A Nonparametric Approach to Credit Screening
信用筛选的非参数方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究信用分类，未涉及收益预测、资产定价或尾部与系统性风险，所列细分方向缺乏直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
信用筛选的非参数方法
- 研究问题
- 信用评分变量多为高低或有无等定性特征时，如何避免正态分布假设和任意数值编码，并降低分类的预期损失？
- 方法与思路
- 作者提出最近邻规则的变体，按定性特征的共同程度分类并考虑误分类损失，以刀切法估计误分类概率。
- 材料陈述的贡献
- 摘要称方法无需多元正态假设或任意尺度处理，另给出筛选变量的经验方法，并用实例讨论在线计算系统的适用性。
- 阅读关注点
- 应核对相似性度量、损失函数与分类规则的关系，以及刀切误分类概率的计算、变量选择流程和实例比较方式。
- 阅读边界
- 仅据版本未注明的索引摘要；误分类表现、样本构成和在线实现细节未说明，不能据此断言优于其他信用评分方法。
原文摘要
Most commonly used credit screening methods are based on Fisher's linear discriminant function for quantitative variates. The variables actually used in credit scoring are usually, however, qualitative occurring as high/low, or present/ absent. We present a nonparametric approach to the credit screening problem. In our method we do not assume multivariate normality nor do we apply any arbitrary scaling procedures to the qualitative variables. We classify an observation to that group with which it has most in common, this being done so as to minimize expected loss from misclassification. It is a variant of the “closest neighbor” rule. The misclassification probabilities of our screening rule are obtained by a jack-knife method. An empirical method for the selection of variates for screening is also given. The possibilities for adopting the method to an on-line computer system is discussed with an illustrative example.