Создайте Regression объект модели для воздействия в значении по умолчанию
Создайте и анализируйте Regression объект модели, чтобы вычислить воздействие в значении по умолчанию (EAD) с помощью этого рабочего процесса:
Использование fitEADModel создать Regression объект модели.
Использование predict предсказать EAD.
Использование modelDiscrimination возвратить данные ROC и AUROC. Можно построить использование результатов modelDiscriminationPlot.
Использование modelAccuracy возвратить R-квадрат, RMSE, корреляцию и демонстрационную среднюю погрешность предсказанных и наблюдаемых данных EAD. Можно построить использование результатов modelAccuracyPlot.
RegressionEADModel = fitEADModel(___,Name,Value)eadModel = fitEADModel(EADData,ModelType,'PredictorVars',{'UtilizationRate','Age','Marriage'},'ConversionMeasure',"ccf",'DrawnVar','Drawn','LimitVar','Limit','ResponseVar','EAD') создает eadModel объект с помощью Regression тип модели.
predict | Предскажите воздействие в значении по умолчанию |
modelDiscrimination | Вычислите данные ROC и AUROC |
modelDiscriminationPlot | Постройте кривую ROC |
modelAccuracy | Вычислите R-квадрат, RMSE, корреляцию и демонстрационную среднюю погрешность предсказанного и наблюдаемого ИДЗА |
modelAccuracyPlot | График поля точек предсказанного и наблюдаемого ИДЗА |
В этом примере показано, как использовать fitEADModel создать Regression модель для воздействия в значении по умолчанию (EAD).
Загрузите данные EAD
Загрузите данные EAD.
load EADData.mat
head(EADData)ans=8×6 table
UtilizationRate Age Marriage Limit Drawn EAD
_______________ ___ ___________ __________ __________ __________
0.24359 25 not married 44776 10907 44740
0.96946 44 not married 2.1405e+05 2.0751e+05 40678
0 40 married 1.6581e+05 0 1.6567e+05
0.53242 38 not married 1.7375e+05 92506 1593.5
0.2583 30 not married 26258 6782.5 54.175
0.17039 54 married 1.7357e+05 29575 576.69
0.18586 27 not married 19590 3641 998.49
0.85372 42 not married 2.0712e+05 1.7682e+05 1.6454e+05
rng('default'); NumObs = height(EADData); c = cvpartition(NumObs,'HoldOut',0.4); TrainingInd = training(c); TestInd = test(c);
Выберите Model Type
Выберите тип модели для Regression или Tobit.
ModelType = 
"Regression";Выберите Conversion Measure
Выберите меру по преобразованию для значений отклика EAD.
ConversionMeasure = 
"LCF";Создайте Regression Модель EAD
Используйте fitEADModel создать Regression модель с помощью EADData.
eadModel = fitEADModel(EADData,ModelType,'PredictorVars',{'UtilizationRate','Age','Marriage'}, ... 'ConversionMeasure',ConversionMeasure,'DrawnVar','Drawn','LimitVar','Limit','ResponseVar','EAD'); disp(eadModel);
Regression with properties:
ConversionTransform: "logit"
BoundaryTolerance: 1.0000e-07
ModelID: "Regression"
Description: ""
UnderlyingModel: [1x1 classreg.regr.CompactLinearModel]
PredictorVars: ["UtilizationRate" "Age" "Marriage"]
ResponseVar: "EAD"
LimitVar: "Limit"
DrawnVar: "Drawn"
ConversionMeasure: "lcf"
Отобразите базовую модель. Переменная отклика базовой модели является преобразованием данных об ответе EAD. Используйте 'BoundaryTolerance', 'LimitVar', и 'DrawnVar' аргументы name-value, чтобы изменить преобразование.
disp(eadModel.UnderlyingModel);
Compact linear regression model:
EAD_lcf_logit ~ 1 + UtilizationRate + Age + Marriage
Estimated Coefficients:
Estimate SE tStat pValue
_________ _________ _______ __________
(Intercept) -2.4745 0.29892 -8.2781 1.6448e-16
UtilizationRate 6.0045 0.19901 30.172 7.703e-182
Age -0.020095 0.0073019 -2.752 0.0059471
Marriage_not married -0.03509 0.13935 -0.2518 0.8012
Number of observations: 4378, Error degrees of freedom: 4374
Root Mean Squared Error: 4.48
R-squared: 0.173, Adjusted R-Squared: 0.173
F-statistic vs. constant model: 305, p-value = 5.7e-180
Предскажите EAD
Предсказание EAD работает с базовой компактной статистической моделью и затем преобразовывает ожидаемые значения назад к шкале EAD. Можно задать predict функция с различными вариантами для 'ModelLevel' аргумент долины имени.
predictedEAD = predict(eadModel, EADData(TestInd,:), 'ModelLevel', 'ead'); predictedConversion = predict(eadModel, EADData(TestInd,:), 'ModelLevel', 'ConversionMeasure');
Подтвердите модель EAD
Для проверки допустимости модели используйте modelDiscrimination, modelDiscriminationPlot, modelAccuracy, и modelAccuracyPlot.
Используйте modelDiscrimination и затем modelDiscriminationPlot построить кривую ROC.
ModelLevel ="ConversionMeasure"; [DiscMeasure1, DiscData1] = modelDiscrimination (eadModel, EADData (TestInd, :), 'ModelLevel', ModelLevel); modelDiscriminationPlot (eadModel, EADData (TestInd, :), 'ModelLevel', ModelLevel,'SegmentBy','Marriage');
Используйте modelAccuracy и затем modelAccuracyPlot показать график рассеивания предсказаний.
YData ="Observed"; [AccMeasure1, AccData1] = modelAccuracy (eadModel, EADData (TestInd, :), 'ModelLevel', ModelLevel); modelAccuracyPlot (eadModel, EADData (TestInd, :), 'ModelLevel', ModelLevel, 'YData', YData);
Постройте гистограмму наблюдаемых относительно предсказанного EAD.
figure; histogram(AccData1.Observed); hold on; histogram(AccData1.(('Predicted_' + ModelType))); legend('Observed', 'Predicted');
[1] Baesens, Барт, Дэниел Роеш и Харальд Шойле. Аналитика кредитного риска: техники измерений, приложения и примеры в SAS. Вайли, 2016.
[2] Беллини, Тициано. МСФО 9 и моделирование кредитного риска CECL и валидация: практическое руководство с примерами работало в R и SAS. Сан-Диего, CA: Elsevier, 2019.
[3] Браун, Иэн. Разработка Моделей Кредитного риска Используя Шахтера Предприятия SAS и SAS/STAT: Теория и Приложения. SAS Institute, 2014.
[4] Roesch, Дэниел и Харальд Шойле. Глубокий Кредитный риск. Независимо опубликованный, 2020.