《使用分类树评估信用风险》由会员分享，可在线阅读，更多相关《使用分类树评估信用风险（42页珍藏版）》请在金锄头文库上搜索。
1、使用分类树评估信用风险ITELLIN2005-11-29这是 SPSS帮助菜单中个案研究的一个例子。假设银行有一个记载客户取得贷款交易信息的数据库， 包括客户偿还或拖欠贷款的记录。 使用分类树技术， 银行方面可以分析及时还贷和有拖欠行为的客户特征， 并能建立模型预测后续的贷款申请者拖欠银行贷款的可能性。信用数据文件名为 tree_credit.sav。一、 建立模型分类树过程提供几种不同的方法用来建立树模型。本案例使用的是预设的方法：CHAID 卡方自动交互检验。 在计算的每一步中， CHAID 选择与因变量交互作用最强的自变量（预测因子） 。如果某些自变量与因变量没有很强的显著性差别，这些自
2、变量的分类将被合并。1. 建立 CHAID 树模型从菜单中选择：选择信用等级做因变量。将所有剩余变量做自变量。 （程序将自动排除对最终模型没有显著贡献的变量。）到这一步就可以运行程序产生基本的树模型， 但是对最终模型我们打算选择一些附加输出并做一些小的调整。2. 选择分类目标点选因变量下方的Categories 按钮。打开分类对话框， 在这里就可以指定感兴趣的目标分类。 目标分类自身不影响树模型，但是如果你选择了目标分类，部分输出和选项就可使用。在分类为Bad 的目标复选框中打勾。 具有不良信用等级 （拖欠贷款） 的客户将按感兴趣的目标分类来对待。点击继续。3. 定义的生成标准本例中，我们准备
3、生成一个相当简单的树， 所以要提高父结点和子节点的最小数量来限制树的生长。在分类树对话框中点击 Criteria 。在 Minimum Number of Cases组中，父结点处键入 400，子结点处键入 200 。点击继续。4. 选择附加输出在分类树对话框中点击 Output 。出现一个多页对话框，在这里可以选择各种附加输出类型。勾选 Tree 页的 Tree in table format项。然后点击 Plots 页，勾选 Gain 和Index 项。点击继续。注意: 这些图需要为因变量指定目标分类。 本例中，直到指定一个或多个目标分类，Plots 页才可以激活。5. 保存预测值保存包含
4、模型预测信息的变量。 例如，保存每个个案预测的信用等级， 然后与实际信用等级进行比较。在分类树对话框中点击Save按钮。勾选Terminal node number, Predicted value,和 Predicted probabilities。点击继续。在分类树对话框中点击OK 运行该过程。二、 模型评估本案例中，模型结果包括：? 提供有关模型信息的表格。? 树形图? 提供模型性能指示的图表。? 将模型的预测变量添加到当前工作的数据文件中。1. 模型汇总表模型汇总表提供有关建立模型的一些信息。? Specifications 部分提供产生树模型设置的信息， 包括生成方法为 CHAID
5、，因变量为信用等级，自变量为年龄，收入，信用卡数，教育及汽车贷款。有效性验证为没有，最大树深度是 3，父节点中最小个案是 400，子节点中最小个案是 200。? Results 部分显示在最终模型中选入的自变量为年龄，收入和信用卡数。总节点数为 10，端点数为 6，树的深度（根节点下的树叶数）为 3。有五个自变量被选入， 但是最终模型只选中三个。 变量教育和汽车贷款对模型没有显著的贡献，所以它们自动地从最终模型中排出。2. 树形图树形图是树模型的图解表示。树模型显示如下：?使用 CHAID方法，收入水平是信用等级的最佳预测因子。? 看低收入那一枝（节点 1），收入水平是与信用等级唯一有显著意义
6、的因子。在这个类别中有 82%银行客户（Bad）拖欠贷款。只有 18%的客户 (Good) 按时还贷。由于节点 1 下面没有子节点，节点 1 就是端点。? 中高收入客户群（节点 2 和节点 3），信用卡数是它的最佳因子。? 节点 4 为有 5 张以上信用卡的中等收入客户群， 它还包括另一个预测因子：年龄。年龄在 28 岁以下的 80.8%的客户有不良信用等级，它几乎是 28 岁以上组的不良信用等级数（ 43.7%）的两倍。可以使用Tree Editor 隐藏和显示选择的树枝，改变颜色和字体，依据选择的节点选择个案的子集。要了解更多信息见 Selecting Cases in Nodes 。3.
7、 树表如它的名字一样，树表以表格的形式提供大部分实用的树形图信息。 对每个节点，表的显示如下：? 因变量在每个分类中个案的数量和百分比。? 因变量的预测分类。 在本例中，预测分类标准是按照所在节点的个案数的超过 50%来进行信用等级分类， 因为只有两个可能的信用等级， 将个案数的百分率低于 50%划归 Bad 组，高于 50%划归 Good 组。如节点 1，不良对良好组的比例是 82.1%对 17.9%，所以节点 1 的预测分类为 Bad。节点2，不良对良好组的比例是 42%对 58%，所以节点 2 的预测分类为 Good。依此类推。? parent node 表示树中每个节点的父节点。 注意
8、节点 1低收入节点 不是任何节点的父节点。因为它是端点，没有子节点。节点 4，节点 5 的父节点是 2，节点 6，节点 7 的父节点是 3，节点 8，节点 9 的父节点是 4。? 自变量用来划分节点。如节点 1， 2， 3 由收入水平划分，节点4，5，6，7 由信用卡数来划分，节点 8，9 由年龄来划分。?卡方值（因为树是由 CHAID 方法产生），自由度和显著性水平。在很多实际的场合，你可能只对有显著性水平的值感兴趣， 在模型中它们的值小于 0.0001 。所在节点的自变量值。如节点 1 为低收入组，节点 2 为中收入组，节点 3 为高收入组。节点 4 为信用卡数多于 5 张，节点 5 为信用卡数少于 5 张。注意：对次序和尺度自变量，可以在树和树表中将它们的范围表示成如 (value1, value2的形式，基本的意思是“大于 value1 并小于等于 value2 。”在这个例子中，收入水平只有三个可能值
