基于Lasso-logistic模型的供应链金融信用风险实证研究

伴随商业银行供应链金融业务的开展,如何评价其信用风险尤为重要,通过对汽车行业上市的中小企业数据进行实证分析,用Lasso-logistic模型筛选出16个较为重要的变量,同时进行参数估计,得出企业的营业利润率、总资产周转率、流动比率对以及企业所处的行业状况、供应链的合作关系强度对供应链金融的信用风险有很大的影响,模型准确率达79.5%。

基于Lasso-Logistic模型的个人信用风险评估——来自微贷网的数据分析

利用个人借款者的信息,通过理论分析个人借款者信用风险的影响因素,选取包括羊群效应、性别、年龄等指标建立个人借款者的信用风险评估指标体系,通过Lasso-Logistic模型预测借款人的违约概率。实证结果显示Lasso-Logistic模型预测准确性比Logistic回归的高,且羊群效应是一个重要的影响因素,在很大程度上提高了模型预测精度,降低投资者的风险。

基于Lasso-logistic模型的P2P网贷平台信用风险评价研究

文章通过构建Lasso-logistic模型对P2P网贷平台的风险进行了评价及预测,有效防范了平台的风险。通过使用网贷之家平台的信息数据对P2P平台的信用风险评价进行实证分析,发现与预测准确率高、计算方法简单、变量解释能力强、数据分析中拟合度高的Logistic模型相比,Lasso-logistic模型更能抓住影响平台信用风险的关键因素,预测准确率提高到了74%。

有序Lasso-Logistic模型的电竞角色选择应用分析

电竞行业近几年来迅速发展,这其中离不开机器学习在电竞中的分析和应用。职业选手能够熟悉电竞角色往往需要一定的时间和经验,采用机器学习对电竞角色进行分析,有利于选手对角色选择的考虑,为职业选手的训练和比赛提供数据支持,体现预测模型的分析效果。基于电竞结果通常为二分类数据,为了更好地利用先验信息,将自变量对因变量发生的不同重要性归结到Lasso-Logistic模型中形成有序Lasso-Logistic模型,通过有序Lasso-Logistic模型分析电竞角色数据,对电竞结果进行预测。根据结果显示,有序Lasso-Logistic模型预测效果显著,将有序Lasso-Logistic模型预测结果与逻辑回归模型,Lasso-Logistic模型,梯度增强决策树模型以及SVM模型的预测结果相比较,增加了先验信息的有序Lasso-Logistic模型的预测效果明显比其他四个机器学习模型更佳,表明了有序Lasso-Logistic模型在机器学习中对分类数据相比经典分类模型具有更好的分析能力,突出自变量先验信息重要的作用,推动了机器学习在电子竞技行业的应用与发展。

基于Lasso-Logistic模型的P2P网络借贷信用风险度量

P2P是一种新型的互联网借贷模式,以其高效、便利性迅速扩张。信息的不对称,使得P2P网络借贷具有较高的风险。准确度量借款人的信用风险是P2P网贷平台维护正常经营、降低信用风险以及保护投资者利益的重要对策。本文引入Lasso算法并与Logistic模型相结合,根据"人人贷"平台上的借贷数据,建立信用风险度量模型。通过实证发现:信用等级、年龄、受教育程度、逾期次数以及成功借款笔数对信用风险有显著的影响,且Lasso-Logistic模型有较高的预测准确率。

残疾人收入贫困的测算及其影响因素研究——基于Lasso-logistic模型

基于2017年全国残疾人基本服务状况与需求信息动态更新调查数据,使用收入贫困测量方法对残疾人的贫困状态进行研究,并采用解释能力较强的Lasso-logistic模型分析了导致残疾人收入贫困的影响因素。研究发现,年龄、婚姻状况、户口类别、受教育程度、住房状况、残疾类型、残疾等级、就业情况以及是否参加各种保险和社区各类服务等因素对残疾人的贫困状况有显著的影响,且进一步发现婚姻状况、住房状况以及是否参加各类保险对残疾人的贫困状态影响尤为强烈。

基于Lasso-logistic回归和随机森林模型的癌症患者抑郁影响因素分析

目的探究癌症患者抑郁现状及其影响因素,为促进癌症患者心理健康,提高临床照护水平提供参考依据。方法选取2020年10月至2021年10月安徽省内不同地域8家医院的560例患者为研究对象,采用问卷调查的方法,收集患者的医院焦虑抑郁等相关信息。描述调查对象一般特征,构建Lasso-logistic回归模型确定癌症患者抑郁的影响因素,再利用随机森林模型对变量重要性进行评价。结果560例癌症患者中,有237例患者患有抑郁情绪,占比42.32%。Lasso-logistic回归结果显示,焦虑、住院环境、失眠、家庭年收入和临床分期是癌症患者抑郁的影响因素(P<0.05),变量重要性排序依次为焦虑、住院环境、失眠、家庭年收入和临床分期。结论癌症患者抑郁发生率较高,焦虑、住院环境、失眠、家庭年收入和临床分期是影响癌症患者抑郁情绪的重要因素,临床照护应从以上方面加强对癌症患者抑郁情绪的管理和干预。

基于Lasso-Logistic回归模型的胃癌影响因素分析

目的探究胃癌影响因素并构建临床预测模型。方法收集2020年12月~2023年10月就诊于上海中医药大学附属普陀医院及上海中医药大学附属曙光医院的1000例胃肿瘤患者的临床资料,经数据清洗剔除异常值后,分为胃息肉组(n=487)和胃癌组(n=479)。采用非参数检验筛选出有意义的指标,Lasso回归筛选具有非0系数的胃癌相关特征因素,逐步Logistic回归分析筛选出具有显著相关的因素,构建Lasso-Logistic回归模型,并绘制受试者工作特征(receiver operator characteristic,ROC)曲线计算曲线下面积(area under the curve,AUC)及混淆矩阵评估模型效能。结果多因素Logistic回归分析结果显示,年龄、白细胞计数(white blood cell,WBC)、单核细胞(monocyte,M)计数、谷丙转氨酶(alanine amiontransferase,ALT)、糖类抗原724(cancer antigen 724,CA724)、糖类抗原242(cancer antigen 242,CA242)、糖类抗原50(cancer antigen 50,CA50)、癌胚抗原(carcinoembryonic antigen,CEA)是胃癌的独立影响因素。基于多因素Logistic回归分析结果构建胃癌的风险预测列线图模型,测试集的AUC为0.91,精准率为100%,召回率为100%,验证集的AUC为0.93,精准率为93.63%,召回率为74.1%,模型预测效果良好。结论本研究构建8个胃癌常见预测因子,且Lasso-Logistic回归预测模型具有较好区分度,临床可基于患者体检报告,完成胃癌早期筛查。

膀胱癌电切术后尿路感染Lasso-Logistic预测模型的构建

目的 分析膀胱癌电切术后尿路感染(UTI)发生情况,并构建Lasso-Logistic预测模型。方法 选取2022年5月—2023年10月首都医科大学附属北京友谊医院行尿道膀胱肿瘤电切术(TURBT)治疗后的920例膀胱癌患者,统计术后UTI发生率。根据是否发生UTI分为UTI组和非UTI组,比较2组临床资料;通过Lasso-Logistic回归分析膀胱癌患者术后UTI的影响因素,根据影响因素构建Lasso-Logistic预测模型;通过受试者工作特征(ROC)曲线、决策曲线分析(DCA)评价模型的预测效能和临床效用。结果 膀胱癌患者TURBT后住院期间UTI发生率为12.50%(115/920);Lasso-Logistic回归分析显示,年龄、高血压、糖尿病、血清降钙素原(PCT)、白细胞介素-6(IL-6)、C反应蛋白(CRP)、外周血CD3^(+)、CD4^(+)/CD8^(+)、免疫球蛋白A(IgA)、免疫球蛋白M(IgM)、尿液基质金属蛋白酶-7(MMP-7)、表面活性蛋白A(SP-A)和表面活性蛋白D(SP-D)均为膀胱癌患者术后发生UTI的独立影响因素(P<0.05)。根据影响因素构建Lasso-Logistic预测模型为:Logit(P)=-2.516+1.109×年龄+1.002×糖尿病+1.359×高血压+1.496×CRP+1.726×PCT+1.562×IL-6-1.155×CD3^(+)-1.280×CD4^(+)/CD8^(+)-1.032×IgA-1.411×IgM+1.589×MMP-7-0.843×SP-A-0.799×SP-D。ROC曲线结果显示,该模型预测膀胱癌患者术后发生UTI的曲线下面积(AUC)为0.944(95%CI:0.927~0.958),敏感度、特异度分别为87.83%、85.22%;DCA结果显示,该模型具有明显的正向净收益。结论 膀胱癌患者TURBT后UTI发生率较高,根据影响因素构建Lasso-Logistic预测模型可为临床预测UTI发生风险提供可靠参考依据。

基于LASSO-Logistic回归构建Siewert Ⅱ/Ⅲ型食管胃结合部腺癌术后早期复发预测模型

目的 探讨SiewertⅡ/Ⅲ型食管胃结合部腺癌(adenocarcinoma of esophagogastric junction, AEG)根治术后早期复发的危险因素,构建可视化预测模型。方法 回顾性分析2016年1月至2021年3月兰州大学第二医院诊断为SiewertⅡ/Ⅲ型AEG且接受根治性切除术患者的临床病理资料,将样本以7∶3的比例随机分为建模组与验证组。采用LASSO-Logistic回归分析法筛选出预测SiewertⅡ/Ⅲ型AEG早期复发的变量,并构建早期复发预测模型。基于Bootstrap法进行1000次重复抽样验证模型。绘制受试者工作特征(receiver operating characteristic, ROC)曲线,计算曲线下面积(area under curve, AUC),绘制校准曲线和决策曲线(decision curve analysis, DCA)对模型的稳定性进行评估。结果根据纳入与排除标准,共320例SiewertⅡ/Ⅲ型AEG患者最终纳入分析,其中2年内复发者122例;LASSO-Logistic回归分析显示,AJCC分期、分化程度、糖类抗原199、癌胚抗原、中性粒细胞与淋巴细胞比值及肿瘤长径是SiewertⅡ/Ⅲ型AEG早期复发的独立预测因素,依此构建预测模型并绘制列线图。绘制ROC曲线得到建模组AUC为0.836(95%CI:0.785~0.887),灵敏度为81.4%,特异度为85.6%;验证组AUC为0.812(95%CI:0.711~0.912),灵敏度为80.6%,特异度为87.7%。建模组与验证组的校准曲线显示拟合曲线与参考曲线接近,表明模型具有较高稳定性。DCA曲线显示阈值概率在0.05~0.75时模型具有良好的净收益。结论 基于LASSO-Logistic回归分析法构建的预测SiewertⅡ/Ⅲ型AEG早期复发的多因素模型,有助于判断患者临床预后,为术后病情监测与管理提供参考依据。

肝癌患者术后营养不良影响因素的Lasso-Logistic回归分析及列线图预测模型构建

目的:采用Lasso-Logistic回归分析肝癌患者术后营养不良的影响因素,并进行列线图预测模型构建,为肝癌患者术后营养状况调整提供参考。方法:选取2021年1月至2023年6月本院收治的460例肝癌手术患者,按照7∶3分为训练队列和验证队列,根据患者主观整体评定量表评判患者术后营养状态,分为营养正常组和营养不良组,采用Lasso-Logistic回归分析其影响因素并构建列线图预测模型。结果:训练队列与验证队列一般临床资料比较差异均无统计学意义(P>0.05)。Lasso-Logistic回归分析显示,年龄、术前体质量指数(BMI)、术前营养风险筛查评分(NRS2002)、贫血、糖尿病、肿瘤分期、白蛋白(ALB)、胰高血糖素样肽-1(GLP-1)、总胆汁酸(TBA)、甘胆酸(CG)均是训练队列中肝癌患者术后营养不良的独立影响因素(P<0.05)。ROC曲线显示,肝癌患者术后营养不良的列线图预测模型在训练队列、验证队列中预测的曲线下面积分别为0.873、0.902;校准曲线显示,该列线图模型在训练队列、验证队列中预测肝癌患者术后营养不良风险与实际风险状况基本一致。结论:构建的列线图模型对肝癌患者术后营养不良预测价值较高,且有良好预测效用,但需要进一步的验证评估。

基于Lasso-Logistic回归分析构建中青年急性LHI静脉溶栓后出血转化预测模型

目的基于Lasso-Logistic回归分析中青年急性大面积脑梗死(LHI)患者静脉溶栓后出血转化(HT)的影响因素,并建立列线图预测模型。方法选取2022年5月—2023年10月首都医科大学宣武医院行阿替普酶静脉溶栓治疗的中青年急性LHI患者495例,溶栓后24 h是否发生HT分为HT组、非HT组。比较两组临床资料,通过Lasso-Logistic回归分析HT发生的影响因素,根据回归分析筛查出的指标构建列线图预测模型,并评价列线图预测模型的临床应用价值。结果495例中青年急性LHI患者中HT发生率为25.66%(127/495);HT组年龄、房颤占比、糖尿病占比、发病至溶栓时间(ONT)3.0~4.5 h占比、溶栓前美国国立卫生研究院卒中量表(NIHSS)评分、血清C反应蛋白(CRP)、降钙素原(PCT)、中性粒细胞/淋巴细胞比值(NLR)、基质金属蛋白酶-9(MMP-9)、脂蛋白相关磷脂酶A2(Lp-PLA2)、可溶性凝集素样氧化低密度脂蛋白受体-1(sLOX-1)水平高于非HT组,外周血血小板、尿酸水平低于非HT组(P<0.05);房颤、糖尿病、ONT、溶栓前NIHSS评分、外周血血小板、尿酸水平、血清NLR、MMP-9、Lp-PLA2、sLOX-1水平均是静脉溶栓治疗后HT发生的影响因素(P<0.05);列线图预测模型预测HT发生的AUC为0.893(95%CI:0.862~0.925),敏感度、特异度分别为83.65%、88.42%,该模型校准度良好,且具有明显的正向净收益。结论房颤、糖尿病、ONT、溶栓前NIHSS评分、外周血血小板、尿酸水平、血清NLR、MMP-9、Lp-PLA2、sLOX-1水平均是中青年急性LHI患者阿替普酶静脉溶栓治疗后发生HT的影响因素,依据上述影响因素建立列线图预测模型,该模型对静脉溶栓治疗后HT发生具有一定预测价值及临床实用性,临床可依据该模型筛选早期HT发生高危患者,并采取个体化治疗措施,以降低HT发生风险。

肺癌根治术后肺部感染的Lasso-logistic回归预测模型构建和外部验证

目的:构建肺癌根治术后肺部感染的Lasso-logistic回归预测模型,并进行外部验证。方法:将行肺癌根治术治疗的730例肺癌患者,按照7∶3比例随机分为训练组(n=511)、验证组(n=219)。统计术后3 d内训练组、验证组肺部感染发生情况,并比较发生、未发生肺部感染患者临床资料,在训练组中通过Lasso-logistic回归模型分析肺癌术后肺部感染的影响因素,根据影响因素构建肺部感染Lasso-logistic回归列线图预测模型,在验证组中对Lasso-logistic回归列线图预测模型进行外部验证。结果:本研究730例肺癌患者术后肺部感染发生率为17.81%,训练组、验证组肺部感染发生率分别为17.42%、18.72%,组间比较,差异无统计学意义(P>0.05);在训练组、验证组中,发生与未发生肺部感染患者的年龄、吸烟史、肿瘤分期、糖尿病、慢性阻塞性肺疾病(COPD)、引流管留置时间、手术时间、机械通气时间、血清C反应蛋白(CRP)、降钙素原(PCT)、淀粉样蛋白A(SAA)、高迁移率族蛋白B1(HMGB1)、可溶性CD14(sCD14)、CD4^(+)/CD8^(+)水平的比较,差异均有统计学意义(P<0.05);Lassologistic回归模型分析显示,以年龄、COPD、机械通气时间、CRP、PCT、SAA、HMGB1、sCD14、CD4^(+)/CD8^(+)作为肺癌根治术后肺部感染的预测因素,可使模型性能优良且影响因素最少;根据Lasso-logistic回归筛选出的9个预测因素构建肺部感染Lasso-logistic回归列线图预测模型,通过外部验证显示该模型预测肺部感染的曲线下面积(AUC)为0.921(95%CI:0.818~0.984),预测敏感度、特异度分别为91.83%、97.26%,具有良好预测效能,且该模型预测肺部感染的校准度良好,与实际观测结果一致性较高。结论:肺癌根治术后肺部感染发生率高,其影响因素较多,根据筛查出的相关预测因素构建肺部感染Lasso-logistic回归列线图预测模型在预测肺部感染发生风险方面具有良好预测价值,有助于指导临床预防术后肺部感染。

基于Lasso-Logistic回归分析的类风湿性关节炎相关间质性肺病风险预测模型构建

目的通过回顾性方法,基于LASSO-Logistic回归建立类风湿性关节炎(rheumatoid arthritis,RA)相关间质性肺病(interstitial lung disease,ILD)的预测模型。方法纳入2021年1月-2023年1月于山西省人民医院诊断为RA的患者为研究对象,根据是否合并间质性肺病将其分为单纯RA组(n=136)和RA-ILD组(n=117)。先采用单因素分析及LASSO回归进行变量筛选,将筛选的变量作为自变量进行多因素Logistic回归。采用R3.5.3软件的“rms”包开发基于Logistic回归模型的静态风险计算器,通过列线图的形式进行风险预测。通过绘制ROC曲线评估模型的预测效能,绘制Calibration曲线显示校准度,绘制DCA曲线以评估临床适用性。结果LASSO-Logistic回归模型筛选出年龄、病程、气短、癌胚抗原(Carcinoembryonic Antigen,CEA)、糖类抗原199(Carbohydrate Antigen 199,CA199)、糖类抗原153(Carbohydrate Antigen 153,CA153)、抗环瓜氨酸肽抗体(CCP)定量是RA-ILD的最佳诊断因素,以此构建无创模型。ROC曲线显示,模型预测曲线下面积为0.941(95%CI:0.914~0.967),表明疾病区分度较好;Calibration曲线显示预测概率与实际发生概率具有较好的一致性;DCA曲线提示当概率阈值为1%~97%范围内使用预测模型具有较好的临床适用性。结论基于Lasso-Logistic回归分析构建的类风湿性关节炎相关间质性肺病的临床预测模型具有较高的预测价值,可用于预测RA-ILD的发生。

高尿酸血症Lasso-logistic回归预测模型的建立

目的建立高尿酸血症Lasso-logistic回归预测模型。方法选取中铁某局2016年健康体检基线数据完整且分别于2018、2020年完成随访的1610名建筑业职工为研究对象。通过Lasso回归筛选高尿酸血症相关预测因子,利用多因素Logistic回归构建模型并用列线图实现模型的可视化。分别采用受试者工作特征曲线(ROC曲线)、曲线下面积(AUC)、校准曲线、临床决策曲线对预测模型进行评估,并采用Bootstrap方法对模型展开内部验证。结果在4年内共有658例(40.87%)高尿酸血症病例。高尿酸血症组男性比例高于非高尿酸血症组(P<0.01),年龄小于非高尿酸血症组(P<0.01),体质量指数、收缩压、舒张压、高血脂比例、基线尿酸、肌酐、丙氨酸转氨酶、天冬氨酸转氨酶、谷氨酰转肽酶水平高于非高尿酸血症组(P<0.05或P<0.01)。基于Lasso-logistic的回归模型纳入5个与高尿酸血症相关的因素,分别为性别、年龄、基线尿酸、收缩压、体质量指数。多因素Logistic回归分析结果显示,性别、年龄、体质量指数、收缩压、基线尿酸是高尿酸血症发生的影响因素(OR=2.795,95%CI 1.349~5.797;OR=0.962,95%CI 0.951~0.974;OR=1.050,95%CI 1.011~1.092;OR=1.013,95%CI 1.004~1.022;OR=1.025,95%CI 1.022~1.028)(P<0.05或P<0.01)。所构建预测模型AUC为0.819(95%CI 0.799~0.840),内部验证AUC为0.817。Hosmer-Lemeshow拟合优度检验显示拟合度较好(P>0.05)。临床决策曲线分析结果提示,阈值概率为0~0.9时,使用预测模型预测高尿酸血症风险有较好的净收益。结论建立的高尿酸血症Lasso-logistic回归预测模型具有较好的预测能力,有助于早期识别高尿酸血症高风险人群。

LASSO-logistic回归模型在高尿酸血症影响因素分析中的应用

目的探讨LASSO-logistic回归模型在高尿酸血症(HUA)影响因素分析中的应用。方法回顾性收集2021年在武警宁夏总队医院参加健康体检的男性军队人员健康档案,用logistic回归和LASSO-logistic回归两种模型筛选影响HUA的因素,并用赤池信息准则(AIC)和贝叶斯信息准则(BIC)评价模型拟合效果。结果男性军队人员HUA检出率为27.3%,传统logistic回归和LASSO-logistic回归两个模型的结果均显示,HUA的关键影响因素主要有年龄、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶、γ-谷氨酰转肽酶、肌酐水平和脂肪肝,其中γ-谷氨酰转肽酶[传统logistic回归模型和LASSO-logistic模型OR(95%CI)分别为1.03(1.03,1.04)、1.03(1.02,1.04)]与肌酐[两个模型OR(95%CI)均为1.05(1.05,1.06))]是影响HUA最重要的两个指标;LASSO-logistic回归模型的AIC(4221.373)和BIC(4308.966)均小于传统logistic回归模型(AIC为4223.373,BIC为4317.222)。结论基于LASSO法筛选出的变量组成的LASSO-logistic回归模型拟合效果较好,是研究HUA影响因素的可靠选择。

基于Lasso-Logistic回归的帕金森疾病声学特征诊断研究

本文基于埃斯特雷马杜拉(西班牙)帕金森病区域协会的80名欧洲受试者声学特征数据,结合lasso回归提出两阶段变量选择法对44个声学特征因子筛选,最后得到6个显著的声学特征因子:Gender、Shim_loc、MFCC3、HNR35、PPE、GNE。将上述因素通过多因素logistic回归构建患PD疾病风险的列线图模型,并从多个角度验证该模型的有效性和校准性。结果表明,早期PD患者基底神经节运动调节功能异常,声学数据中MFCC3和HNR35数值偏低,PPE、GNE和Shim_loc数值偏高,临床表现为发音时声带振动的最大频率降低,声音低沉,进一步说明所构建的列线图模型可以根据不同的声学特征较好地诊断研究对象患有PD疾病的风险高低。今后声学特征有望成为早期PD诊断的重要生物标记物,为疾病远程筛查提供辅助手段。

基于Lasso-Logistic回归构建高校大学生心理危机风险预测模型

目的:探讨高校大学生心理危机风险的影响因素,构建并验证危机风险预测模型。方法:以2019年9月至2021年4月入组的浙江大学心理中心初始访谈的1879名大学生为研究对象,运用单因素Logisc回归和Lasso回归筛选危机风险的特征变量。采用随机抽样法以7∶3的比例将总样本分为训练集和验证集,并在训练集中基于筛选出的危机风险的特征变量构建多因素Logisc回归分析模型,并在训练集和验证集中分别验证该模型的区分度。结果:本研究具有危机风险的大学生255例(13.4%)。单因素Logistic回归和Lasso回归筛选出6个危机风险的相关变量,再经过多因素Logistic回归分析显示,“人际关系”(p=0.007)、“学院”(p<0.05)、“在校身份”(p≤0.001)、“自杀想法”(p<0.001)、“物质使用”(p=0.005)5个因素为危机风险的独立危险因素。验证分析结果提示该预测模型区分度良好,曲线下面积(area under the curve,AUC)为0.834。结论:本研究构建的预测模型具有较好的区分能力,可用于指导高校心理健康工作中对存在危机风险的高风险学生的早期识别和及时干预。

基于Multiple-Lasso-Logistic回归模型的车险索赔概率预测

近年来,Logistic回归模型在非寿险精算科学中得到了广泛的应用,本文对法国的一组车险索赔数据,采用Lasso及其扩展方法结合Logistic模型建立车险索赔预测模型,同时引入了惩罚权重,并与Lasso-logistic回归模型和Logistic回归模型进行比较,结果表明:模型综合性能最优的是multiple-Lasso- Logistic回归模型。并在此基础上筛选出了预测性能最强的因子水平,同时对响应变量作用相同的水平进行了融合,有效地降低了变量维度。

文本信息在P2P借贷平台违约评价中的作用——基于Multinomial Lasso-logistic模型

选取Lending Club 2007年1月至2016年3月的交易数据,运用Multinomial Lasso-logistic模型得到影响平台违约的关键因素并预测了违约概率.结果表明,出借人实际借款的总额、借款利率等因素对违约有显著的影响,此外与以往研究不同的是,发现由借款人提供的借款描述和借款标题等文本信息与违约之间显著负相关,说明当借款人提供更多的文本信息,将表现出相对较低的违约率.研究结论补充了现有文献的不足,对P2P平台的监管和投资者的决策提供了借鉴意义.