《表3 最终输入变量表：互联网金融个人信用风险评估的指标选择方法》
提示：宽带有限、当前游客访问压缩模式
经过筛选，前21个变量累计方差贡献率已经超过了85%，对已得到的主成分列表进行反归一，由此得到经过主成分分析后被提取出的输入变量特征，最终确定的21个变量如表3:
| 图表编号 | XD009963400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.11.30 |
| 作者 | 曾鸣、谢佳 |
| 绘制单位 | 成都理工大学管理科学学院、成都理工大学管理科学学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 最终的指标体系：企业信用评估指标体系及信用评估模型研究》2020.09.20
- 《表6 样本公司违约点：基于KMV模型的互联网金融行业信用风险分析》2020.08.12
- 《表1 变量说明：个人信用风险评估模型比较分析》2020.12.25
- 《表4 评估指标对比：互联网金融的信用风险评估与预警研究》2020.10.20
- 《表3 特征指标说明：互联网金融的信用风险评估与预警研究》2020.10.20
- 《表2 数据类型：互联网金融的信用风险评估与预警研究》2020.10.20
- 《表1 变量说明：基于逐步Logistic回归下分类算法的个人信用评估分析》2021.03.01
- 《表4 面板数据计量结果：互联网金融对商业银行信用风险的影响研究——基于股份制商业银行面板数据的实证分析》2020.05.15
- 《表3 单位根检验结果：互联网金融对商业银行信用风险的影响研究——基于股份制商业银行面板数据的实证分析》2020.05.15
- 《表3 供应链金融信用风险评估指标及风险管理模型》2020.07.15
- 《表1 模型输入指标汇总：IFRS9预期信用损失模式对商业银行拨备的影响研究——基于某银行个人住房按揭贷款数据的分析》2019.12.01
- 《表4 各省有效样本数量：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表2 借款人的登录信息：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表3 借款人修改信息：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表1 成交借款样本：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表1 大数据背景下个人信用评估体系和评估方法》2019.10.20
- 《表1 核方法：组合核支持向量机个人信用评估模型》2019.10.25
- 《表1 互联网金融企业信用评估指标及其含义》2019.07.01
- 《表1 芝麻信用评分依据：我国互联网消费金融运营风险防范问题研究》2019.01.25
- 《表2 个人信用评估指标变量的PCA提取结果》2019.11.30