Klasyfikacja typologiczna kredytobiorców hipotecznych z wykorzystaniem modeli klas ukrytych

Marcin Idzik; Jacek Gieorgica

doi:10.18778/0208-6018.323.14

Autor

Marcin Idzik Wydział Nauk Ekonomicznych, Szkoła Główna Gospodarstwa Wiejskiego
Jacek Gieorgica Związek Banków Polskich

DOI:

https://doi.org/10.18778/0208-6018.323.14

Słowa kluczowe:

kredytobiorcy hipoteczni, klasyfikacja typologiczna, model klas ukrytych

Abstrakt

Posiadacze kredytów mieszkaniowych stanowią ponad 6 proc. indywidualnych klientów banków. W potocznej opinii grupa ta uznawana jest za homogeniczną. Jednak cechy socjodemograficzne nie tylko nie wyjaśniają, ale wręcz maskują różnicowane uwarunkowania decyzji podejmowanych przez kredytobiorców mieszkaniowych na rynku finansowym. Czynniki różnicujące to profil psychograficzny, postawa wobec ryzyka, wiedza o finansach, przezorność, skłonność do zadłużania się i oszczędzania. Celem badań było wyodrębnienie jednorodnych segmentów posiadaczy kredytów mieszkaniowych pod względem uwarunkowań decyzji konsumenckich na rynku finansowym. Wyodrębniono pięć homogenicznych grup kredytobiorców mieszkaniowych pod względem uwarunkowań i motywów decyzji na rynku finansowym. Segmentację przeprowadzono z wykorzystaniem modeli klas ukrytych (LCA). Modele klas ukrytych umożliwiły identyfikację podtypów cech powiązanych ze sobą, które w tradycyjnym ujęcie nie są obserwowalne. Badania wykonano metodą CAPI na ogólnopolskiej reprezentatywnej próbie posiadaczy kredytów mieszkaniowych N=900, z czego N=800 stanowili kredytobiorcy CHF, natomiast N=100 kredytobiorcy PLN. Badania zrealizował TNS Polska w marcu 2014 r. oraz w marcu 2015 r. (druga fala).

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Akaike H. (1987), Factor analysis and AIC, “Psychometrika”, vol. 52.
Google Scholar

Antonides G., van Raaij W.F. (1998), Consumer Behaviour. A European Perspective, John Wiley & Sons, New York.
Google Scholar

Bańbuła P. (2006), Oszczędności i wybór międzyokresowy: podejście behawioralne, „Materiały i Studia” 2006, nr 208, Narodowy Bank Polski, Warszawa 2006.
Google Scholar

Bartholomew D.J., Knott M. (2002), Latent Variable Models and Factor Analysis, Arnold.
Google Scholar

Bollen K. (1989), Structural equations with latent variables, New York, Wiley.
Google Scholar

Browning M., Lusardi A. (1996), Household saving: micro teories and micro facts, „Journal of Economic Literatur”, vol. 34.
Google Scholar

Dempster A.P., Laird N.M., Rubin D.B. (1997), Maximum Likelihood from incomplete data via EM algorithm, „Journal of the Royal Statistical Society” (series B), vol. 39, no. 1.
Google Scholar

Formann A.K. (2003), Latent class model diagnostics-A review and some proposals. Computational, Statistics & Data Analysis, vol. 41.
Google Scholar

Hagenaars J.A., McCutcheon A.L. (2002), Applied Latent Class Analysis, Cambridge University Press.
Google Scholar

Kamakura Du R. W.A. (2006), Household Lifecycles and Life Styles in America, „Journal of Marketing Research”, vol. 43.
Google Scholar

Kaplan D. (2003), Latent Class Models, Forthcoming. “Handbook for Quantitative Methodology”, Sage.
Google Scholar

Keel P., Fichter M., Quadflieg, N., Bulik C., Baxter M., Thornton L. (2004). Application of a latent class analysis to empirically define eating disorder phenotypes, “Psychiatry”, vol. 61.
Google Scholar

Keynes J.M. (1936), The general teory of employment, interest and money, MacMillan, London.
Google Scholar

Langeheine R. van de Pol F. (2002), Latent Markov Chains, “Applied Latent Class Analysis”, red. J.A. Hagenaars, A.L. McCutcheon, Cambridge University Press, New York.
Google Scholar

Lubke G.H., Muthén B. (2005), Investigating population heterogeneity with factor mixture models. “Psychological Methods”, vol. 10.
Google Scholar

Magdison J., Vermunt J.K., Tran B. (2007), Using a Mixture Latent Markov Model to Analyze Longitudinal U.S. Employment Data Involving Measurement Error, w: New Trends in Psychometrics, red. Shigemasu K., Okada A., Imaizum T., Hoshino T., „Frontiers Science Series” 2007, no. 55, Universal Academy Press Inc.
Google Scholar

Paas L.J., Vermunt J.K., Bijmolt T.H.A. (2007), Discrete time discrete state latent Markov modeling for assessing and predicting household acquisition of financial products, „Journal of the Royal Statistical Society” (series A), vol. 170, no. 4.
Google Scholar

Shefrin H.M., Thaler R.H. (1988), The behavioral life‑cycle hypothesis, „Economic Inquiry”, vol. 26 (4), Oxford University Press.
Google Scholar

Singh A. (2010), Market segmentation in FMCG: time to drive new basis for market segmentation, “International Journal of Research in Commerce & Management”, vol. 1, no. 8.
Google Scholar

Smith W. (1956), Product differentiation and market segmentation as alternative marketing strategies, “Journal of Marketing”, vol. 21.
Google Scholar

Thaler R.H., Shefrin H. M. (1981), An Economic Theory of Self‑Control, „Journal of Political Economy”, vol. 89(2), University of Chicago Press.
Google Scholar

Tofighi D., Enders C.K. (2007), Identifying the correct number of classes in a growth mixture model, [w:] G.R. Hancock (ed.), Mixture models in latent variable research, Greenwich.
Google Scholar

Vermunt J., Magidson J. (2003), Encyclopedia of Social Science Research Methods, Sage Publications: Vermunt
Google Scholar

Vermunt J.K., Magidson J. (2005), Technical Guide for Latent GOLD 4.0: Basic and Advanced, Statistical Innovations, Belmont.
Google Scholar

Vermunt J.K., Magidson J. (2008), LG‑Syntax User’s Guide: Manual for Latent GOLD 4.5 Syntax Module, Statistical Innovations, Belmont.
Google Scholar

Webley P., Nyhus E.K. (2001), Representations of Saving and Saving Behaviour, w: Everyday Representations of the Economy, red. Ch. Roland‑Levy, E. Kirchler, E. Penz, C. Gray, WUV Universitatsverlag, Wien.
Google Scholar

Yang C. (2006), Evaluating latent class analyses in qualitative phenotype identification, “Computational Statistics & Data Analysis”, vol. 50.
Google Scholar