逻辑回归模型小结--基于评分模型

逻辑回归模型

一、优点和不足

二、对变量的要求

当用逻辑回归模型来构建评分模型时，入模变量需要满足以下条件：

1、变量间不存在较强的线性相关性和多重共线性。可在单变量分析和多变量分析过程中予以解决，删除相关性较高的某些变量。

2、变量具有显著性。可从模型的返回参数中的P值进行检验，一般P值小于0.1即可。如果发现模型中某些变量不显著，则需要检验一下两种可能性：

1）该变量本身不显著。检验方法：将该变量单独与目标变量做逻辑回归模型，如果在单变量回归的情形下系数的P值仍然较高，即表明该变量本身的显著性较低。

2）该变量显著，但是由于有一定的线性相关性或多重共线性，导致该变量在多元回归中不显著。

先检验第一种可能性，如果排除，再检验第二种可能性，此时可再查看相关系数。

3、变量具有合理的业务含义，即变量对于风控业务是正确的。可从模型的返回参数中的系数进行检验，如在计算woe过程中用的是好坏比，则系数应为负，否则为正。

 

三、WOE(Weight of Evidence)和IV(Infomation Value)

1、逻辑回归是线性的统计模式，因此遇到非线性趋势的变量会造成无法建立有效的模型，因此需要将变量进行WOE化。

WOE的性质：

1）、WOE与风险正相关，WOE越大，风险越高，代表该层级的客户资质越差。如果WOE接近于0，表示接近平均水平。（正负相关视WOE的计算方式而定）

2）、进行WOE检定时，观察WOE的变动趋势是否符合单调性，即单调递增或单调递减，抑或是呈现u型和n型，这里视业务逻辑而定，是否是属于正常的。如果WOE趋势呈现不稳定的锯齿状波动如W型或M型，则必须通过调整分箱进行合并以解决，否则就得放弃该变量。

3）、WOE不会因为抽样误差造成数值大幅变化，即WOE的操作过程使模型排除了因数据的随机因素造成的波动，不会因为个别出现较大数据波动而影响模型性能，除非是政策、市场发生较大的变化，否则该模型应趋于稳定，并且经WOE制作的评分卡可解释性强，这也就是其经典所在的原因。

2、变量筛选，可根据每个变量的分箱结果计算IV值，一般挑选IV大于0.03的变量进入模型（如变量特征较多大于0.1，则可把阈值定为0.1），小于0.03的均不予考虑。

 

四、评分尺度化

得到符合要求的逻辑回归模型后，通常还需要将概率转化成分数。分数的单调性与概率相反，及分数越高表明违约的概率越低，信用资质越好。在评分卡模型中，上述过程称为尺度化，转换公式为：

，其中，，PDO：point to double odds

1 - p：为现实数据违约的概率，则y可从现实数据计算可得

PDO的含义：当好坏比上升1倍时，分数上升PDO个单位

 

五、评估信用模型

KS检验：模型区分好坏客户的力度。KS>30%时，模型才能用。

ROC检验：模型判别真假的准确度。AUC>70%时，模型才能用。

模型的上线和部署，以上两个条件缺一不可。