I. Conversiones a Factor

loan$Education = factor(loan$Education, levels = c("Graduate", "Not Graduate"))
loan$Self_Employed = factor(loan$Self_Employed, levels = c("No", "Yes"))
loan$Loan_Status <- ifelse(loan$Loan_Status == "Approved", 1, 0)

II. Ajuste del Modelo

# Ajuste del modelo
modelo <- glm( Loan_Status ~ Income + Loan_Amount + Education + Self_Employed + Cibil_Score,
  data = loan, family = binomial)

coefs3 <- summary(modelo)$coefficients

# Tabla
tabla_mod3 <- data.frame(
  Termino = rownames(coefs3),
  Logit = round(coefs3[, "Estimate"], 3),
  Odds_Ratio = round(exp(coefs3[, "Estimate"]), 3),
  row.names = NULL,
  check.names = FALSE
)

tabla_mod3
##                 Termino   Logit Odds_Ratio
## 1           (Intercept) -11.631      0.000
## 2                Income   0.000      1.000
## 3           Loan_Amount   0.000      1.000
## 4 EducationNot Graduate  -0.071      0.931
## 5      Self_EmployedYes   0.056      1.058
## 6           Cibil_Score   0.022      1.022

III. Interpretación

- Income (1.000): 𝑒^βᵢ = 1 → el ingreso mensual no tiene efecto sobre la probabilidad de aprobación.

- Loan_Amount (1.000): 𝑒^βᵢ = 1 → el monto solicitado no influye en la probabilidad de aprobación.

- EducationNot Graduate (0.931): 𝑒^βᵢ < 1 → los solicitantes no graduados tienen menor probabilidad de aprobación en comparación con los graduados.

- Self_EmployedYes (OR = 1.058): 𝑒^βᵢ > 1 → las personas autoempleadas tienen una probabilidad ligeramente mayor de aprobación que las no autoempleadas.

- Cibil_Score (OR = 1.022): 𝑒^βᵢ > 1 → un mejor puntaje crediticio aumenta ligeramente la probabilidad de aprobación del préstamo.