Mitigación de sesgo de género en un modelo de calificación crediticia

dc.contributor.advisorBarrantes Sliesarieva, Elena Gabriela
dc.creatorCorrales Barquero, Ricardo
dc.date.accessioned2024-02-29T17:42:57Z
dc.date.available2024-02-29T17:42:57Z
dc.date.issued2024-02-16
dc.description.abstractEl presente documento expone un trabajo realizado sobre un conjunto de datos y un modelo matemático para apoyo de toma de decisiones en el proceso de crédito para clientes ya constituidos en un banco comercial de Costa Rica. El objetivo principal consistió en evaluar alternativas para mitigar los sesgos de género presentes en el modelo. Para lograrlo, se comenzó por identificar posibles fuentes de sesgo en el modelo, entre las cuales se identificaron posibles sesgos de tratamiento dispar, asociación, selección, sesgo malicioso y sesgo de automatización. Seguidamente se midieron dichos sesgos en más detalle, encontrando que son pequeños, excepto quizá por el sesgo de selección. En tercer lugar, se construyeron modelos alternativos que mitigaran estos sesgos, para finalmente, evaluar la diferencia tanto en las medidas de justicia que se utilizaron como en el rendimiento de los modelos alternativos respecto al original para determinar el que provee mayor valor al negocio. Aquí se encontró que las ganancias son menores y que lo que podría valer más la pena es mantener el modelo actual e investigar otros modelos de calificación crediticia utilizados en otras etapas del proceso de otorgamiento de crédito.es_ES
dc.description.abstractThis document presents a project carried out on a dataset and a mathematical model to support decision making in the credit process for established clients in a commercial bank in Costa Rica. The main objective was to evaluate alternatives to mitigate the gender biases present in the model. To achieve this, possible sources of bias in the model were identified, among which possible disparate treatment, association, selection, malicious, and automation biases were identified. These biases were then measured in more detail, finding that they are small, except perhaps for the selection bias. Thirdly, alternative models were built to mitigate these biases, to finally evaluate the difference both in the fairness measures that were used and in the performance of the alternative models compared to the original to determine the one that provides greater value to the business. Here, it was found that the gains are minor and that what could be more worthwhile is to maintain the current model and investigate other credit scoring models used in other stages of the credit granting process.es_ES
dc.description.procedenceUCR::Vicerrectoría de Investigación::Sistema de Estudios de Posgrado::Ingeniería::Maestría Académica en Computación e Informáticaes_ES
dc.identifier.urihttps://hdl.handle.net/10669/90987
dc.language.isospaes_ES
dc.rightsacceso abierto
dc.sourceUniversidad de Costa Rica, San José, Costa Ricaes_ES
dc.subjectŽŒCREDIT RATINGes_ES
dc.subjectGENDERes_ES
dc.subjectBIASes_ES
dc.subjectŽŒARTIFICIAL INTELLIGENCEes_ES
dc.titleMitigación de sesgo de género en un modelo de calificación crediticiaes_ES
dc.typetesis de maestríaes_ES

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
Mitigación_de_sesgo_de_género_en_un_modelo_de_calificación_crediticia (RC-GB-GM-AG-GL-EC)-firmado.pdf
Tamaño:
2.19 MB
Formato:
Adobe Portable Document Format
Descripción:
Documento completo

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
3.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción: