文献类型：期刊文章

作　　者：方匡南[1,2] 陈子岚[3]

FANG Kuangnan;CHEN Zilan(Department of Statistics,School of Economics,Xiamen University,Xiamen 361000,China;The MOE Key Laboratory of Econometrics(Xiamen University),Xiamen 361000,China;Student Affairs Office,Xiamen University,Xiamen 361000,China)

机构地区：[1]厦门大学经济学院统计系,厦门361000 [2]计量经济学教育部重点实验室(厦门大学),厦门361000 [3]厦门大学学生工作部(处),厦门361000

出　　处：《系统工程理论与实践》

基　　金：国家自然科学基金面上项目(71471152);中央高校基本科研业务费专项资金(20720171095,20720181003);国家统计局重大项目(2019LD02)。

年　　份：2020

卷　　号：40

期　　号：2

起止页码：392-402

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、CSSCI、CSSCI2019_2020、EI、IC、JST、NSSD、RCCSE、RWSKHX、SCOPUS、ZGKJHX、核心刊

摘　　要：传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.

关 键 词：半监督  广义可加logistic回归  信用评分 无标记样本  

分 类 号：F832.479[金融学类]