通过SPSS统计软件对Logistic回归模型求解,得到个属性的权值系数为Р通过求解Logistic回归模型,得到判别准则:Р (7)Р5.1.2 问题求解及分析Р利用该判别准则对600个申请贷款企业进行打分和吻合度分析:Р(1)对剔除64个奇异点外,所剩的536个企业进行重新打分和吻合度分析Р利用C++编程(见附表三)求得打分结果(见附表四),并对打分结果进行统(见表三)Р表三打分吻合度统计Р重新打分Р+Р-Р吻合度Р总计Р原始打分Р+Р253Р2Р99.2%Р98.5%Р-Р6Р175Р96.7%Р从表三中看出,与原始打分情况相比,共有8个数据不符。通过回代检验,可以看出判别准则的吻合度达到98.5%,证明判别准则吻合度很高,可以对银行的高层管理者提供极具价值的决策手段和依据。Р(2)对64个奇异点单独进行重新打分和吻合度分析Р利用C++编程求得打分结果(见附表五),并对打分结果进行统(见表四)Р表四奇异点打分统计Р重新打分Р+Р-Р原始打分Р+Р0Р48Р-Р16Р0Р从表四中看出,对奇异点重新打分的结果与原始打分的结果恰好完全相反,更进一步验证了4.13对数据进行深挖掘的合理性和正确性,也验证了此64个申请贷款企业资料的真实性置信度差。因此,对向银行提供的背景资料必须进行数据预处理,这样可以有效减少银行的金融风险。Р5.1.3 对待申请企业中的前53名打分和吻合度分析Р利用C++编程求得打分结果(见附表六),在附表六中y值打‘+’的不予贷款,打‘-’的可以给予贷款。由于该预测是通过Logistic回归模型求得的评判准则进行预测的,而由表三知道该准则具有极高的吻合度。因此,对53名申请贷款企业的打分值具有极高的置信度,能够很好的确定是否为其提供贷款,有效的减少了银行金融风险。Р5.2修正Logistic回归模型的求解与分析Р5.2.1修正Logistic回归模型的求解
全文预览
