度量预测性能的驱动力：在信用评分中的应用
机器学习
2025-01-22 v4 机器学习
计量经济学
统计方法学
摘要
随着信用评分模型在决定信贷获取方面扮演越来越重要的角色，它们正受到银行监管机构和内部模型验证者日益严格的审查。这些机构需要监控模型性能并识别其关键驱动因素。为此，我们引入 XPER 方法，将性能指标（如 AUC、）分解为与预测模型各特征相关的特定贡献。XPER 在理论上基于 Shapley 值，且既与模型无关，也与性能指标无关。此外，它可在模型层面或个体层面实现。利用一个新颖的车贷数据集，我们分解了一个经训练用于预测贷款申请人违约概率的机器学习模型的 AUC。我们表明，少量特征即可解释模型性能的惊人大部分。值得注意的是，对模型预测性能贡献最大的特征未必是对个体预测（SHAP）贡献最大的那些。最后，我们展示了 XPER 如何用于处理异质性问题并提升性能。
引用
@article{arxiv.2212.05866,
title = {Measuring the Driving Forces of Predictive Performance: Application to Credit Scoring},
author = {Hué Sullivan and Hurlin Christophe and Pérignon Christophe and Saurin Sébastien},
journal= {arXiv preprint arXiv:2212.05866},
year = {2025}
}