Berapa banyak bad yang dibutuhkan model kredit
Masukkan jumlah debitur bermasalah, bad rate, dan perkiraan Gini. Lihat derajat kebebasan yang tersedia, kapasitasnya di tiap model, serta jumlah bad yang dibutuhkan model yang Anda rencanakan.
Derajat kebebasan
300 bad memberikan sekitar 28 derajat kebebasan pada Gini 0.50. Setiap bin, knot, dan term yang dicoba saat pengembangan memakai anggaran ini, termasuk yang akhirnya tidak masuk model.
Kebutuhan model yang direncanakan
Rencana ini memakai 80 derajat kebebasan, sedangkan anggaran yang tersedia 28. Model membutuhkan 854 bad, atau 554 lebih banyak dari jumlah yang tersedia. Jumlah itu setara dengan 17,080 pinjaman dan perlu 20.5 bulan hingga hasil diketahui.
Derajat kebebasan menurut Gini
Kapasitas dari jumlah bad
| Model | Jumlah bad yang dapat ditampung | Derajat kebebasan terpakai |
|---|---|---|
| Regresi logistik | 28 variabel | 1 |
| Regresi logistik berbasis bin atau scorecard · pada 3 bin | 14 variabel | 2 |
| Regresi logistik berbasis bin atau scorecard · pada 4 bin | 9 variabel | 3 |
| Regresi logistik berbasis bin atau scorecard · pada 5 bin | 7 variabel | 4 |
| Regresi logistik berbasis bin atau scorecard · pada 6 bin | 5 variabel | 5 |
| Regresi logistik dengan spline · pada 3 knot | 14 variabel | 2 |
| Regresi logistik dengan spline · pada 4 knot | 9 variabel | 3 |
| Regresi logistik dengan spline · pada 5 knot | 7 variabel | 4 |
| MARS aditif | 14 term | 2 |
| MARS dengan interaksi | 11 term | 2.5 |
| Gradient boosting atau random forest | 2 variabel | Tidak ada hitungan tetap; data sepuluh kali lebih banyak |
Variabel yang bin-nya ditentukan berdasarkan hasil tetap menghabiskan derajat kebebasan untuk setiap bin, meski hanya masuk ke model sebagai satu term WoE. Seleksi banyak variabel juga menghabiskan anggaran sebelum model dibuat.
Kirim hasil melalui email
Jalankan model di tempat keputusan dibuat. Sebelum diterapkan, uji model baru terhadap model saat ini menggunakan data pengajuan terdahulu. Mulai gratis
Lihat metode perhitungan
C = (Perkiraan Gini + 1) ÷ 2, μ = √2 × Φ⁻¹(C), π = Bad rate R kuadrat Cox-Snell = 1 − exp(−2 × ∫ Σ f(x, y) ln(f(y | x) ÷ f(y)) dx), Distribusi skor: N(0, 1) / N(μ, 1) R kuadrat Cox-Snell maksimum = 1 − (π^π × (1 − π)^(1 − π))² S₁ = 0.9, S₂ = R kuadrat Cox-Snell ÷ (R kuadrat Cox-Snell + 0.05 × R kuadrat Cox-Snell maksimum) Derajat kebebasan = Jumlah bad dalam sampel ÷ π × min over S of (S − 1) × ln(1 − R kuadrat Cox-Snell ÷ S) Regresi logistik berbasis bin atau scorecard, Regresi logistik dengan spline: Variabel kandidat × (Bin per variabel − 1) MARS aditif: M + 2 × (M − 1) ÷ 2, MARS dengan interaksi: M + 3 × (M − 1) ÷ 2, M = Term MARS Gradient boosting atau random forest: Variabel untuk ML = Derajat kebebasan ÷ 10 Presisi bad rate = ± 1.96 × √((1 − π) ÷ Jumlah bad dalam sampel)
Anggaran ini adalah jumlah parameter terbesar yang menjaga shrinkage ekspektasian tetap minimal 0,9 dan optimisme pada R kuadrat Nagelkerke maksimal 0,05, mengikuti kriteria ukuran sampel minimum dari Riley dan rekan-rekannya. Gini dikonversi menjadi R kuadrat dengan asumsi skor berdistribusi normal dan sebarannya sama pada debitur lancar dan debitur bermasalah. Faktor sepuluh untuk gradient boosting dan random forest berasal dari studi simulasi van der Ploeg, Austin, dan Steyerberg. Dalam studi tersebut, random forest, support vector machine, dan neural network membutuhkan lebih dari sepuluh kali jumlah kejadian per variabel dibandingkan regresi logistik. Gradient boosting tidak diteliti dalam studi itu.
Berapa debitur bermasalah yang dibutuhkan model Anda?
Tool ini menghitung derajat kebebasan yang tersedia dari jumlah debitur bermasalah, bad rate, dan Gini yang Anda masukkan. Anggaran tersebut dihitung untuk regresi logistik, scorecard, spline, MARS, dan gradient boosting.
Hasilnya menunjukkan jumlah variabel, bin, knot, atau term yang dapat didukung oleh sampel pengembangan Anda. Gunakan hasilnya untuk menghitung kebutuhan model yang direncanakan, termasuk jumlah debitur bermasalah dan bulan data hasil yang diperlukan.
Pertanyaan umum
Berapa debitur bermasalah yang dibutuhkan untuk membuat scorecard kredit?
Jumlahnya bergantung pada derajat kebebasan scorecard, bad rate, dan Gini yang diharapkan. Tool ini menghitung kebutuhan debitur bermasalah berdasarkan kriteria ukuran sampel yang menghasilkan angka lebih besar.
Apakah 300 debitur bermasalah cukup untuk model kredit?
Jumlah yang dibutuhkan bergantung pada Gini dan jenis model. Jumlah debitur bermasalah yang sama menghasilkan anggaran berbeda pada nilai Gini yang berbeda. Model yang lebih fleksibel membutuhkan lebih banyak data daripada regresi logistik.
Berapa banyak variabel yang dapat digunakan dalam scorecard?
Anggarannya bergantung pada jumlah debitur bermasalah dan Gini yang diharapkan. Bin menghabiskan derajat kebebasan, sehingga jumlah variabel berkurang ketika jumlah bin per variabel bertambah.
Apa arti derajat kebebasan dan jumlah kejadian per variabel?
Derajat kebebasan menunjukkan jumlah parameter yang dapat digunakan model sesuai anggaran ukuran sampel. Jumlah kejadian per variabel membandingkan jumlah debitur bermasalah dengan jumlah variabel yang digunakan, termasuk variabel yang dipertimbangkan sebelum seleksi.
Berapa banyak data tambahan yang dibutuhkan gradient boosting?
Halaman ini menggunakan aturan bahwa gradient boosting dan random forest membutuhkan data sepuluh kali lebih banyak daripada regresi logistik. Aturan tersebut berasal dari studi simulasi yang tidak mencakup gradient boosting.