Busca no wiki:
A utilização de fatores e a regressão das séries de perdas a estes fatores cria uma expectativa de relacionamento entre os fatores apontados e as perdas propriamente dita.
Este relacionamento define o modelo causal do Sistema.
A regressão linear múltipla é um método de associação de uma variável dependente a várias variáveis independentes. Este método é eficiente para variáveis bem comportadas ou que não apresentem multicolinearidade, que ocorre quando duas ou mais variáveis independentes apresentam correlação.
Para evitar o problema de colinearidade, a matriz de correlações entre as variáveis independentes deve ser analisada. Como regra geral, se a correlação entre duas variáveis for superior a 0,70, pode haver problemas de colinearidade. Esta regra , no entanto, é ineficiente quando combinações de variáveis independentes apresentam correlação. Uma alternativa então, seria analisar a correlação entre cada variável independente e todas as possíveis combinações entre as demais variáveis independentes.
Olhando para o coeficiente de correlação, o problema da colinearidade também pode ser identificado quando este coeficiente é alto e no entanto, todos os coeficientes de regressão são estatisticamente insignificantes.
Para eliminar o problema da colinearidade, algumas variáveis independentes podem ser removidas após análise das correlações.
Outros problemas podem comprometer a regressão múltipla como heteroskedasticity (variância do erro é constante) e autocorrelação (correlação serial entre os erros).
A regressão linear múltipla é representada pela equação:
onde b representa os coeficientes da regressão, x as variáveis independentes e y é a variável dependente.
Uma observação importante da análise de regressão múltipla é que a existência de correlação entre uma variável independente e um conjunto de variáveis independentes não significa uma relação de causalidade, mas apenas uma relação estatística.
O sucesso no estabelecimento de uma relação linear múltipla está diretamente relacionada á qualidade das bases de dados. Uma base de dados pobre de fatores ou valores de fatores pode inibir a determinações dos coeficientes.
A correlação entre variáveis dependentes e independentes considera a data do evento das variáveis dependentes como referência para sua ocorrência.
Assim como se escolhem os fatores participantes do modelo causal, também são escolhidos os valores limites que permitirão a análise de stress do modelo.
O stress do modelo causal representa a substituição dos valores em stress para os fatores e aplicação da equação de regressão do modelo.
Além de permitir da análise de stress do risco operacional, o Sistema também permite a inclusão destas operações de stress como simulações dentro da análise do OpVaR. Esta opção, se configurada, permite as perdas simuladas em estresse para todas as fontes relevantes em número e valor, assim como o pacote de fontes ditas irrelevantes, sejam agregadas ao período de análise em questão.
Caso o Sistema não seja capaz de calcular as perdas em stress, as mesmas não serão incluídas, mesmo se configuradas, na base final de fontes de perdas.
Os valores em stress poderiam ser alocados ao longo do tempo, principalmente no caso de ações judiciais. No entanto, todos os valores estressados estimados serão alocados imediatamente, representando a contabilização dos eventos na sua data de ocorrência, em função da adoção dos valores em stress atuais para as variáveis independentes..
