SAS 二元逻辑回归 预测下月是否会消费

最新推荐文章于 2024-06-23 09:00:00 发布
最新推荐文章于 2024-06-23 09:00:00 发布
阅读量1.1k 收藏 7
点赞数 1
分类专栏： SAS 建模 文章标签： SAS SAS STUDIO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37195257/article/details/103128148
版权
建模 同时被 2 个专栏收录
13 篇文章 1 订阅
订阅专栏
SAS
1 篇文章 0 订阅
订阅专栏

数据集来自 UCI

UCI_Credit_Card.csv

数据集信息

此数据集包含有关2005年4月至2005年9月台湾地区信用卡客户的默认付款，人口统计因素，信用数据，付款历史和账单的信息。

内容

有25个变量：

ID：每个客户的ID

LIMIT_BAL：以新台币计的给定信用额度（包括个人和家庭/辅助信用额）

性别：性别（1 =男性，2 =女性）

教育程度：（1 =研究生院，2 =大学，3 =高中，4 =其他，5 =未知，6 =未知）

婚姻：婚姻状况（1 =已婚，2 =单，3 =其他）

年龄：岁

PAY_0：2005年9月的还款状态（-1 =正常付款，1 =延迟一个月的付款，2 =延迟两个月的付款，... 8 =延迟八个月的付款，9 =延迟九个月的付款，以及以上）

PAY_2：2005年8月的还款状态（与上述相同）

PAY_3：2005年7月的还款状态（与上述相同）

PAY_4：2005年6月的还款状态（与上述金额相同）

PAY_5：2005年5月的还款状态（与上述相同）

PAY_6：2005年4月的还款状态（与上述相同）

BILL_AMT1：2005年9月的帐单金额（新台币）

BILL_AMT2：2005年8月的帐单金额（新台币）

BILL_AMT3：2005年7月的帐单金额（新台币）

BILL_AMT4：2005年6月的帐单金额（新台币）

BILL_AMT5：2005年5月的对帐单金额（新台币）

BILL_AMT6：2005年4月的帐单金额（新台币）

PAY_AMT1：2005年9月的先前付款金额（新台币）

PAY_AMT2：2005年8月的先前付款金额（新台币）

PAY_AMT3：2005年7月的先前付款金额（新台币）

PAY_AMT4：2005年6月的先前付款金额（新台币）

PAY_AMT5：2005年5月的先前付款金额（新台币）

PAY_AMT6：2005年4月的先前付款金额（新台币）

default.payment.next.month：默认付款（1 =是，0 =否）

 

SAS 环境：SAS STUDIO大学版

首先对数据进行数据描述，得到大致的数据概况。然后对缺失值处理

然后对数据进行归一化，这里用到的是STUDIO 的标准化模块

 

 

使用任务模块的二元逻辑回归

导入相应的预测值，分类变量，以及归一化完的数值连续变量

使用了默认的建模参数

 

然后输出模型结果：

 
模型信息
数据集WORK.STDIZE
响应变量default_payment_next_month
响应水平数2
模型二元 Logit
优化方法Fisher 评分法
 
读取的观测数30000
使用的观测数30000
 
响应概略
有序
值		default_payment_next_month总
频数
1023364
216636

建模的概率为 default_payment_next_month='1'。

 
分类水平信息
分类值设计变量
SEX110     
 201     
EDUCATION01000000
 10100000
 20010000
 30001000
 40000100
 50000010
 60000001
MARRIAGE01000   
 10100   
 20010   
 30001   
 
模型收敛状态
满足收敛准则 (GCONV=1E-8)。
 
模型拟合统计量
准则仅截距截距和协变量
AIC31707.35427889.258
SC31715.66328146.835
-2 Log L31705.35427827.258
 
检验全局原假设: BETA=0
检验卡方自由度Pr > 卡方
似然比3878.096730<.0001
评分3749.817430<.0001
Wald3061.829930<.0001
 
3 型效应分析
效应自由度Wald
卡方		Pr > 卡方
SEX113.41410.0002
EDUCATION641.4162<.0001
MARRIAGE335.5147<.0001
Standardized_PAY_011063.4129<.0001
Standardized_PAY_2116.2970<.0001
Standardized_PAY_319.94610.0016
Standardized_PAY_410.80930.3683
Standardized_PAY_511.63490.2010
Standardized_PAY_610.09680.7557
Standardized_BILL_AM123.4764<.0001
Standardized_BILL_AM12.57030.1089
Standardized_BILL_AM11.03330.3094
Standardized_BILL_AM10.01080.9172
Standardized_BILL_AM10.24910.6177
Standardized_BILL_AM10.02670.8701
Standardized_PAY_AMT135.0031<.0001
Standardized_PAY_AMT120.6781<.0001
Standardized_PAY_AMT12.36340.1242
Standardized_PAY_AMT15.18930.0227
Standardized_PAY_AMT13.27590.0703
Standardized_PAY_AMT12.60110.1068
AGE18.32490.0039
LIMIT_BAL119.6728<.0001
 
最大似然估计分析
参数 自由度估计标准
误差		Wald
卡方		Pr > 卡方
Intercept 1-1.79130.433217.0983<.0001
SEX110.11250.030713.41410.0002
SEX200...
EDUCATION01-9.567585.23950.01260.9106
EDUCATION110.30250.40350.56190.4535
EDUCATION210.21790.40310.29240.5887
EDUCATION310.19610.40380.23580.6273
EDUCATION41-0.84480.56422.24180.1343
EDUCATION51-1.06070.47474.99250.0255
EDUCATION600...
MARRIAGE01-1.24060.53295.41960.0199
MARRIAGE110.07880.13730.32880.5664
MARRIAGE21-0.11020.13880.63010.4273
MARRIAGE300...
Standardized_PAY_0 10.64910.01991063.4129<.0001
Standardized_PAY_2 10.09760.024216.2970<.0001
Standardized_PAY_3 10.08540.02719.94610.0016
Standardized_PAY_4 10.02630.02920.80930.3683
Standardized_PAY_5 10.03900.03051.63490.2010
Standardized_PAY_6 10.007930.02550.09680.7557
Standardized_BILL_AM 1-0.40600.083823.4764<.0001
Standardized_BILL_AM 10.17170.10712.57030.1089
Standardized_BILL_AM 10.09330.09181.03330.3094
Standardized_BILL_AM 1-0.009040.08690.01080.9172
Standardized_BILL_AM 10.04610.09250.24910.6177
Standardized_BILL_AM 10.01160.07110.02670.8701
Standardized_PAY_AMT 1-0.22600.038235.0031<.0001
Standardized_PAY_AMT 1-0.21870.048120.6781<.0001
Standardized_PAY_AMT 1-0.04650.03022.36340.1242
Standardized_PAY_AMT 1-0.06370.02805.18930.0227
Standardized_PAY_AMT 1-0.04910.02713.27590.0703
Standardized_PAY_AMT 1-0.03720.02312.60110.1068
AGE 10.005370.001868.32490.0039
LIMIT_BAL 1-7E-71.578E-719.6728<.0001
 
优比估计
效应点估计95% Wald
置信限
SEX 2-11.1191.0541.189
EDUCATION 6-0<0.001<0.001>999.999
EDUCATION 6-11.3530.6142.985
EDUCATION 6-21.2440.5642.740
EDUCATION 6-31.2170.5512.684
EDUCATION 6-40.4300.1421.298
EDUCATION 6-50.3460.1370.878
MARRIAGE 3-00.2890.1020.822
MARRIAGE 3-11.0820.8271.416
MARRIAGE 3-20.8960.6821.176
Standardized_PAY_01.9141.8411.990
Standardized_PAY_21.1031.0521.156
Standardized_PAY_31.0891.0331.148
Standardized_PAY_41.0270.9691.087
Standardized_PAY_51.0400.9791.104
Standardized_PAY_61.0080.9591.060
Standardized_BILL_AM0.6660.5650.785
Standardized_BILL_AM1.1870.9631.465
Standardized_BILL_AM1.0980.9171.314
Standardized_BILL_AM0.9910.8361.175
Standardized_BILL_AM1.0470.8741.255
Standardized_BILL_AM1.0120.8801.163
Standardized_PAY_AMT0.7980.7400.860
Standardized_PAY_AMT0.8040.7310.883
Standardized_PAY_AMT0.9550.9001.013
Standardized_PAY_AMT0.9380.8880.991
Standardized_PAY_AMT0.9520.9031.004
Standardized_PAY_AMT0.9630.9211.008
AGE1.0051.0021.009
LIMIT_BAL1.0001.0001.000
 
预测概率和观测响应的关联
一致部分所占百分比72.6Somers D0.452
不一致部分所占百分比27.4Gamma0.452
结值百分比0.0Tau-a0.156
对155043504c0.726
伊玛目的门徒
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
训练数据集：credit-a.csv
08-16
日月光华Tensorflow简明课程数据集credit-a.csv
3.4 信用卡欺诈预测代码实现
weixin_46994240的博客
04-01 633
import keras from keras import layers import pandas as pd import numpy as np import matplotlib.pyplot as plt data = pd.read_csv('./dataset/credit-a.csv', header=None) x = data.iloc[:, :-1].values y = data.iloc[:,-1].replace(-1,0).values.reshape(-1, 1) y.
python数据分析案例-信用卡违约预测分析
最新发布
m0_62638421的博客
06-23 972
信用卡违约预测分析
逻辑回归问题
梦否
12-15 389
预备知识 pandas中的iloc方法 在对csv文件进行读取的时候，使用iloc方法比较方便，如：对这么一个数据进行读取： 0,30.83,0,0,0,9,0,1.25,0,0,1,1,0,202,0,-1 1,58.67,4.46,0,0,8,1,3.04,0,0,6,1,0,43,560,-1 1,24.5,0.5,0,0,8,1,1.5,0,1,0,1,0,280,824,-1 0,27.83,1.54,0,0,9,0,3.75,0,0,5,0,0,100,3,-1 0,20.17,5.625,
UCI_Credit_Card.csv.zip
05-20
此数据集包含2005年4月至2005年9月台湾地区的信用卡用户的默认付款，人口统计因素，信用数据，付款时间和账单的详细信息。
信用卡违约率分析
qq_22017379的博客
11-14 955
信用卡违约率分析加载数据探索数据数据规范化数据集划分模型创建模型训练模型评估 加载数据  这个数据集是台湾某银行 2005 年 4 月到 9 月的信用卡数据，数据集一共包括 25 个字段，具体含义如下: 探索数据 数据规范化 数据集划分 模型创建 模型训练 模型评估 ...
基于SAS的回归预测分析.pdf
07-16
《基于SAS的回归预测分析》课程笔记详细阐述了如何运用逻辑回归进行预测建模，这一方法在大数据分析中占据重要地位。课程旨在帮助学习者理解预测建模的核心目标、关键步骤及其在业务中的实际应用。以下是课程内容的...
SAS Logistic回归分析.doc
12-30
SAS Logistic回归分析实验报告 SAS Logistic回归分析实验目的：使用SAS LOGISTIC过程进行响应变量为二分类变量的回归分析实验。实验内容包括使用proc logistic建立包含三个连续型自变量X1、X2、X3的线性预测模型，...
sas.rar_sas_sas 非线性回归
09-24
4. **结果解析**：运行程序后，SAS会返回参数估计值、标准误差、置信区间等统计量，以及残差分析和诊断信息，帮助判断模型是否合适。 5. **模型改进**：根据诊断结果，可能需要调整模型结构，或者通过改变初始参数...
SAS多元线性回归分析与残差分析实验结果和数据集
05-15
在数据分析领域，SAS（Statistical Analysis System）是一款强大的统计软件，广泛应用于各种统计建模，包括多元线性回归分析。本次实验涉及的核心是多元线性回归和残差分析，这两种方法是理解和评估数据关系的重要...
主成分回归分析.sas
08-18
利用SAS先对原始数据做主成分分析降维，然后根据降维后的特征向量构建多重线性回归模型，该方法通常用来解决多重线性回归模型在构建时，自变量的多重共线性问题
uci 信用卡数据集.rar
01-14
背景描述 本项目采用了UCI数据仓库，这是一个自1970年代中期以来广泛使用的公认资源。它在学术界享有盛誉，因其数据集涵盖了从生物信息学到社会科学等多个领域的真实世界问题，确保了研究成果的实用性和相关性。我们可以通过 Python 中的 ucimlrepo 库直接访问这些数据集，这样显著提高了数据获取的效率，简化了预处理流程，从而让我们能够迅速投入到实证分析中去。 而且还有还很重要的一点：该数据集的普及性和熟悉度为我们的研究提供了一个共同的基准，使得方法论的通用性和比较性得到加强。同时，数据的真实性和可复刻性也为项目带来了额外的价值。我们的分析不仅可以由同行学者验证，而且还可以促进知识的积累，为未来的科学探索提供基石。这种方法论和数据来源的选择可以确保你的项目或者算法能够在数据科学界得到广泛的认可和应用。 数据说明 这份数据是 uci 数据仓库中的 Default of credit card clients 数据集。读取方法可以参考我的相关项目。 该数据集包含 30,000 名客户及其在台湾一家银行的信用卡交易数据。除了客户的静态特征外，该数据集还包含某年4月至9月的信用卡账单支付历史，以及客户信用卡的余额限制。目标是客户是否会在接下来的一个月，即该年10月拖欠信用卡付款。 ID：信用卡客户ID号 LIMIT_BAL：以新台币计算的信贷金额（包括个人和家庭/补充信贷）/ 信用卡限额 SEX： 性别 (1代表男性，2代表女性) EDUCATION：受 教育程度(1=研究生, 2=大学, 3=高中, 4=其他 5=未知, 6=未知) MARRIAGE：婚姻状况（1=已婚，2=单身，3=其他） AGE：年龄 X1：信用额度，包括其个人和家庭补充信用 X2：性别（1=male;2=female） X3：教育（1=研究生，2=大学，3=高中，4=其他） X4：婚姻状况（1=已婚，2=单身，3=其他） X5：年龄，age X6-X11：过去六个月的还款情况。X6-X11为9-4月的还款情况。其中，-1,代表按时还款；1,代表延时一个月还款；2,代表延时两个月还款.......依次类推，XN=n,代表延时n个月还款， X12-X17：过去六个月的账单数额情况。X12-X17为9-4月账单数额情况 X18-X23：过去六个月的还款数额情况。 X18-X23为9-4月还款数额情况 Y：目标属性，客户下个月还款违约情况（1=逾期，0=未逾期） 通常会用于分类模型，应用场景十分广泛。尤其适用于金融机构在风险评估和信贷审批过程中，以判断客户是否有资格获得其他贷款产品，例如汽车贷款。通过包含的23个输入变量，如信用额度、性别、教育程度等，以及目标变量，即客户的还款违约情况，研究者能够对信用风险进行准确评估。这些细致的数据为研究者提供了理解和预测客户行为的全面视角。
credit.csv
06-30
credit数据集是对用户的各个指标进行判断，从而判断用户是否回违约，可用于二分类问题的训练和测试数据集。
使用机器学习算法对信用卡客户UCI默认数据集进行分析和分类
02-06
本研究的目的是利用一些有监督的机器学习算法来识别决定信用卡违约可能性的关键驱动因素，强调所用方法背后的数学方面。当您严重拖欠信用卡付款时，就会发生信用卡违约。为了增加市场份额，台湾的发卡银行过度向不合格的申请人发放现金和信用卡。同时，大多数持卡人，无论他们的还款能力如何，都过度使用信用卡进行消费，积累了沉重的信用和债务 目标是建立一个自动模型，用于识别关键因素，并根据客户和历史交易的信息预测信用卡违约。稍后将报告监督机器学习范式的一般概念，以及用于构建模型的所有技术和算法的详细说明。特别地，Logistic回归、随机森林和支持向量机算法已经被应用。
文章《3.4 信用卡欺诈预测代码实现》所需要的CSV文件
04-01
文章《3.4 信用卡欺诈预测代码实现》所需要的CSV文件
P2P租车推荐系统架构试谈
suspend2014的博客
02-12 412
主要参考Airbnb的房屋租赁推荐系统 （Real-time Personalization using Embeddings for Search Ranking at Airbnb） P2P租车与Airbnb的房屋租赁在业务逻辑上是高度相似的，都属于短期租赁的双边市场，一个顾客很少会预定同一台车多次，一台车在某时间段内只能被一个顾客租用，车主有可能拒绝出租，数据存在严重的稀疏性，所以这里...
台湾地区信用卡客户贷款违约预测
农夫果园好好喝的博客
08-23 3417
数据集地址：链接：https://pan.baidu.com/s/1vQgkQs1aTC-zm6zcDH4kKQ提取码：6ois。
分类问题的时候用交叉熵损失函数会更有效
口袋里的小小哥的博客
04-09 354
# 分类问题的时候用交叉熵损失函数会更有效 # binary_crossentropy 来计算二元交叉熵 import tensorflow as tf import numpy as np import pandas as pd import matplotlib.pyplot as plt data = pd.read_csv('credit-a.csv', header=None) # ...
SAS EM逻辑回归预测模型
11-26
其中逻辑回归是一种常见的分类算法，可以用于预测二元结果（例如是/否，真/假等）。 以下是使用SAS EM构建逻辑回归模型的步骤： 1. 准备数据：根据引用，我们需要准备数据以供模型使用。这包括选择要使用的变量，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值