A Nonparametric Approach to Credit Screening
信贷筛选的非参数方法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：摘要涉及个体信贷分类，但未研究尾部或系统性风险，不能仅凭金融应用归入给定细分。
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
信贷筛选的非参数方法
- 研究问题
- 面对高低、存在与否等定性信贷特征，如何不依赖多元正态假设或任意数值缩放进行筛选，并考虑误分类造成的损失？
- 方法与思路
- 作者提出近邻规则的一种变体，依据观测与各组的共同特征进行分类，以误分类期望损失为目标，并用刀切法估计误分类概率。
- 材料陈述的贡献
- 摘要称论文提供适用于定性变量的非参数筛选规则、误分类概率评估和经验变量选择方法，并讨论在线系统应用的例子。
- 阅读关注点
- 应核对相似性度量、组别和误分类损失的定义、刀切法评估与变量选择程序，以及在线应用示例的验证方式。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；样本、误分类率和比较结果未说明，无法判断外部泛化表现或现实信贷筛选效果。
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.