选取Lending Club 2007年1月至2016年3月的交易数据,运用Multinomial Lasso-logistic模型得到影响平台违约的关键因素并预测了违约概率.结果表明,出借人实际借款的总额、借款利率等因素对违约有显著的影响,此外与以往研究不同的是,发现...选取Lending Club 2007年1月至2016年3月的交易数据,运用Multinomial Lasso-logistic模型得到影响平台违约的关键因素并预测了违约概率.结果表明,出借人实际借款的总额、借款利率等因素对违约有显著的影响,此外与以往研究不同的是,发现由借款人提供的借款描述和借款标题等文本信息与违约之间显著负相关,说明当借款人提供更多的文本信息,将表现出相对较低的违约率.研究结论补充了现有文献的不足,对P2P平台的监管和投资者的决策提供了借鉴意义.展开更多
文摘选取Lending Club 2007年1月至2016年3月的交易数据,运用Multinomial Lasso-logistic模型得到影响平台违约的关键因素并预测了违约概率.结果表明,出借人实际借款的总额、借款利率等因素对违约有显著的影响,此外与以往研究不同的是,发现由借款人提供的借款描述和借款标题等文本信息与违约之间显著负相关,说明当借款人提供更多的文本信息,将表现出相对较低的违约率.研究结论补充了现有文献的不足,对P2P平台的监管和投资者的决策提供了借鉴意义.
文摘目的探讨Lasso Logistic回归模型在乳腺癌高风险人群筛查利用相关因素研究中的应用。方法基于健康风险评估模型筛选乳腺癌高风险人群,利用Lasso Logistic回归模型进行变量选择,通过交叉验证选择模型中的最优调和参数λ,再建立传统Logistic回归模型分析筛查利用情况的影响因素。结果经健康风险评估模型筛选后,共纳入771名乳腺癌高风险人群,乳腺癌筛查利用率为72.1%。交叉验证选择的最优λ为0.044,经Lasso Logistic回归模型进行变量筛选后纳入的自变量为年龄、文化程度、既往乳腺疾病史和乳房自检行为,赤池信息准则(akaike information criterion,AIC)和贝叶斯信息准则(bayesian information criterion,BIC)分别为762.44和785.68,均低于传统Logistic回归模型(762.73,804.55)。结论 Lasso Logistic回归模型可用于乳腺癌高风险人群筛查利用情况相关因素研究。年龄、文化程度、既往乳腺疾病史和乳房自检行为影响乳腺癌高风险人群的筛查利用情况。
