Xác định các yếu tố tác động đến khả năng trả nợ của khách hàng vay mua xe máy tại công ty tài chính hd saison

BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ TP.HCM - - ĐOÀN THANH HÙNG XÁC ĐỊNH CÁC YẾU TỐ TÁC ĐỘNG ĐẾN KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG VAY MUA XE MÁY TẠI CÔNG TY TÀI CHÍNH HD SAISON LUẬN VĂN THẠC SỸ TÀI CHÍNH – NGÂN HÀNG Tai Lieu Chat Luong TP Hồ Chí Minh, Năm 2019 BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ TP.HCM - - ĐOÀN THANH HÙNG XÁC ĐỊNH CÁC YẾU TỐ TÁC ĐỘNG ĐẾN KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG VAY MUA XE MÁY TẠI CÔNG TY TÀI CHÍNH HD SAISON Chuyên ngành Mã số chuyên ngành : Tài – Ngân hàng : 60 34 02 01 LUẬN VĂN THẠC SỸ TÀI CHÍNH – NGÂN HÀNG Giáo Viên Hướng Dẫn: TS NGUYỄN THẮNG HÒA TP Hồ Chí Minh, Năm 2019 i LỜI CAM ĐOAN Tơi cam đoan luận văn: “Xác Định Các Yếu Tố Tác Động Đến khả Năng Trả Nợ Của Khách Hàng Vay Mua Xe Máy Tại Cơng Ty Tài Chính HD SAISON” nghiên cứu tơi Ngoại trừ tài liệu tham khảo trích dẫn luận văn này, tơi cam đoan tồn phần hay phần nhỏ luận văn chưa công bố sử dụng để nhận cấp nơi khác Khơng có sản phẩm/nghiên cứu người khác sử dụng luận văn mà khơng trích dẫn theo quy định Luận văn chưa nộp để nhận cấp trường đại học sở đào tạo khác Thành phố Hồ Chí Minh, năm 2019 Đoàn Thanh Hùng ii LỜI CẢM ƠN Mục tiêu nghiên cứu hoàn thành Bên cạnh nỗ lực thân, thành cơng tơi hình thành từ nhiều yếu tố Những yếu tố gián tiếp, trực tiếp quan trọng hết yếu tố người Tôi xin gửi lời cám ơn chân thành đến Thầy - Cô Khoa Đào tạo sau đại học Trường Đại Học Mở TP Hồ Chí Minh, người trực tiếp trang bị cho kiến thức làm tảng hỗ trợ nhiều q trình nghiên cứu Thầy TS Nguyễn Thắng Hịa, kính gửi lời cám ơn sâu sắc đến Thầy Xin cám ơn nhiệt tình Thầy xuyên suốt trình thực luận văn Và cuối cùng, xin gửi lời cám ơn đến gia đình, nơi chia sẽ, định hướng, động viên Tôi không quên gửi lời cám ơn đến người bạn, người Anh/Chị “MFB016A” thành công Xin chân thành cảm ơn! iii Tóm tắt Bài nghiên cứu xác định yếu tố tác động đến khả thu hồi nợ khách hàng vay mua xe máy công ty tài HD Saison Dữ liệu nghiên cứu thu thập dựa hồ sơ vay khách hàng có khoản vay mua xe máy cơng ty năm 2018 Áp dụng mơ hình logit profit cho biến phụ thuộc nhị phân, viết xây dựng mơ hình ước lượng sác xuất trả nợ dựa ba nhóm yếu tố (1) điều kiện khoản vay, (2) lịch sử cho vay khách hàng, (3) đặc điểm riêng khách hàng Sau đó, nghiên cứu đánh giá mức độ giải thích nhân tố xem xét kiểm định tính phù hợp mơ hình nghiên cứu Kết ước lượng trình bày dạng nhóm yếu tố Đối với điều kiện khoản vay, khách hàng cung cấp chứng từ tùy thân hộ có quy mơ khoản vay lớn thường có khả hồn trả nợ tốt Trong đó, lãi suất cao thời gian cho vay dài làm triệt tiêu động lực trả nợ khách hàng Đối với lịch sử cho vay, khách hàng có nhiều khoản vay có khả hồn trả nợ; ngược lại, khách hàng cấp tín dụng lũy tiến thân thiết có khả trả nợ cao Đối với đặc điểm khách hàng, thu nhập xem yếu tố tác động mạnh bền vững qua mơ hình nghiên cứu Ngồi ra, giới tính, độ tuổi, học vấn, kinh nghiệm làm việc, tình trạng cơng việc có tác động đến khả trả nợ khách hàng iv Abstract The research identifies the determinants of nonperforming loans of clients offered motorcycle loans in HD Saison Finance Company Ltd Research data are collected from the 2018 survey investigation on customers who held and have held the company’s motorcycle loans Employing the logit and profit model for the binary dependent variable, the research sets up a creditworthiness probability model based on different catergories: (1) credit terms, (2) borrowing history, and (3) characteristics Subsequently, the study evaluates the significance level of examined factors and checks the model’s goodness of fit The estimated results are described as a group of factors As for credit terms, clients who encompass their Family book and IDs in their contracts and those with large-sized loans are more likely to pay loans back Conversely, high interest rates and longer debt terms discourage a client from satisfying their loans In terms of borrowing history, those with more loans are less likely to settle debt, while those who are offered progressive loans or those who have close relationships with the company have a higher repayment probability With regard to characteristics, income is the strong and robust element across all research models Besides, gender, age, education, working experience, and job status have a certain impact on default risks v MỤC LỤC Trang Lời cam đoan i Lời cảm ơn ii Tóm tắt iii Mục lục v Danh mục bảng biểu vii CHƯƠNG 1: GIỚI THIỆU VỀ ĐỀ TÀI NGHIÊN CỨU 1.1 Tính cấp thiết đề tài 1.2 Xác định đề tài nghiên cứu 1.3 Mục tiêu nghiên cứu .2 1.4 Câu hỏi nghiên cứu .3 1.5 Đối tượng phạm vi nghiên cứu 1.6 Phương pháp nghiên cứu .3 1.7 Ý nghĩa thực tiễn đề tài 1.8 Cấu trúc luận văn CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM 2.1 Khái niệm tín dụng tiêu dùng 2.1.1 Khái niệm tín dụng trả góp vi 2.1.2 Khái niệm tín dụng hàng hóa .6 2.2 Khái niệm khả trả nợ khách hàng cá nhân 2.3 Tổng hợp nghiên cứu liên quan đến khả trả nợ CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 19 3.1 Kỹ thuật ước lượng .19 3.2 Phương pháp nghiên cứu .21 3.3 Mơ hình nghiên cứu 21 3.4 Xác định biến số giả thuyết nghiên cứu 22 3.4.1 Biến số phụ thuộc 22 3.4.2 Các biến số độc lập 22 3.5 Dữ liệu nghiên cứu 27 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 29 4.1 Kết thống kê liệu nghiên cứu 29 4.2 Kết nghiên cứu thảo luận 32 CHƯƠNG 5: KẾT LUẬN VÀ MỘT SỐ GỢI Ý CHÍNH SÁCH 40 5.1 Kết luận 40 5.2 Một số gợi ý sách 41 TÀI LIỆU THAM KHẢO 44 PHỤ LỤC 51 vii DANH MỤC BẢNG Trang Bảng 3.1: Tổng hợp định nghĩa biến phương pháp đo lường 28 Bảng 4.1: Thống kê mô tả biến sử dụng nghiên cứu 29 Bảng 4.2: Ma trận hệ số tương quan biến giải thích nghiên cứu 31 Bảng 4.3: Kết ước lượng xác suất trả nợ nhóm nhân tố 33 Bảng 4.4: Kiểm tra tượng trùng lắp đo lường nhóm yếu tố lịch sử vay 35 Bảng 4.5: Kết mơ hình Logit Probit tác động riêng phần nhân tố 37 CHƯƠNG 1: GIỚI THIỆU VỀ ĐỀ TÀI NGHIÊN CỨU 1.1 Tính cấp thiết đề tài Thị trường cho vay tiêu dùng Việt Nam năm gần đạt bước tiến đáng kể Việc mở rộng tín dụng cho sản suất kinh doanh không thuận lợi bối cảnh kinh tế khó khăn, tổ chức tín dụng kịp thời nhìn nhận cho vay tiêu dùng giải pháp hữu hiệu để kích thích sản suất qua kích cầu tiêu dùng Động thái mua lại công ty tài nhiều ngân hàng HDbank, TechcomBank, MB, VPBank, cho thấy ngân hàng đánh giá cao tiềm phát triển thị trường Yếu tố quan trọng để cơng ty tài thu hút khách hàng khác biệt dịch vụ cung ứng, tiện ích, giá sản phẩm, sách ưu đãi, đảm bảo đem lại quyền lợi tốt cho khách hàng Hiện cơng ty tài bên cạnh việc phải tìm giải pháp nhằm thu hút khách hàng sử dụng dịch vụ cho vay tiêu dùng nhằm mang lại lợi nhuận tốt nhất, ngồi cịn phải xây dựng sách quy trình thẩm định phù hợp cho ngành hàng nhằm hạn chế rủi ro tổn thất tín dụng Nằm xu hướng phát triển trên, cơng ty tài HD SAISON xây dựng chiến lược quản bá ngày rộng dịch vụ cho vay tiêu dùng Tăng trưởng tín dụng vượt bậc năm gần mang lại cho HD SAISON nguồn thu lớn song song tốn quản lý rủi ro tín dụng HD SAISON trọng tìm cách hồn tiện Đề giải tốn quản lý rủi ro tín dụng việc áp dụng quy trình thẩm định riêng cho ngành hàng riêng biệt biện pháp mà HDSAISON áp dụng Một sản phẩm cho vay đặt trưng mang tính chủ lực HD SAISON cho vay mua xe máy trả góp Để có nguồn thu bền vững từ sản phẩm chủ lực HD SAISON phải xác định yếu tố tác động đến rủi ro khơng thu hồi vốn lãi vay hay nói cách khác yếu tố tác động đến khả 51 PL Probit regression Number of obs LR chi2(4) Prob > chi2 Pseudo R2 Log likelihood = -73.340153 repayment Coef collateral size interest period _cons 1.284409 0630533 -.0483129 -.2912465 6.360669 Std Err z 2656959 0142334 0120796 0377698 9142055 4.83 4.43 -4.00 -7.71 6.96 P>|z| = = = = 1,000 273.58 0.0000 0.6510 [95% Conf Interval] 0.000 0.000 0.000 0.000 0.000 7636547 0351564 -.0719886 -.3652739 4.568859 1.805163 0909503 -.0246372 -.217219 8.152479 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -73.34015 156.6803 181.2191 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(995): -210.129 146.680 McFadden's R2: 0.651 Maximum Likelihood R2: 0.239 McKelvey and Zavoina's R2: 0.790 Variance of y*: 4.754 Count R2: 0.968 AIC: 0.157 BIC: -6726.536 Log-Lik Full Model: LR(4): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -73.340 273.577 0.000 0.627 0.698 0.575 1.000 0.407 156.680 -245.946 52 PL Logistic regression Number of obs LR chi2(3) Prob > chi2 Pseudo R2 Log likelihood = -108.60165 repayment Coef multiple_borrower increased_loan repeat_client _cons -3.777727 1.78738 3.463607 3.260089 Std Err 1.030263 4192349 3756386 1.020584 z -3.67 4.26 9.22 3.19 P>|z| 0.000 0.000 0.000 0.001 = = = = 1,000 203.05 0.0000 0.4832 [95% Conf Interval] -5.797006 9656949 2.727369 1.259782 -1.758448 2.609065 4.199845 5.260396 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -108.6017 225.2033 244.8343 Measures of Fit for logit of repayment Log-Lik Intercept Only: D(996): -210.129 217.203 McFadden's R2: 0.483 Maximum Likelihood R2: 0.184 McKelvey and Zavoina's R2: 0.655 Variance of y*: 9.545 Count R2: 0.964 AIC: 0.225 BIC: -6662.921 Log-Lik Full Model: LR(3): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -108.602 203.054 0.000 0.464 0.536 0.442 3.290 0.333 225.203 -182.331 53 PL Probit regression Number of obs LR chi2(3) Prob > chi2 Pseudo R2 Log likelihood = -111.48065 repayment Coef multiple_borrower increased_loan repeat_client _cons -1.666951 8534673 1.778277 1.457571 Std Err .3763274 1999389 1856809 366868 z -4.43 4.27 9.58 3.97 P>|z| 0.000 0.000 0.000 0.000 = = = = 1,000 197.30 0.0000 0.4695 [95% Conf Interval] -2.404539 4615942 1.414349 7385229 -.9293626 1.24534 2.142204 2.176619 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -111.4806 230.9613 250.5923 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(996): -210.129 222.961 McFadden's R2: 0.469 Maximum Likelihood R2: 0.179 McKelvey and Zavoina's R2: 0.576 Variance of y*: 2.359 Count R2: 0.964 AIC: 0.231 BIC: -6657.163 Log-Lik Full Model: LR(3): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -111.481 197.296 0.000 0.450 0.522 0.432 1.000 0.333 230.961 -176.573 54 PL Logistic regression Log likelihood = Number of obs LR chi2(7) Prob > chi2 Pseudo R2 -133.1169 repayment Coef gender age marriage education business income experience _cons -.1871135 0065023 -.9975994 1.124562 9497269 4379302 344994 -3.194082 Std Err z 332503 0219596 3701183 3794831 3696118 0867171 1340186 1.048465 -0.56 0.30 -2.70 2.96 2.57 5.05 2.57 -3.05 P>|z| = = = = 1,000 154.02 0.0000 0.3665 [95% Conf Interval] 0.574 0.767 0.007 0.003 0.010 0.000 0.010 0.002 -.8388074 -.0365377 -1.723018 380789 2253011 2679678 0823223 -5.249036 4645805 0495424 -.2721809 1.868336 1.674153 6078925 6076656 -1.139129 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -133.1169 282.2338 321.4958 Measures of Fit for logit of repayment Log-Lik Intercept Only: D(992): -210.129 266.234 McFadden's R2: 0.366 Maximum Likelihood R2: 0.143 McKelvey and Zavoina's R2: 0.773 Variance of y*: 14.470 Count R2: 0.944 AIC: 0.282 BIC: -6586.259 Log-Lik Full Model: LR(7): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -133.117 154.024 0.000 0.328 0.416 0.226 3.290 -0.037 282.234 -105.669 55 PL Probit regression Number of obs LR chi2(7) Prob > chi2 Pseudo R2 Log likelihood = -133.25654 repayment Coef gender age marriage education business income experience _cons -.0808024 0027614 -.5156809 6921809 5444409 1944671 196699 -1.449097 Std Err z 1724729 0112562 1896455 1969709 186446 0389669 0665047 5419063 -0.47 0.25 -2.72 3.51 2.92 4.99 2.96 -2.67 P>|z| = = = = 1,000 153.74 0.0000 0.3658 [95% Conf Interval] 0.639 0.806 0.007 0.000 0.003 0.000 0.003 0.007 -.418843 -.0193004 -.8873792 3061251 1790135 1180934 0663522 -2.511214 2572383 0248232 -.1439826 1.078237 9098683 2708407 3270459 -.38698 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -133.2565 282.5131 321.7751 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(992): -210.129 266.513 McFadden's R2: 0.366 Maximum Likelihood R2: 0.143 McKelvey and Zavoina's R2: 0.716 Variance of y*: 3.519 Count R2: 0.945 AIC: 0.283 BIC: -6585.980 Log-Lik Full Model: LR(7): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -133.257 153.744 0.000 0.328 0.415 0.231 1.000 -0.019 282.513 -105.390 56 PL Logistic regression Number of obs LR chi2(12) Prob > chi2 Pseudo R2 Log likelihood = -28.078383 repayment Coef multiple_borrower collateral size interest period gender age marriage education business income experience _cons -7.18217 2.935211 1986602 -.2811423 -.8230283 -.6733763 1633633 6599555 9369635 1.46769 2790556 2738959 17.75314 Std Err 2.12603 1.205663 0594462 1104332 2061151 8084878 0760172 9502668 953474 8806549 1353819 3373946 6.280108 z -3.38 2.43 3.34 -2.55 -3.99 -0.83 2.15 0.69 0.98 1.67 2.06 0.81 2.83 P>|z| 0.001 0.015 0.001 0.011 0.000 0.405 0.032 0.487 0.326 0.096 0.039 0.417 0.005 = = = = 1,000 364.10 0.0000 0.8664 [95% Conf Interval] -11.34911 5721555 0821478 -.4975873 -1.227006 -2.257983 0143723 -1.202533 -.9318113 -.2583623 0137119 -.3873854 5.444357 -3.015228 5.298266 3151726 -.0646972 -.4190502 9112307 3123543 2.522444 2.805738 3.193741 5443993 9351772 30.06193 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -28.07838 13 82.15677 145.9576 Measures of Fit for logit of repayment Log-Lik Intercept Only: D(987): -210.129 56.157 McFadden's R2: 0.866 Maximum Likelihood R2: 0.305 McKelvey and Zavoina's R2: 0.950 Variance of y*: 65.287 Count R2: 0.987 AIC: 0.082 BIC: -6761.798 Log-Lik Full Model: LR(12): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -28.078 364.101 0.000 0.805 0.889 0.829 3.290 0.759 82.157 -281.208 57 PL Probit regression Number of obs LR chi2(12) Prob > chi2 Pseudo R2 Log likelihood = -27.776638 repayment Coef multiple_borrower collateral size interest period gender age marriage education business income experience _cons -4.035529 1.581591 1110711 -.1570391 -.4584773 -.293133 0878718 362097 5256547 8571837 1446491 170047 10.00809 Std Err 1.218902 66973 0333746 0591707 1131141 436272 0399129 5341434 5525261 497419 0659402 1859941 3.508224 z -3.31 2.36 3.33 -2.65 -4.05 -0.67 2.20 0.68 0.95 1.72 2.19 0.91 2.85 P>|z| 0.001 0.018 0.001 0.008 0.000 0.502 0.028 0.498 0.341 0.085 0.028 0.361 0.004 = = = = 1,000 364.70 0.0000 0.8678 [95% Conf Interval] -6.424533 2689446 045658 -.2730116 -.6801769 -1.14821 0096439 -.6848049 -.5572766 -.1177397 0154087 -.1944947 3.132101 -1.646526 2.894238 1764842 -.0410667 -.2367777 5619445 1660996 1.408999 1.608586 1.832107 2738895 5345888 16.88409 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -27.77664 13 81.55328 145.3541 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(987): -210.129 55.553 McFadden's R2: 0.868 Maximum Likelihood R2: 0.306 McKelvey and Zavoina's R2: 0.950 Variance of y*: 20.060 Count R2: 0.987 AIC: 0.082 BIC: -6762.401 Log-Lik Full Model: LR(12): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -27.777 364.704 0.000 0.806 0.891 0.827 1.000 0.759 81.553 -281.811 58 PL Logistic regression Number of obs LR chi2(12) Prob > chi2 Pseudo R2 Log likelihood = -33.871738 repayment Coef increased_loan collateral size interest period gender age marriage education business income experience _cons 3.268683 2.704521 1534674 -.0874363 -.7323406 -1.072425 1561335 1779288 1.322055 2.014309 3644644 171438 3.206712 Std Err .847307 9276708 0454216 0385162 1495257 7608357 0738166 8480825 8240475 8290375 1217761 3017908 3.481606 z 3.86 2.92 3.38 -2.27 -4.90 -1.41 2.12 0.21 1.60 2.43 2.99 0.57 0.92 P>|z| 0.000 0.004 0.001 0.023 0.000 0.159 0.034 0.834 0.109 0.015 0.003 0.570 0.357 = = = = 1,000 352.51 0.0000 0.8388 [95% Conf Interval] 1.607992 8863193 0644426 -.1629267 -1.025406 -2.563635 0114556 -1.484282 -.2930488 3894252 1257877 -.4200611 -3.61711 4.929375 4.522722 2424922 -.011946 -.4392756 4187858 3008114 1.84014 2.937158 3.639192 6031411 7629371 10.03053 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -33.87174 13 93.74348 157.5443 Measures of Fit for logit of repayment Log-Lik Intercept Only: D(987): -210.129 67.743 McFadden's R2: 0.839 Maximum Likelihood R2: 0.297 McKelvey and Zavoina's R2: 0.935 Variance of y*: 50.457 Count R2: 0.990 AIC: 0.094 BIC: -6750.211 Log-Lik Full Model: LR(12): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -33.872 352.514 0.000 0.777 0.866 0.820 3.290 0.815 93.743 -269.621 59 PL 10 Probit regression Log likelihood = Number of obs LR chi2(12) Prob > chi2 Pseudo R2 -34.41555 repayment Coef increased_loan collateral size interest period gender age marriage education business income experience _cons 1.59914 1.524871 0824835 -.0481135 -.3810261 -.5731932 086451 1807323 7653501 1.030546 200976 1051316 1.278009 Std Err .4143393 4890516 0236551 0204449 0737026 4017344 0387817 4412523 4313087 435105 0598756 1510391 1.747661 z 3.86 3.12 3.49 -2.35 -5.17 -1.43 2.23 0.41 1.77 2.37 3.36 0.70 0.73 P>|z| 0.000 0.002 0.000 0.019 0.000 0.154 0.026 0.682 0.076 0.018 0.001 0.486 0.465 = = = = 1,000 351.43 0.0000 0.8362 [95% Conf Interval] 7870497 5663478 0361204 -.0881847 -.5254806 -1.360578 0104402 -.6841062 -.0799995 1777559 0836219 -.1908996 -2.147343 2.41123 2.483395 1288467 -.0080424 -.2365716 2141918 1624619 1.045571 1.6107 1.883336 31833 4011628 4.70336 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -34.41555 13 94.8311 158.6319 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(987): -210.129 68.831 McFadden's R2: 0.836 Maximum Likelihood R2: 0.296 McKelvey and Zavoina's R2: 0.931 Variance of y*: 14.499 Count R2: 0.989 AIC: 0.095 BIC: -6749.123 Log-Lik Full Model: LR(12): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -34.416 351.426 0.000 0.774 0.864 0.809 1.000 0.796 94.831 -268.533 60 PL 11 Logistic regression Number of obs LR chi2(12) Prob > chi2 Pseudo R2 Log likelihood = -36.232906 repayment Coef repeat_client collateral size interest period gender age marriage education business income experience _cons 2.983123 2.341699 1455576 -.0614598 -.6304523 -.688785 1812354 7341856 1.918824 1.358258 2501613 1870933 -.5794884 Std Err .7642346 8446093 0430445 0342852 1302895 7325195 0749629 7700341 861599 742344 1134632 2441574 3.447606 z 3.90 2.77 3.38 -1.79 -4.84 -0.94 2.42 0.95 2.23 1.83 2.20 0.77 -0.17 P>|z| 0.000 0.006 0.001 0.073 0.000 0.347 0.016 0.340 0.026 0.067 0.027 0.444 0.867 = = = = 1,000 347.79 0.0000 0.8276 [95% Conf Interval] 1.485251 6862953 0611919 -.1286575 -.885815 -2.124497 0343108 -.7750536 2301206 -.0967093 0277776 -.2914464 -7.336672 4.480995 3.997103 2299233 0057379 -.3750895 7469268 32816 2.243425 3.607527 2.813226 472545 6656331 6.177695 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -36.23291 13 98.46581 162.2666 Measures of Fit for logit of repayment Log-Lik Intercept Only: D(987): -210.129 72.466 McFadden's R2: 0.828 Maximum Likelihood R2: 0.294 McKelvey and Zavoina's R2: 0.919 Variance of y*: 40.627 Count R2: 0.986 AIC: 0.098 BIC: -6745.489 Log-Lik Full Model: LR(12): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -36.233 347.792 0.000 0.766 0.856 0.789 3.290 0.741 98.466 -264.898 61 PL 12 Probit regression Number of obs LR chi2(12) Prob > chi2 Pseudo R2 Log likelihood = -35.745835 repayment Coef repeat_client collateral size interest period gender age marriage education business income experience _cons 1.607329 1.281224 0784749 -.0366961 -.3460777 -.3641764 0994188 4501889 973641 7351728 1342366 1108814 -.127476 Std Err .4127612 4437989 0228626 0187589 0700778 381997 0409073 4175775 443278 3972799 0556599 1297333 1.744398 z 3.89 2.89 3.43 -1.96 -4.94 -0.95 2.43 1.08 2.20 1.85 2.41 0.85 -0.07 P>|z| 0.000 0.004 0.001 0.050 0.000 0.340 0.015 0.281 0.028 0.064 0.016 0.393 0.942 = = = = 1,000 348.77 0.0000 0.8299 [95% Conf Interval] 7983315 4113941 033665 -.0734628 -.4834277 -1.112877 0192419 -.368248 104832 -.0434814 0251451 -.1433912 -3.546434 2.416326 2.151054 1232848 0000705 -.2087277 3845239 1795957 1.268626 1.84245 1.513827 243328 3651539 3.291482 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -35.74584 13 97.49167 161.2925 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(987): -210.129 71.492 McFadden's R2: 0.830 Maximum Likelihood R2: 0.294 McKelvey and Zavoina's R2: 0.917 Variance of y*: 12.110 Count R2: 0.985 AIC: 0.097 BIC: -6746.463 Log-Lik Full Model: LR(12): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -35.746 348.766 0.000 0.768 0.858 0.787 1.000 0.722 97.492 -265.873 62 PL 13 Logistic regression Log likelihood = Number of obs LR chi2(14) Prob > chi2 Pseudo R2 -20.34704 repayment Coef multiple_borrower increased_loan repeat_client collateral size interest period gender age marriage education business income experience _cons -8.2982 2.695604 1.580622 3.943751 2843659 -.4099061 -1.023093 -2.014695 2998278 1.053217 257191 1.551129 3051042 0332048 19.70169 Std Err 3.02247 1.131661 1.16683 1.79021 1085675 1733573 335779 1.214951 140062 1.215415 1.306194 1.196263 1613068 4784781 9.375093 z -2.75 2.38 1.35 2.20 2.62 -2.36 -3.05 -1.66 2.14 0.87 0.20 1.30 1.89 0.07 2.10 P>|z| 0.006 0.017 0.176 0.028 0.009 0.018 0.002 0.097 0.032 0.386 0.844 0.195 0.059 0.945 0.036 = = = = 1,000 379.56 0.0000 0.9032 [95% Conf Interval] -14.22213 4775895 -.7063238 4350039 0715775 -.74968 -1.681208 -4.395954 0253113 -1.328952 -2.302902 -.7935037 -.0110513 -.9045951 1.326847 -2.374267 4.913619 3.867567 7.452498 4971543 -.0701321 -.3649785 3665646 5743443 3.435387 2.817284 3.895762 6212597 9710047 38.07654 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -20.34704 15 70.69408 144.3104 Measures of Fit for logit of repayment Log-Lik Intercept Only: D(985): -210.129 40.694 McFadden's R2: 0.903 Maximum Likelihood R2: 0.316 McKelvey and Zavoina's R2: 0.971 Variance of y*: 113.315 Count R2: 0.991 AIC: 0.071 BIC: -6763.445 Log-Lik Full Model: LR(14): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -20.347 379.563 0.000 0.832 0.920 0.874 3.290 0.833 70.694 -282.855 63 PL 14 Average marginal effects Model VCE : OIM Number of obs = 1,000 Expression : Pr(repayment), predict() dy/dx w.r.t : multiple_borrower increased_loan repeat_client collateral size interest period gender age marriage education business income experience dy/dx multiple_borrower increased_loan repeat_client collateral size interest period gender age marriage education business income experience -.0508876 0165304 009693 0241845 0017438 -.0025137 -.006274 -.0123548 0018387 0064587 0015772 0095121 001871 0002036 Delta-method Std Err .0158333 0062009 0066946 0101252 0005894 0009682 0017295 0070493 0008021 0073679 0079862 0071318 0009291 0029316 z -3.21 2.67 1.45 2.39 2.96 -2.60 -3.63 -1.75 2.29 0.88 0.20 1.33 2.01 0.07 P>|z| 0.001 0.008 0.148 0.017 0.003 0.009 0.000 0.080 0.022 0.381 0.843 0.182 0.044 0.945 [95% Conf Interval] -.0819203 0043768 -.0034282 0043395 0005886 -.0044113 -.0096637 -.0261713 0002666 -.0079821 -.0140755 -.0044659 0000499 -.0055422 -.019855 0286841 0228142 0440296 002899 -.0006161 -.0028843 0014616 0034107 0208995 0172299 0234901 0036921 0059495 64 PL 15 Probit regression Number of obs LR chi2(14) Prob > chi2 Pseudo R2 Log likelihood = -20.059109 repayment Coef multiple_borrower increased_loan repeat_client collateral size interest period gender age marriage education business income experience _cons -4.684377 1.50761 1.000318 2.147583 1565902 -.2297351 -.5604705 -1.114931 16755 6358587 1330907 8860075 1722806 0098757 10.8034 Std Err 1.69741 6354508 6420409 1.000517 0605632 0938454 1815278 67699 0774409 6518492 7462343 6584052 0838876 2489578 5.115058 z -2.76 2.37 1.56 2.15 2.59 -2.45 -3.09 -1.65 2.16 0.98 0.18 1.35 2.05 0.04 2.11 P>|z| 0.006 0.018 0.119 0.032 0.010 0.014 0.002 0.100 0.030 0.329 0.858 0.178 0.040 0.968 0.035 = = = = 1,000 380.14 0.0000 0.9045 [95% Conf Interval] -8.011239 2621494 -.2580594 186605 0378884 -.4136686 -.9162583 -2.441807 0157686 -.6417422 -1.329502 -.404443 0078639 -.4780726 7780757 -1.357515 2.753071 2.258695 4.108561 2752919 -.0458016 -.2046826 2119454 3193313 1.91346 1.595683 2.176458 3366973 497824 20.82873 Akaike's information criterion and Bayesian information criterion Model Obs ll(null) ll(model) df AIC BIC 1,000 -210.1287 -20.05911 15 70.11822 143.7345 Measures of Fit for probit of repayment Log-Lik Intercept Only: D(985): -210.129 40.118 McFadden's R2: 0.905 Maximum Likelihood R2: 0.316 McKelvey and Zavoina's R2: 0.971 Variance of y*: 34.780 Count R2: 0.990 AIC: 0.070 BIC: -6764.021 Log-Lik Full Model: LR(14): Prob > LR: McFadden's Adj R2: Cragg & Uhler's R2: Efron's R2: Variance of error: Adj Count R2: AIC*n: BIC': -20.059 380.139 0.000 0.833 0.922 0.873 1.000 0.815 70.118 -283.431 65 PL 16 Average marginal effects Model VCE : OIM Number of obs = 1,000 Expression : Pr(repayment), predict() dy/dx w.r.t : multiple_borrower increased_loan repeat_client collateral size interest period gender age marriage education business income experience dy/dx multiple_borrower increased_loan repeat_client collateral size interest period gender age marriage education business income experience -.051021 0164205 0108952 0233909 0017055 -.0025022 -.0061045 -.0121435 0018249 0069256 0014496 0096502 0018764 0001076 Delta-method Std Err .0154071 0061249 0064896 0099751 0005764 0008949 0016148 006951 0007673 0069593 0081247 0069413 0008379 0027115 z -3.31 2.68 1.68 2.34 2.96 -2.80 -3.78 -1.75 2.38 1.00 0.18 1.39 2.24 0.04 P>|z| 0.001 0.007 0.093 0.019 0.003 0.005 0.000 0.081 0.017 0.320 0.858 0.164 0.025 0.968 [95% Conf Interval] -.0812184 0044159 -.0018243 00384 0005759 -.0042561 -.0092694 -.0257673 000321 -.0067144 -.0144746 -.0039546 0002341 -.0052068 -.0208237 0284251 0236147 0429419 0028352 -.0007483 -.0029396 0014802 0033288 0205657 0173738 0232549 0035188 0054219