基于贝叶斯界定折叠法的小企业信用评分模型研究.PDF

管 理 工 程 学 报 Vol.29 ，No.4 Jonrnal of Industrial Engineering/Engineering Management 2015 年 第4 期 基于贝叶斯界定折叠法的小企业信用评分模型研究 1 1,2 1 邓 超 ，胡梅梅 ，曾文潮 （1. 中南大学商学院，湖南 长沙 410083 ；2. 湖南农业大学商学院，湖南 长沙 410128 ） 摘要：本文针对小企业信用评分模型演化过程中出现的样本选择偏差问题，引入拒绝推论的思想，利用贝叶 斯界定折叠法有效解决因样本有偏引起的小企业信用评分模型分类能力丧失问题，该方法避免了有偏样本抽样分 析中出现的迭代问题和随机方法中出现的收敛问题，并提供一种可以降低数据集条件分布和边际分布预测成本的 确定性分析方法。实证结果表明，贝叶斯界定折叠法在样本筛选率分别为20%和40%的假设下，对样本填补率和 模型分类能力均有较大贡献，具有较强的稳健性，是在非随机数据缺失机制下解决样本选择偏差问题的有效途径。 关键词：拒绝推论；贝叶斯界定折叠法；信用评分模型；小企业 中图分类号：F832.42 文献标识码：A 文章编号：1004-6062(2015)04-0162-09 DOI ：10.13587/j.cnki.jieem.2015.04.020 0 引言 致信用评分演化模型分类能力的严重削弱甚至丧失。 小企业信贷工厂是目前许多银行开展小微企业信贷业 现有的拒绝推论技术分为三类。第一类是建立在条件概 Pr ( , ) Pr ( | ) Pr ob( Y ) obY Y Y ob Y 务的基本模式，其顺利运转在很大程度上取决于银行对小企 率法则 miss obs miss obs obs 上的样 [6] 业的信用评分过程及其数据来源。如果用于构建小企业信用 本选择模型（Selection Model） ，典型的例子有 Heckman [7] 评分模型的企业信贷数据全部由已通过银行初次信贷筛选 二阶段模型 。Schafer 和 Graham （2002 ）认为尽管样本选 的企业数据构成，无疑会发生由样本数据缺失引起的非随机 择模型在直观上较易理解，但由于分布上存在较大面积的平 样本选择现象。在小企业信用评分模型的构建过程中，因样 坦区（平坦区意味着对参数识别弱有效），使得该模型的有 [8] 本数据缺失产生的选择性偏差问题必将导致模型的参数估 效性大大降低 。Banasik 和 Crook （2004 ）对Heckman 二阶 计有偏，进而影响模型预测的准确性和信贷决策的有效