《表6 非零回归系数表：基于整合治愈率模型的信贷违约时点预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于整合治愈率模型的信贷违约时点预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:括号内是50次重抽样结果的标准差。

接下来，本文用所提方法来分析全样本数据。所得模型Logistics回归部分的基于全补值的AUC（AUC based on full imputation）为0.60，基于治愈率状态权重的C-statistic （C-statistic based on cure status weighting）为0.83。AUC和C-statistic计算方法参见Asano和Hirakawa （2017）。模型拟合效果相对较好。此外，类似于Jiang等（2016），本文采用治愈率的估计值（或危险函数的估计值）将福建省与其他省份样本分为高风险样本与低风险样本两类，两类样本的生存曲线见图3。基于所估参数对样本的划分，低风险样本拥有更高的生存概率。所提模型非零回归系数估计值见表6。若回归系数为，则表示该变量的变化不会影响借款人的治愈情况（风险函数）。若回归系数则该变量取值越大，借款人违约风险越大。若回归系数则该变量取值越大，借款人违约风险越小。福建省与其他省份数据回归系数差距很大。除截距项外，同一数据源内α（m）与β（m）取值相似。对于两组数据的共同结论有:相对于投向第二产业的个人贷款，第三产业风险更大，其他产业风险较低。执行利率、放款金额越高，违约风险越大且违约发生时间距贷款开始时间的时长（生存时间）越短。相较于低收入人群，中高收入人群的风险更高，中低收入人群、高收入人群的风险更低。有自置房且已经还清贷款的个体风险更低。王小燕等（2014）与方匡南等（2010，2018）同样认为收入和房屋情况对信用风险有显著影响，与本文结论相似。此外，解释变量的交互项对模型有重要影响，如执行利率、放款金额、贷款期数对借款人信用风险的影响受投向行业类别影响，执行利率、放款金额对借款人风险的影响受贷款期数的影响。针对两组数据———福建省数据和其他省份数据，一部分变量的回归系数符号并不相同，如贷款期数、性别、年龄、职务、客户等级等变量。一方面可能是由于省份之间客户画像的区别产生的，如图1～2所示福建省内与省外客户的贷款期数、学历分布、社保情况等存在明显差异；另一方面，福建省内客户与其他省份客户所处的经济情况、生活水平、文化观念等存在差异，这也可能导致系数估计结果的差异，相似的讨论见马双鸽等（2015）。