论文部分内容阅读
本文针对小企业信用评分模型演化过程中出现的样本选择偏差问题,引入拒绝推论的思想,利用贝叶斯界定折叠法有效解决因样本有偏引起的小企业信用评分模型分类能力丧失问题,该方法避免了有偏样本抽样分析中出现的迭代问题和随机方法中出现的收敛问题,并提供一种可以降低数据集条件分布和边际分布预测成本的确定性分析方法。实证结果表明,贝叶斯界定折叠法在样本筛选率分别为20%和40%的假设下,对样本填补率和模型分类能力均有较大贡献,具有较强的稳健性,是在非随机数据缺失机制下解决样本选择偏差问题的有效途径。