【SAS宏】使用WOE和IV实现风险因素筛选
在信用风险评估领域,信用评分卡模型在国内外都是一种非常成熟的预测模型,无论是使用传统的Logistic回归建模乃至一些使用Neural networks算法建模,变量筛选都是整个建模过程中至关重要的一步。建模工作人员通过变量筛选的结果能够迅速识别那些最具预测能力的风险因素。
Core concepts
首先介绍一下WOE(Weight Of Evidence)
一般情况下我们将违约客户标记为1,正常客户标记为0。那么WOE其实就是自变量取某个值时对违约比例的一重影响。其计算公式如下:
通过WOE的计算公式可以发现其反映的是在自变量每个分组下坏客户对好客户的比例与总体坏客户对好客户占比之间的差异,所以我们可以直观的认为WOE蕴含了自变量取值对于应变量(0,1)的影响。同时,WOE的计算形式与Logistic regression中的Logit变换非常相似,故可直接使用自变量的WOE值代替原自变量。
想必有的读者已经发现WOE无法对连续变量进行转换,事实上对于连续变量(或者分类繁杂的离散变量),通常使用区间切分的方式将其转换成离散形式,进而通过聚类的方法完成区间的切分,并进行最终的WOE计算。
然后介绍一下IV值(Information Value)
IV值衡量的是某变量所含的信息量,其计算公式如下:
通过公式可以看到IV值其实是WOE值的一个加权求和,其值的大小决定了该自变量对于目标变量的影响程度(不难发现IV值公式和信息熵的公式非常相似)。
Advantages
相比其他变量筛选方法,WOE和IV值有两大优势:
它可以对所有分类变量,顺序变量以及连续变量统一进行预测能力的计量。
可以对缺失值进行处理,将其看作一类即可分析信息缺失对于风险是否有影响
Macro
%macroIV(dataset,varnum);
proc sql;
select sum(case when target=1then1else0end), sum(case when target=0then1else0end), count(*) into :tot_bad, :tot_good, :tot_both
from &dataset.;
quit;
/*循环计算每个变量的WOE和IV*/
%doi=1%to&varnum.;
/*计算WOE*/
proc sql;
create table woe&i as
(select"x&i"as variable,
x&i as tier,
count(*) as cnt,
count(*)/&tot_both as cnt_pct,
sum(case when target=0then1else0end) as sum_good,
sum(case when target=0then1else0end)/&tot_good as dist_good,
sum(case when target=1then1else0end) as sum_bad,
sum(case when target=1then1else0end)/&tot_bad as dist_bad,
log((sum(case when target=0then1else0end)/&tot_good)/(sum(case when
target=1then1else0end)/&tot_bad))*100as woe,
((sum(case when target=0then1else0end)/&tot_good)-(sum(case when
target=1then1else0end)/&tot_bad))
*log((sum(case when target=0then1else0
end)/&tot_good)/(sum(case when target=1then1else0end)/&tot_bad)) as pre_iv,
sum(case when target=1then1else0end)/count(*) as outcome
from &dataset.
group by x&i
)
order by x&i;
quit;
/*计算IV*/
proc sql;
create table iv&i as select"x&i"as variable,
sum(pre_iv) as iv
from woe&i;
quit;
%end;
/*合并IV结果*/
data iv;
length variable$5.;
set iv1-iv&varnum.;
run;
/*根据IV值排序*/
proc sort data=iv;
by decending iv;
quit;
%mend;
Results
为了方便,这里就例举只有10个风险因素的例子,通过结果可以得到IV值由高到低的一个排序以及相应变量的数据缺失情况。
那我们应该如何评价以上10个变量呢?
下表则是公认的评价IV值的关系表(By Siddiqi)。
事实上,IV值小于0.02的变量将被程序自动剔除,因为这些变量被认为是没有预测能力的。另外,值得一提的是IV值大于0.5是可疑的,需要综合分析该变量后谨慎选择。
Final selection
最终选择进入模型的变量不仅需要较高的IV值,还需要考虑数据缺失率,变量分布,模型解释能力等。
Conclusion
根据实践验证,经过WOE变化之后的建模效果及模型的稳定性会比不进行变化的模型有一定的提升,事实上使用WOE来对自变量做编码的一大目的就是使得辨识度最大化。另外,WOE变化之后,自变量具备了标准化的性质,从而自变量各取值之间可以直接通过WOE进行比较,同时,不同自变量之间的各种取值也可以直接通过WOE进行比较。
通过WOE和IV值的计算,我们可以更直观地理解各自变量对目标变量的作用效果和方向,同时提升最终的预测效果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel是数据分析的重要工具,强大的内置功能使其成为许多分析师的首选。在日常工作中,启用Excel的数据分析工具库能够显著提升数 ...
2024-12-23在当今信息爆炸的时代,数据分析师如同一位现代社会的侦探,肩负着从海量数据中提炼出有价值信息的重任。在这个过程中,掌握一系 ...
2024-12-23在现代的职场中,制作吸引人的PPT已经成为展示信息的重要手段,而其中数据对比的有效呈现尤为关键。为了让数据在幻灯片上不仅准 ...
2024-12-23在信息泛滥的现代社会,数据分析师已成为企业决策过程中不可或缺的角色。他们的任务是从海量数据中提取有价值的洞察,帮助组织制 ...
2024-12-23在数据驱动时代,数据分析已成为各行各业的必需技能。无论是提升个人能力还是推动职业发展,选择一条适合自己的学习路线至关重要 ...
2024-12-23在准备数据分析师面试时,掌握高频考题及其解答是应对面试的关键。为了帮助大家轻松上岸,以下是10个高频考题及其详细解析,外加 ...
2024-12-20互联网数据分析师是一个热门且综合性的职业,他们通过数据挖掘和分析,为企业的业务决策和运营优化提供强有力的支持。尤其在如今 ...
2024-12-20在现代商业环境中,数据分析师是不可或缺的角色。他们的工作不仅仅是对数据进行深入分析,更是协助企业从复杂的数据信息中提炼出 ...
2024-12-20随着大数据时代的到来,数据驱动的决策方式开始受到越来越多企业的青睐。近年来,数据分析在人力资源管理中正在扮演着至关重要的 ...
2024-12-20在数据分析的世界里,表面上的技术操作只是“入门票”,而真正的高手则需要打破一些“看不见的墙”。这些“隐形天花板”限制了数 ...
2024-12-19在数据分析领域,尽管行业前景广阔、岗位需求旺盛,但实际的工作难度却远超很多人的想象。很多新手初入数据分析岗位时,常常被各 ...
2024-12-19入门数据分析,许多人都会感到“难”,但这“难”究竟难在哪儿?对于新手而言,往往不是技术不行,而是思维方式、业务理解和实践 ...
2024-12-19在如今的行业动荡背景下,数据分析师的职业前景虽然面临一些挑战,但也充满了许多新的机会。随着技术的不断发展和多领域需求的提 ...
2024-12-19在信息爆炸的时代,数据分析师如同探险家,在浩瀚的数据海洋中寻觅有价值的宝藏。这不仅需要技术上的过硬实力,还需要一种艺术家 ...
2024-12-19在当今信息化社会,大数据已成为各行各业不可或缺的宝贵资源。大数据专业应运而生,旨在培养具备扎实理论基础和实践能力,能够应 ...
2024-12-19阿里P8、P9失业都找不到工作?是我们孤陋寡闻还是世界真的已经“癫”成这样了? 案例一:本硕都是 985,所学的专业也是当红专业 ...
2024-12-19CDA持证人Louis CDA持证人基本情况 我大学是在一个二线城市的一所普通二本院校读的,专业是旅游管理,非计算机非统计学。毕业之 ...
2024-12-18最近,知乎上有个很火的话题:“一个人为何会陷入社会底层”? 有人说,这个世界上只有一个分水岭,就是“羊水”;还有人说,一 ...
2024-12-18在这个数据驱动的时代,数据分析师的技能需求快速增长。掌握适当的编程语言不仅能增强分析能力,还能帮助分析师从海量数据中提取 ...
2024-12-17在当今信息爆炸的时代,数据分析已经成为许多行业中不可或缺的一部分。想要在这个领域脱颖而出,除了热情和毅力外,你还需要掌握 ...
2024-12-17