Robust Clustering of Banks in Argentina

• Autores: José M. Vargas, Margarita Díaz, Fernando García
• Localización: Revista de economía y estadística, ISSN 0034-8066, Vol. 56, Nº. 1, 2018, págs. 21-41
• Idioma: inglés
• Títulos paralelos:
  • Agrupación robusta de Bancos en Argentina
• Enlaces
  • Texto completo
• Resumen
  • español

    El propósito de este documento es clasificar y caracterizar 64 bancos, activos en 2010 en la Argentina, mediante técnicas robustas utilizadas con información para el período 2001-2010. En base a los criterios de estrategia establecidos en (Wang 2007) y (Werbin 2010), se seleccionaron siete variables. De acuerdo con la teoría bancaria, se obtuvieron cuatro conglomerados "naturales", denominados "Personal", "Comercial", "Típico" y "Otros bancos". Para comprender este agrupamiento, se utilizó el todo el conjunto de banco y se realizó un análisis de los componentes principales basado en la proyección, que mostró que esencialmente tres variables pue-den atribuirse a la formación de diferentes agrupaciones. A fin de revelar la estructura interna de cada grupo, utilizamos el paquete R mclust para ajustar una mezcla gaussiana finita a los datos. Esto reveló aproximada-mente una estructura de componentes similar, lo que garantiza un análisis de componentes principales comunes como en (Boente y Rodrigues, 2002). Esto nos permitió identificar tres variables que son suficientes para agrupar y caracterizar cada cluster. Las medidas de influencia de Boente se utiliza-ron para detectar casos extremos en el análisis de componentes principales comunes.

  • English

    The purpose of this paper is to classify and characterize 64 banks, active as of 2010 in Argentina, by means of robust techniques used on information gathe-red during the period 2001-2010. Based on the strategy criteria established in (Wang 2007) and (Werbin 2010), seven variables were selected. In agreement with bank theory, four “natural” clusters were obtained, named “Personal”, “Commercial”, “Typical” and “Other banks”. In order to understand this grouping, projection pursuit based robust principal component analysis was conducted on the whole set showing that essentially three variables can be attributed the formation of different clusters. In order to reveal each group inner structure, we used R package mclust to fit a finite Gaussian mixture to the data. This revealed approximately a similar component structure, gran-ting a common principal components analysis as in (Boente and Rodrigues, 2002). This allowed us to identify three variables which suffice for grouping and characterizing each cluster. Boente’s influence measures were used to detect extreme cases in the common principal components analysis.