@77qingliu 2018-05-13T23:26:13.000000Z 字数 6446 阅读 1084

数据准备

信用评分

这里主要回顾信用风险评分中一些常用的数据准备过程。
原则上，数据准备重点关注的是：

从不同渠道收集和整合建立评分卡所需的数据
清理数据中所有的意外错误或被认为是极端值的取值
生成另外的候选因变量，期望他们可以帮助提高模型的预测力

另外，有三项数据准备任务对于评分卡开发是十分关键的，并且也是这里讨论的重点：

通过将某些类别合并并降低名义变量的基数性
将连续变量分段，以进行证据权重转换（WOE）。
抽样和权重计算

上述的前两项任务也常被称为变量分群。通常，进行分段和降低基数性是为了使生成的变量的预测力最强。

降低基数

当名义变量的类别数大于12个，降低基数就变得非常必要。降低名义变量的基数有三个主要策略：

将相同含义的变量合并。但是，由于没有考虑默认的状态变量和被合并类别之间的关联性，可能导致预测力降低
出现频率小的类别被合并为一个新的类别，并给与一个合适的标识，如“Other”
最后一种，也是绝大多数人偏爱的一种方法：合并变量的类别使某些预测力指标最大化。

SAS实现上面提到的前两种方法都是一些简单的IF-THEN-ELSE条件的简单数据步。
这里重点介绍更先进的第三种方法：最优分群。
以下图为例：
image.png-110.3kB
该算法的目的是生成较少数量的类别，该变量的某些预测力指标将得到优化。
进行最优分组的算法是基于决策树模型所用的方法。在这种情况下，首先假设所有的类别都属于一个组，然后，找出最优化的二元分割方法。最优化分割标准可以用一下四个常用的预测力指标：
image.png-81.7kB
宏%ReduceCats可以实现上表的四项指标，降低带有字符值的名义自变量IVVAR的基数。该宏的参数如下：
image.png-136.3kB
该宏的运行结果是映射数据集State-Map，它包含对状态分组的分段数。有宏%ApplyMap1可将宏%ReduceCats生成的映射应用于数据集，该宏的参数如下：
image.png-130.9kB
该宏生成一系列的IF-THEN条件，并用它们将初始类别映射到预期相等的分段数，执行宏%ApplyMap1的SAS日志
image.png-117.4kB

最后，一个示例演示上述过程：

data States1;
length State $15.;
input  State $1-15  Freq;
datalines;
ARIZONA            35  
CALIFORNIA         33  
COLORADO           66  
FLORIDA           117  
ILLINOIS           49  
KANSAS             64  
LOUISIANA          88  
MARYLAND           22  
MASSACHUSETTS      79  
MICHIGAN           82  
MINNESOTA          75  
MISSISSIPPI       120  
NEW JERSEY         39  
NEW MEXICO         60  
NEW YORK          178  
OHIO               70  
PENNSYLVANIA       20  
TEXAS              38  
VIRGINIA          139  
WISCONSIN          98  
;
run;
/* Also generate the default indicator (at random) */
data States2;
retain Customer_ID 0;
set states1;
 do i=1 to freq;
 Customer_ID=Customer_ID+1; 
 if (ranuni(0) >0.8) then default=1; /* DV=Bad */ 
 else default=0;                     /* DV=Good */
 output;
 end;
drop i freq;
run; 
/* Call the macro ReuceCats */
%let DSin=States2;
%let IVVar=state;
%let DVVar=default;
%let Method=1; /*Using Gini */
%let MMax=5;
%let DSVarMAp=State_Map;
%ReduceCats(&DSin, &IVVar, &DVVar, &Method, &Mmax,  &DSVarMap);
/* Print the State_Map dataset to the output window */
proc print data=State_Map;
run;
/* Call the macro ApplyMaps1 to apply the reduction maps */
%let DSin=States2;
%let VarX=State;
%let NewVarX=State_Group;
%let DSVarMap=State_Map;
%let DSOut=State2_m;
/* Use: option MPRINT to view how the code for applying the maps
   in the SAS Log */
/* option mprint */; 
%ApplyMap1(&DSin, &VarX, &NewVarX, &DSVarMap, &DSout);
/* Use PROC FREQ to confirm the counts in the new groups */
proc freq data=State2_m;
table State_Group;
run;

连续变量的分段

连续变量必须要分段，以允许使用标准的评分卡格式。
信用评分开发中有两种常用的分段方法：等距分段和最优分段
在等距分段中，连续变量的取值范围被分为预先确定数量的等宽度区间。用宏%EqWBinn可以对连续变量进行等距分段。
而连续变量的最优分段，相当于名义变量的最优分群。实际上，最优分段和最优分群使用的算法都是基于相同的概念和方法。在下面介绍的一种方法中，连续变量被分为大量初始宽度相等的段，比如10个，然后将这些段看作名义变量，并用名义变量的最优分群程序进行分段
image.png-127.4kB
宏%BinContVar提供了上图算法的SAS实施。该宏先将连续变量按照最小分段百分比分成1/Acc段，然后对这些段进行分组，直到剩余MMax个为止。宏的参数如下：
image.png-144kB
该宏也将生成一个映射数据集，这个数据集可通过%ApplyMap2生成一组IF-THEN语句来定义输出数据集中新变量的分段数量
示例如下

data Customers;
Input Income Default @@;
datalines;
2339.95 0   1578.3  0   1453.02 0   1398.77 1   2988.94 0      1970.5   0   1765.14 0   1016.64 1   1024.72 1   3731.1  0 
1296.54 1   1375.53 1   2454.93 0   1458.21 1   3607.17 0      1137.89  1   2618.88 0   3066.08 0   1651.19 0   2122.69 0 
2384.87 0   1117.99 1   3059.15 0   2632.47 0   1321.09 1      3481.08  0   2599.82 0   3421.61 0   2615.36 0   2177.07 0 
3129.73 0   1597.58 0   1996.46 0   2561.42 0   1143.17 0      3517.13  0   1044.27 1   2149.7  0   1062.72 1   2802.59 0 
1170.76 1   1839.54 1   1341.2  0   2687.47 0   1882.49 0      1001.02  1   1222.01 1   3773.33 0   2108.08 0   3555.37 0 
3860.08 0   3471.33 0   2836.04 0   3279.11 0   3359.93 0      2661.54  0   3075.54 0   3335.51 0   3615.98 0   2608.25 0 
3291.14 0   2738.75 0   3297.46 0   2329.84 0   1579.09 0      1005.38  1   3467.94 0   2460.84 0   3786.78 0   1697.54 0 
1344.75 0   2546.71 0   1044.77 1   1754.39 0   3088.03 0      3190.34  0   1643.03 0   1159.4  0   1594.84 1   2195.37 0 
2040.43 0   2288.39 0   1254.77 1   2177.82 0   1432.33 1      2090.93  0   1592.75 1   3649.18 0   1192.09 0   1870.53 0 
1344.73 0   3112.17 0   3594.69 0   1256.47 0   1884.62 0      2804.8   0   2397.37 0   3106.19 0   2153.69 0   2901.84 0 
1932.5  0   2967.7  0   3742.8  0   2741.32 0   3229.37 0      2955.23  0   3984    0   1764.69 0   3262.91 0   3556.29 0 
1371.41 0   1506.34 0   3835.23 0   1017.64 1   2786.11 0      1027.96  1   2705.19 0   1112.11 1   1345.8  1   3224.26 0 
3381.09 0   3564.85 0   3860.62 0   2039.35 0   2232.72 0      1755.91  1   2730.88 0   3071.92 0   3859.66 0   2728.11 0 
3908.71 0   1900.97 0   2365.91 0   1173.9  1   3046.59 0      3247.21  0   1765.75 1   1851.27 0   3168.86 0   1180.68 1 
1126.39 1   3716.19 0   3482.85 0   1177.04 1   2869.67 0      2112.35  0   1259.28 1   2034.07 0   2781.34 0   2650.68 0 
1098.68 1   3413.67 0   3832.62 0   1446.92 0   2823.57 0      2964.95  0   3480.61 0   3982.74 0   2223.56 0   2324.61 0 
1839.08 0   2816.05 0   2161.21 0   2215.25 0   1829.55 1      3088.54  0   2006.91 0   1895.16 0   3540.52 0   1159.11 1 
3753.1  0   2583.6  0   1694.81 0   1800.39 0   2831.79 0      1953.42  0   2326.95 0   3963.79 0   3478.85 0   1445.58 0 
1559.44 0   2785.78 0   1677.91 1   2529.97 0   1929.34 0      3347.23  0   2467.97 0   3704.05 0   1370.85 1   1324.15 0 
2131.14 0   3558.72 0   3580.39 0   1241.11 1   3914.43 0      2829.92  0   2112.3  0   1990.34 0   1265.65 1   3572.18 0 
;
run;
/* Call the binning macro */
%let DSin=Customers;
%let IVVar=Income;
%let DVVar=Default;
%let Method=1;
%let MMax=5;
%let Acc=0.01;
%let DSVarMap=Income_Map;
%BinContVar(&DSin, &IVVar, &DVVar, &Method, &MMax, &Acc, &DSVarMap);
/* Print the binning map dataset  */
/* A simple layout */
Proc print data=Income_Map;
run;
/* A more fancy printout */
options linesize=120; 
proc print data=Income_Map split='*' ;
     var bin LL UL BinTotal;
     label bin       ='Bin*Number*========='
           LL='Lower*Bound*========='
           UL='Upper*Bound*========='
           BinTotal='Bin*Size*=========';
           format LL Comma10.2; 
           format UL Comma10.2; 
           format BinTotal Comma10.0; 
   title 'Mapping rules for binning variable: Income';
run;
/* Apply the mapping scheme */
/* use:
options mprint ;
   to see the binning statements in the SAS Log */
%let DSin=Customers;
%let VarX=Income;
%let NewVarX=Income_bin;
%let DSVarMap=Income_map;
%let DSout=Customers_Income_b;
%ApplyMap2(&DSin, &VarX, &NewVarX, &DSVarMap, &DSout);

抽样和权重计算

抽样方法

信用评分开发是基于对申请或交易数据库的抽样。有三种常用的抽样方法：

随机抽样，从总体中抽取两个不想交的样本
均衡抽样，设计的样本中的目标变量具有特定的构成，如50%正常和50%违约。
分层抽样，用一个或多个于业务申请相关的变量的值将数据分层。

随机抽样

SAS中proc surveyselect可用于从数据集中抽取随机样本。宏%RandomSample是surveyselect的一个简单形式，以方便使用。
可以用宏%RandomSample从总体中抽取两个随机样本，分别作为开发数据集和验证数据集。但是，无法保证这两个数据集是不相交的。为了从一个总体数据集中抽取两个不相交的样本，提供了宏%R2Partitions，下表是其参数：
image.png-125.9kB

均衡抽样和权重

在均衡抽样中，从总体中抽取两个样本，每个样本中违约的百分比与初始总体不同。下图表示从规模为N的总体中抽取的两个样本DS1和DS2，其规模分别是N1和N2。
image.png-286.8kB
总体中具有违约状态的记录数必须满足抽取两个样本的需要。这被称为一致性条件，其正式表达式如下：

$\begin{align*} &N_1+N_2 \le N,\\ &N_1\cdot P_1 + N_2\cdot P_2 \le N\cdot P,\\ &N_1(1-P_2) + N_2(1-P_2) \le N(1-P) \end{align*}$
宏%B2Partitions尝试抽取两个样本并验证一致性条件，其参数如下表：
image.png-146kB

示例程序如下：

    Data Population;
         do ID=1 to 1500;
               if ID <=300 then DV=1;
                        else DV=0;
               x=ranuni(0); 
            output;
        end;
    run;
/* Call the macro */
   %let S=Population;
   %let IDVar=ID;    
   %let DV=DV;
/* The Modeling Sample */ 
   %let S1=Modeling;   
   %let N1=500;   
    %let P1=0.50;
/* The Validation Sample */ 
   %let S2=Validation; 
   %let N2=200;   
    %let P2=0.20;
   /* The error variable */
   %let Status=;
%B2Partitions(&S,&IDVar,&DV,&S1,&N1,&P1,&S2,&N2,&P2,Status);
/* Display the status variable in the SAS log. */
%put &status;
/* Check the percentage of Bad in samples */
proc freq data=Modeling;
table DV;
run;
proc freq data=Validation;
table DV;
run;

计算样本权重

以下表为例，理解如何对均衡样本分配权重
image.png-67.5kB
定义一个因子，该因子将映射样本DS1中的2500条记录以代表总体中初始的10000条记录，由此可以计算出样本中标识为违约的记录的权重。
通常要正态化这些值，使其和为1.0，具体的计算公式见下表： image.png-119.1kB
宏%BSWeight计算样本权重，并创建输出变量。宏的参数如下：
image.png-122.8kB
应用示例：

Data Population;
 do ID=1 to 1500;
  if ID <=300 then DV=1; else DV=0;
  x=ranuni(0); 
  output;
end;
drop ID;
run;
Data Modeling;
 do ID=1 to 500;
  if ID <=250 then DV=1; else DV=0;
  x=ranuni(0); 
  output;
end;
drop ID;
run;
%let PopDS= Population;
%let SDS  = Modeling;
%let DVVAr= DV;
%let WTVar=Weight;
%let DSout=Modeling_W;
%BSWeight(&PopDS, &SDs, &DVVar, &WTVar, &DSout);
proc freq data=Modeling_w;
table Weight * DV /norow nocol nopercent ;
run;