Measuring the Driving Forces of Predictive Performance: Application to Credit Scoring
预测表现驱动因素的度量：信用评分应用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：摘要聚焦信用评分的预测表现分解，未明确研究尾部或系统性风险、资产定价或收益预测，现有细分类别缺乏直接对应。
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…
预测表现驱动因素的度量：信用评分应用
- 研究问题
- 信用评分模型的预测表现由哪些特征驱动？研究关注如何解释整体及个体层面的表现，并区分表现贡献与单次预测贡献。
- 方法与思路
- 作者提出基于 Shapley 值的 XPER，将预测表现指标分解为特征贡献；摘要称其适用于不同模型和指标，并可在模型或个体层面实施。
- 材料陈述的贡献
- 摘要称，汽车贷款应用中少数特征解释了较大部分预测表现，且主要贡献特征可能不同于 SHAP 所识别的个体预测贡献特征。
- 阅读关注点
- 应核对表现分解的基准、特征依赖关系的处理及个体层面贡献的定义，并查看异质性处理如何转化为预测表现改善。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明样本规模、分解计算细节或改善幅度，不能据此判断普遍适用性。
原文摘要
As they play an increasingly important role in determining access to credit, credit scoring models are under growing scrutiny from banking supervisors and internal model validators. These authorities need to monitor the model performance and identify its key drivers. To facilitate this, we introduce the XPER methodology to decompose a performance metric (e.g., AUC, $R^2$) into specific contributions associated with the various features of a forecasting model. XPER is theoretically grounded on Shapley values and is both model-agnostic and performance metric-agnostic. Furthermore, it can be implemented either at the model level or at the individual level. Using a novel dataset of car loans, we decompose the AUC of a machine-learning model trained to forecast the default probability of loan applicants. We show that a small number of features can explain a surprisingly large part of the model performance. Notably, the features that contribute the most to the predictive performance of the model may not be the ones that contribute the most to individual forecasts (SHAP). Finally, we show how XPER can be used to deal with heterogeneity issues and improve performance.