两类有偏logistic分布在信用评分模型中的应用

Logistic回归模型的连接函数是一个固定的对称函数,在实际应用中不考虑数据的实际情况而强行使用对称连接函数会导致参数估计偏差和均方误差显著上升,预测效果也会下降。文章将非对称连接函数的思想引入信用评级建模,利用实际数据来估计偏度参数和回归系数。研究表明,有偏logistic回归对普通logistic回归的改造是成功的,并且有偏logistic回归模型的表现还优于决策树、神经网络和支持向量机。

有偏logistic回归模型及其在个人信用评级中的应用研究

中国人保守的消费习惯使得信用评级建模数据违约率较低,数据呈现出不平衡的特点,这种不平衡性对logistic回归模型的预测效果带来负面影响。本文将非对称连接函数的思想引入到信用评级中,将有偏logistic分布的分布函数作为连接函数的反函数,利用实际数据来估计偏度参数和回归系数。研究表明,有偏logistic回归的预测效果优于普通logistic回归,并且在10%的违约数据集中,有偏logistic回归的表现还优于决策树、神经网络和支持向量机。