в кожному конкретному випадку зручної шкали для поділу позичальників більш ніж на два класи та визначення прийнятного для власних умов рівня ймовірності надійності позичальника, при якому слід відносити його до одного з виділених класів. Перспективами подальших досліджень у даному напрямку є застосування методів машинного навчання, які зможуть використовувати ансамблі кращих із розглянутих моделей. Крім того, запропоновані моделі можна використовувати і при розв’язанні аналогічних задач у інших сферах економічної діяльності. The aim of the study is to select adequate econometric instruments for building a scoring model on a specific array of initial data, which contains the vast major- ity of fictitious variables. Despite a significant number of developments devoted to the construction of scoring models, a universal method allowing to obtain a highly efficient classifier for any data has not been identified. Therefore, the task of selection of the best method for building a scoring model remains relevant, depending on the characteristics of the available data. The most successful approach when selecting a model for solving the problem of binary classification is the use of several types of econometric models and the choice of the best of them according to the results of classification. In the presented study, the following types of models were applied: discriminant model, logit and probit regressions, and polynomial logistic regression. Training samples with different structure were used. Comparison of all obtained models allows us to conclude that polynomial logistic regression is preferable in this case. This model demonstrates high classification rates for all introduced object classes and has an important advantage compared to models that make a binary selection. The advantage of poly- nomial logistic regression is also the possibility of selecting in each case a convenient scale for dividing borrowers into more than two classes and determining the level of probability of reliability of the borrower acceptable for its own conditions, at which it should be assigned to one of the selected classes. Prospects for further research in this direction are the use of machine learning methods that will be able to use ensembles of the best of the considered models. In addition, the proposed models can be used in solving similar problems in other spheres of economic activity.ukскорингова модельлогістична регресіяполіноміальна логістична регресіябінарна класифікаціяscoring modellogistic regressionpolynomial logistic regressionbinary classificationArticle519.866