A Causal Perspective on Loan Pricing: Investigating the Impacts of Selection Bias on Identifying Bid-Response Functions
贷款定价的因果视角：选择偏差对报价响应函数识别的影响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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要将价格响应定义为处理效应并研究选择偏差，支持因果推断；贷款报价研究未提供资产定价方向的直接依据。
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…
贷款定价的因果视角：选择偏差对报价响应函数识别的影响
- 研究问题
- 在基于观察数据制定个性化贷款价格时，报价选择偏差如何影响个体价格响应函数的识别，哪些方法能够缓解影响？
- 方法与思路
- 作者将客户对价格的响应视为处理效应，在比利时房贷申请半合成数据中改变选择偏差程度，比较传统与因果机器学习方法。
- 材料陈述的贡献
- 摘要称，逻辑回归与神经网络在实验中受到选择偏差的不利影响，而所实施的因果机器学习方法表现出缓解能力。
- 阅读关注点
- 应核对报价选择机制、价格处理的定义、半合成真值构造，以及方法所需识别条件和个体响应函数的评价指标。
- 阅读边界
- 所给来源为 arXiv 预印本，同行评审未经核实；摘要未说明真实数据中的识别条件，实验表现不能保证消除任意选择偏差。
原文摘要
In lending, where prices are specific to both customers and products, having a well-functioning personalized pricing policy in place is essential to effective business making. Typically, such a policy must be derived from observational data, which introduces several challenges. While the problem of ``endogeneity'' is prominently studied in the established pricing literature, the problem of selection bias (or, more precisely, bid selection bias) is not. We take a step towards understanding the effects of selection bias by posing pricing as a problem of causal inference. Specifically, we consider the reaction of a customer to price a treatment effect. In our experiments, we simulate varying levels of selection bias on a semi-synthetic dataset on mortgage loan applications in Belgium. We investigate the potential of parametric and nonparametric methods for the identification of individual bid-response functions. Our results illustrate how conventional methods such as logistic regression and neural networks suffer adversely from selection bias. In contrast, we implement state-of-the-art methods from causal machine learning and show their capability to overcome selection bias in pricing data.