具鲁棒显著性检验的群Shapley值及其在债务恢复率预测中的应用
机器学习
2025-01-07 v1 机器学习
摘要
我们提出了 Group Shapley，这是一种扩展经典 individual-level Shapley 值框架的度量，用于评估特征组的重要性，旨在解决商业和经济数据中常见的预测变量具有结构性特征的挑战。更重要的是，我们基于三动量卡方近似开发了显著性检验程序，并建立了该测试统计量的渐近性质。我们的方法能够有效处理包括稀疏或偏斜分布以及小样本量等具有挑战性的情况，优于Wald 检验等替代方法。仿真结果表明，所提出的检验在保持稳健经验尺度方面具有鲁棒性，并在各种条件下显示出增强的检验功效。为了说明该方法在推进可解释人工智能方面的实际相关性，我们将我们的框架应用于债务恢复率预测，使用来自全球数据集（1996-2023）的 2,094 条观察数据和 98 个特征，将其分为 16 个子组和 5 个更广泛的类别：债务特征、公司基本面、行业特定因素、市场相关变量和宏观经济指标。我们的结果识别出市场相关变量组为最具影响力的因素。 Furthermore, Lorenz 曲线和 Gini 指数揭示，Group Shapley 在分配特征重要性方面比 individual Shapley 值更公平。
引用
@article{arxiv.2501.03041,
title = {Group Shapley with Robust Significance Testing and Its Application to Bond Recovery Rate Prediction},
author = {Jingyi Wang and Ying Chen and Paolo Giudici},
journal= {arXiv preprint arXiv:2501.03041},
year = {2025}
}