基于Logistic回归和Probit回归的个人信用评估研究

摘要

本文主要研究了个人信用评估问题。首先介绍了信用评估的发展背景以及P2P网络信贷的现状，然后介绍了构建信用风险评估模型常用的方法，包括统计方法和非统计方法，重点介绍了Logistic回归和Probit回归的理论基础，本文以美国的Lending Club公司为例，选用该公司部分贷款人信息数据，对个人信用风险评估进行研究。 在构建Logistic回归和Probit回归模型中，进行了数据预处理，先对缺失值采用删除和均值插补的方法处理，然后进行数据不平衡处理和数据抽样，最后对特征变量进行粗筛选和细筛选，其中引入了WOE值和IV值的概念，并选取了IV值大于0.02的与信用风险评估可能相关的15个特征变量。接着进行了描述性统计分析和相关性分析，相关性分析删除两个变量，排除模型的多重共线性，运用Logistic回归和Probit回归构建了个人信用风险评估模型，并运用判别矩阵、ROC曲线和AUC值对模型的预测能力进行了检验。 最后结果表明Probit回归和Logistic回归一样，具有较好的预测能力。由于模型结果比较难解释，Probit回归的应用并不多，但Logistic回归并不能完全替代Probit回归。同时贷款利率、贷款目的、工作年限、验证状态、贷款状态、年度收入等13个指标构成了Logistic回归方程和Probit回归方程，模型具有有效性，Lending Club公司作为网络信贷界的鼻祖，可以为我国P2P网络信贷的信用风险研究，乃至整个互联网金融的良性发展提供参考价值。

目录

第1章 绪论

1.1研究背景和意义

1.2文献综述

1.2.1信用评分模型研究现状

1.2.2 P2P网络信贷发展现状

1.3论文主要研究内容和结构安排

1.3.1基本思路与主要内容

1.3.2论文创新点

第2章 信用评估模型的理论基础和方法

2.1 Logistic回归分析法（Logistic Regression Analysis）

2.2 Probit回归分析法（Probit Regression Analysis）

2.3应用于信用评估的其它方法

2.3.1统计方法

2.3.2非统计方法

2.4.各种建模方法效果比较

2.5.Logistic回归和Probit回归的可行性分析

第3章 建模样本数据预处理

3.1建模数据的来源

3.2数据抽样

3.3缺失值的分析和处理

3.3.1缺失值的统计

3.3.2缺失值的处理

3.4变量的筛选

3.4.1粗筛选（根据变量的含义）

3.4.2细筛选（根据特征变量的区分能力）

3.5分类变量的预处理

第4章 模型构建及分析

4.1描述性统计

4.2相关性分析

4.3 模型建立

4.4模型预测

4.5模型结果分析

4.5.1比较Probit回归模型与Logistic回归模型

4.5.2借款人的信用风险分析

第5章 结论及启示

5.1结论

5.2启示

5.3建议

5.4本文的不足

参考文献

附录

致谢

声明