在實務的應用上，往往需要將連續型變數轉換成類別型變數，但如何在損失最少原始資料資訊的條件下，將連續型變數加以分組便成為很重要的課題，為了探討該議題，本研究採用等距與分量分組方法，將連續型變數各分成四組、五組及六組，本研究除了先以該銀行所提供的所有變數為考量的情況下進行模式建構，另外再分別以證據權數(weight of evidence, WOE)/訊息值(information value,IV)、逐步選取法、刪除異常變數、相關係數等四種方法來選取變數，並將這五種篩選出的變數組合使用邏輯斯迴歸來建立信用風險評分模型，最後則採用吉尼係數、AUROC與正確率這三種測量指標來對建構的三十種模型進行比較與評估。本研究實證結果顯示，等距分組方法比起分量分組方法有較好的區別能力。

Logistic regression model has been more commonly adopted by the credit card industry due to its interpretable feature in credit scoring. The main purpose of the research is to build a credit scoring model for personal loans with the logistic regression model using 2 different classification rules on attributes. Intuitively, equal-length and equal-proportion rules are adopted in this research to the group assigning. The features used are the original variables provided by the credit card department in Taiwan financial holding company. Taking the precision as well as parsimony into consideration, additional feature selections are performed using different criteria. It includes the stepwise procedure through the logistic regression model, weight of evidence/ information value, abnormal deletion and correlation coefficients criteria. The performance of the models are evaluated by population stability index and AUROC, area under the receiver operating characteristic, or equivalently, and gini coefficient. The empirical evidence supports that equal length classification rule outperforms the equal-proportion classification rule.

目錄
第 一 章 緒論	1
   1.1  研究背景	1
   1.2  研究動機與目的	3
   1.3  研究架構與流程	4
   1.4  研究限制	8
第 二 章 文獻探討	9
   2.1  信用風險評分卡相關模型	9
     2.1.1  企業貸款信用風險評分模型	9
     2.1.2  個人信貸評分模型	15
   2.2  連續型變數資料分組	16
第 三 章 研究方法	18
   3.1  客戶好壞定義	18
   3.2  變數區隔及樣本抽樣	19
   3.3  變數形成、分組與篩選變數	19
     3.3.1  證據權數	21
     3.3.2  訊息值	         23
   3.4  信用風險評分卡模型-邏輯斯迴歸模型	26
   3.5  模型驗證	32
     3.5.1  AUROC指標	32
     3.5.2  吉尼係數	40
     3.5.3  正確率	         41
   3.6  信用風險評分分數	43
第 四 章 實證分析	47
   4.1  資料來源及說明	47
   4.2  類別型變數分組情形	48
   4.3  連續型變數分組情形	57
     4.3.1  等距分組方法	57
     4.3.2  分量分組方法	71
   4.4  篩選變數	84
   4.5  實證結果	89
第 五 章 結論與建議	100
參考文獻	103

表目錄
表2.1企業貸款相關文獻之研究彙整表	14
表2.2個人信貸相關文獻之研究彙整表	16
表3.1訊息值之經驗法則	25
表3.2以C為截斷點時，評分模型四種可能分類相關符號定義	35
表3.3評分模型四種可能分類結果	36
表3.4模型的區別能力	40
表3.5次數分類表	42
表3.6不同屬性及其信用風險評分範例	43
表4.1是否於9803月為循環戶違約與非違約分佈狀況	49
表4.2是否於9803月為有效戶違約與非違約分佈狀況	50
表4.3性別違約與非違約分佈狀況	50
表4.4婚姻違約與非違約分佈狀況	51
表4.5教育程度違約與非違約分佈狀況	52
表4.6卡齡違約與非違約分佈狀況	54
表4.7居住狀況違約與非違約分佈狀況	55
表4.8職業違約與非違約分佈狀況	56
表4.9等距四組之信用卡額度違約與非違約分佈狀況	58
表4.10等距五組之信用卡額度違約與非違約分佈狀況	59
表4.11等距六組之信用卡額度違約與非違約分佈狀況	60
表4.12等距四組之9803月餘額違約與非違約分佈狀況	61
表4.13等距五組之9803月餘額違約與非違約分佈狀況	62
表4.14等距六組之9803月餘額違約與非違約分佈狀況	63
表4.15等距四組之額度使用率違約與非違約分佈狀況	64
表4.16等距五組之額度使用率違約與非違約分佈狀況	65
表4.17等距六組之額度使用率違約與非違約分佈狀況	65
表4.18等距四組之年齡違約與非違約分佈狀況	66
表4.19等距五組之年齡率違約與非違約分佈狀況	67
表4.20等距六組之年齡違約與非違約分佈狀況	68
表4.21等距四組之年收入違約與非違約分佈狀況	69
表4.22等距五組之年收入違約與非違約分佈狀況	70
表4.23等距六組之年收入違約與非違約分佈狀況	71
表4.24分量四組之信用卡額度違約與非違約分佈狀況	72
表4.25分量五組之信用卡額度違約與非違約分佈狀況	72
表4.26分量六組之信用卡額度違約與非違約分佈狀況	73
表4.27分量四組之餘額違約與非違約分佈狀況	74
表4.28分量五組之餘額違約與非違約分佈狀況	75
表4.29分量六組之餘額違約與非違約分佈狀況	75
表4.30分量四組之額度使用率違約與非違約分佈狀況	76
表4.31分量五組之額度使用率違約與非違約分佈狀況	77
表4.32分量六組之額度使用率違約與非違約分佈狀況	78
表4.33分量四組之年齡違約與非違約分佈狀況	79
表4.34分量五組之年齡違約與非違約分佈狀況	80
表4.35分量六組之年齡違約與非違約分佈狀況	80
表4.36分量四組之年收入違約與非違約分佈狀況	82
表4.37分量五組之年收入違約與非違約分佈狀況	82
表4.38分量六組之年收入違約與非違約分佈狀況	83
表4.39變數之訊息值	85
表4.40勝算比估計表	86
表4.41近一年逾期次數之相關係數	87
表4.42五種變數組合彙整表	88
表4.43等距四組與分量四組結果比較(K=4)	90
表4.44等距五組與分量五組結果比較(K=5)	91
表4.45等距六組與分量六組結果比較(K=6)	92

圖目錄
圖1.1本文的研究架構圖	7
圖3. 1 邏輯斯函數的曲線圖	29
圖3. 2好客戶與壞客戶之機率分配與截斷點C之關係圖	37
圖3. 3 ROC曲線	39
圖4. 1是否於9803月為循環戶違約與非違約分佈狀況	49
圖4. 2是否於9803月為有效戶違約與非違約分佈狀況	50
圖4. 3性別違約與非違約分佈狀況	51
圖4. 4婚姻違約與非違約分佈狀況	52
圖4. 5教育程度違約與非違約分佈狀況	53
圖4. 6卡齡違約與非違約分佈狀況	54
圖4. 7居住狀況違約與非違約分佈狀況	55
圖4. 8職業違約與非違約分佈狀況	57
圖4. 9等距四組之信用卡額度違約與非違約分佈狀況	58
圖4. 10等距五組之信用卡額度違約與非違約分佈狀況	59
圖4. 11等距六組之信用卡額度違約與非違約分佈狀況	60
圖4. 12等距四組之9803月餘額違約與非違約分佈狀況	61
圖4. 13等距五組之9803月餘額違約與非違約分佈狀況	62
圖4. 14等距六組之9803月餘額違約與非違約分佈狀況	63
圖4. 15等距四組之額度使用率違約與非違約分佈狀況	64
圖4. 16等距五組之額度使用率違約與非違約分佈狀況	65
圖4. 17等距六組之額度使用率違約與非違約分佈狀況	66
圖4. 18等距四組之年齡違約與非違約分佈狀況	67
圖4. 19等距五組之年齡違約與非違約分佈狀況	67
圖4. 20等距六組之年齡違約與非違約分佈狀況	68
圖4. 21等距四組之年收入違約與非違約分佈狀況	69
圖4. 22等距五組之年收入違約與非違約分佈狀況	70
圖4. 23等距六組之年收入違約與非違約分佈狀況	71
圖4. 24分量四組之信用卡額度違約與非違約分佈狀況	72
圖4. 25分量五組之信用卡額度違約與非違約分佈狀況	73
圖4. 26分量六組之信用卡額度違約與非違約分佈狀況	73
圖4. 27分量四組之餘額違約與非違約分佈狀況	74
圖4. 28分量五組之餘額違約與非違約分佈狀況	75
圖4. 29分量六組之餘額違約與非違約分佈狀況	76
圖4. 30分量四組之額度使用率違約與非違約分佈狀況	77
圖4. 31分量五組之額度使用率違約與非違約分佈狀況	77
圖4. 32分量六組之額度使用率違約與非違約分佈狀況	78
圖4. 33分量四組之年齡違約與非違約分佈狀況	79
圖4. 34分量五組之年齡違約與非違約分佈狀況	80
圖4. 35分量六組之年齡違約與非違約分佈狀況	81
圖4. 36分量四組之年收入違約與非違約分佈狀況	82
圖4. 37分量五組之年收入違約與非違約分佈狀況	83
圖4. 38分量六組之年收入違約與非違約分佈狀況	83
圖4. 39等距與分量四組方法在五種變數組合下之吉尼係數比較	93
圖4. 40等距與分量五組方法在五種變數組合下之吉尼係數比較	94
圖4. 41等距與分量六組方法在五種變數組合下之吉尼係數比較	94
圖4. 42等距與分量四組方法在五種變數組合下之AUROC比較	95
圖4. 43等距與分量五組方法在五種變數組合下之AUROC比較	96
圖4. 44等距與分量六組方法在五種變數組合下之AUROC比較	96
圖4. 45等距與分量四組方法在五種變數組合下之正確率比較	97
圖4. 46等距與分量五組方法在五種變數組合下之正確率比較	98
圖4. 47等距與分量六組方法在五種變數組合下之正確率比較	98

參考文獻
中文參考文獻
[1]林建州(2000)，銀行個人消費信用貸款授信風險評估模式之研
   究，中山大學財務管理研究所碩士論文，高雄市。
[2]廖仁傑(2005)，信用卡業務信用評分制度與模型之有效性研究
   ，中央大學財務金融研究所碩士論文，桃園縣。
[3]謝有隆(2006)，信用評分模型的建構與驗證，政治大學經濟學
   系碩士論文，台北市。
英文參考文獻
[4]Altman, E. (1968). Financial ratios, discriminant
   analysis and the prediction of corporate bankruptcy.
   Journal of Finance, 23(4), 589–609.
[5]Bailey, M. (2001). Credit Scoring：The Principles and
   Practicalities, Bristol：White Box Publishing.
[6]Beaver, W. (1966). Financial ratios as prediction of
   failure. Empirical research in accounting: selected
   studies. Journal of  Accounting Research, 4, 71–111.
[7]Brill, J. (1998). The importance of credit scoring
   models in improving cash flow and collection. Business
   Credit, 100(1), 16–17.
[8]Hand, D. J. & Adams, N. M.(2000). Defining attributes
   for scorecard construction in credit scoring. Journal of
   Applied Statistics, Vol. 27, No. 5, 2000, 527-540.
[9]Hand, D. J., So Young Sohn & Yoonseong Kim. (2005).
   Optimal bipartite scorecards. Expert Systems with
   Applications, 29, 684–690.
[10]Desai, V. S., Crook, J. N., & Overstreet, G. A. (1996).
    A comparison of neural networks and linear scoring
    models in the credit union environment. European
    Journal of Operational Research, 95(1), 24–37.
[11]Ding, Y. Y., & Wilkins, D. (2006). Improving the
    performance of SVM-RFE to select genes in microarray
    data. BMC Bioinformatics, 7(S-2).
[12]Fletcher, D., & Goss, E. (1993). Forecasting with
    neural networks: an application using bankruptcy data.
    Information and Management, 24(3), 159–167.
[13]Makoto Matsumoto & Takuji Nishimura (1988). Mersenne
    Twister: a 623-dimensionally equidistributed uniform
    pseudo-random number generator. ACM Transactions on
    Modeling and Computer Simulation, Vol. 8, No. 1,
    January 1998, Pages 3–30.
[14]Morrison, A. M. (2005). Receiver operating
    characteristic (ROC) curve preparation - a tutorial.
    Boston: Massachusetts Water Resources Authority. Report
    ENQUAD 2005.
[15]Siddiqi, N. (2005). Credit Risk Scorecards: Developing
    And Implementing Intelligent Credit Scoring, John Wiley
    & Sons Inc.
[16]Stein, R. M. (2005). The relationship between default
    prediction and lending profits: Integrating ROC
    analysis and loan pricing. Journal of Banking &
    Finance, 29, 1213–1236.
[17]Sun, Z., Bebis, G., & Miller, R. (2004). Object
    detection using feature subset selection. Pattern
    Recognition, 37, 2165–2176.
[18]Tam, K., & Kiang, M. (1992). Managerial applications of
    neural networks: the case of bank failure predictions.
    Management Science, 38(7), 926–947.
[19]Van, G.T., Baesens, B., Suykens, J., Espinoza, M.,
    Baestaens, D. E.,Vanthienen, J., & De Moor, B. (2003).
    Bankruptcy prediction with least squares support vector
    machine classifiers. Proceedings of the IEEE
    international conference on computational intelligence
    for financial engineering, Hong Kong, 1–8.
[20]Zhang, G., Hu, Y. M., Patuwo, E. B., & Indro, C. D.
    (1999). Artificial neural networks in bankruptcy
    prediction: general framework and cross-validation
    analysis. European Journal of Operational Research,
    116, 16–32.