二元Logistic回归分析

案例数据

300 行银行个人贷款客户记录，因变量为是否违约（0/1），7 个候选自变量涵盖客户画像与贷款属性，演示二元 Logistic 回归全流程：模型整体显著性、各 X 的 OR、模型拟合优度（HL 检验）、分类正确率，结论为信用评分与月收入是核心风险因子。

下载案例数据 查看数据文件

文件名	binarylogit.xlsx
样本量	300 行（违约 50 例，违约率 16.7%）
变量数	8 列（1 个 Y + 7 个 X）
数据用途	银行风控建模：哪些客户/贷款属性会显著影响违约风险
变量说明	年龄、月收入、工龄、是否有房（0/1）、教育水平（1-4）、贷款金额、信用评分（300-850）、是否违约（Y，0=未违约 / 1=违约）。

完整案例

1. 背景

某商业银行小微贷款部门在贷后回顾时发现，部分客户出现逾期还款乃至违约，希望从已结清/已违约的历史样本中提炼违约风险预警模型。业务目标有三：①识别哪些客户与贷款属性对违约结果有显著影响（用于风控规则）；②量化各风险因子的影响幅度（用 OR 解释"信用评分每降低 100 分，违约几率扩大多少倍"）；③用模型整体准确率与拟合优度评估该模型能否用于上线评分卡。本案例选择 300 个有完整记录的客户，使用二元 Logistic 回归分析。

2. 理论与公式

二元 Logistic 回归通过 logit 链接把 0/1 概率映射为连续的对数优势比，从而沿用线性模型形式建模。

3. 数据结构

每行 1 位客户，1 列 Y + 7 列 X。Y 为 0/1 二分类，连续型 X 已按真实业务量纲（元、年、分）记录；分类 X 用整数编码：

变量名	类型	取值范围	业务含义
是否违约	因变量 Y（二分类）	0 / 1	0=未违约，1=出现 90+ 天逾期或核销
年龄	连续	22-65 岁	客户申请贷款时的年龄
月收入	连续	3000-21300 元	税后家庭月收入（自报，已交叉验证）
工龄	连续	0-21.2 年	在当前单位的工作年限
是否有房	二分类 X	0 / 1	0=无产权房，1=有自有产权房
教育水平	序数	1-4	1=高中以下 / 2=大专 / 3=本科 / 4=硕士及以上
贷款金额	连续	10000-500000 元	本次申请的贷款本金
信用评分	连续	464-850	人行征信中心评分（300=最差，850=最佳）

违约率 16.7%（50/300）属典型不平衡分类问题，预测准确率应同时看 Y=0 与 Y=1 两类的分项准确率；分类型 X（是否有房、教育水平）已按数值编码，无需哑变量化即可直接进入模型。

4. 操作步骤

1. 登录 SPSSzero，进入 工作台 → 上传 binarylogit.xlsx
2. 左侧方法栏 → 进阶方法 → 点击 二元 Logistic 回归
3. 把 是否违约 拖入 因变量 Y（必须只有 2 类）
4. 把 年龄 / 月收入 / 工龄 / 是否有房 / 教育水平 / 贷款金额 / 信用评分 共 7 个变量拖入 自变量 X
5. （可选）选择 方法：默认全进入，也可选向前 / 向后 / 逐步法做变量筛选
6. （可选）勾选 共线性诊断，得到各 X 的 VIF
7. 点击 开始分析

5. 结果表格与结果阅读

下面展示 2 张紧凑三线表：表 1 给出各 X 的回归系数 / OR / VIF（核心结果），表 2 给出模型整体拟合指标。

变量	B	SE	Wald χ²	p	OR	OR 95% CI	VIF
信用评分	-0.008	0.002	12.472	<0.001***	0.992	[0.988, 0.996]	1.004
月收入	-0.0002	5.27e-05	14.719	<0.001***	0.9998	[0.9997, 0.9999]	1.007
贷款金额	2.99e-06	1.49e-06	4.034	0.045*	1.0000	[1.0000, 1.0000]	1.008
年龄	-0.021	0.020	1.112	0.292	0.979	[0.942, 1.018]	1.011
工龄	-0.021	0.035	0.350	0.554	0.980	[0.915, 1.049]	1.007
是否有房	0.070	0.332	0.044	0.833	1.073	[0.559, 2.058]	1.009
教育水平	0.174	0.189	0.850	0.357	1.190	[0.822, 1.722]	1.008
截距	5.549	1.859	8.906	0.003**	—	—	—
* p<0.05 ** p<0.01 *** p<0.001；OR 接近 1 时区间紧贴 1，可通过单位换算放大解读（如信用评分 +100 分 → OR=0.992^100=0.45）；所有 VIF 均接近 1，无共线性问题

3 个显著变量：①信用评分每加 1 分违约几率乘以 0.992，每加 100 分几率约下降 55%；②月收入每加 1 元几率乘以 0.9998，每加 1000 元几率下降约 18%；③贷款金额每加 1 元几率乘以 1.0000003，每加 10 万元几率扩大约 35%。年龄、工龄、是否有房、教育水平在控制其他变量后均不显著。

指标	取值	判定标准	结论
样本量 N	300（违约 50 / 未违约 250）	—	违约率 16.7%，中度不平衡
似然比检验 LR χ²(7)	33.382, p<0.001	p<0.05 模型显著	✅ 模型整体显著
−2LL	236.954（仅截距 270.337）	越小越好	下降 33.4
McFadden R²	0.124	0.2-0.4 良好	Logit 中 0.1+ 已可接受
Cox & Snell R²	0.105	—	—
Nagelkerke R²	0.177	越大越好	自变量解释 17.7% 变化
Hosmer-Lemeshow χ²(8)	11.842, p=0.158	p>0.05 拟合优度好	✅ 拟合优度通过
整体分类正确率	83.33%	—	未违约预测 98.4% / 违约 8.0%
AIC / BIC	252.954 / 282.585	越小越好（用于模型比较）	—
不平衡样本下 0.5 阈值导致违约样本召回偏低（8.0%）。如以风控为目的，可下调阈值至 0.25-0.30 以提高违约召回，但代价是误报率上升，需结合业务成本权衡。

7. 文字分析

对 7 个候选风险因子的二元 Logistic 回归结果综合分析：

• 模型整体：LR χ²(7)=33.38，p<0.001，模型显著优于仅截距模型；HL 拟合优度检验 p=0.158>0.05，模型预测概率与实际观测一致；Nagelkerke R²=0.177，整体分类正确率 83.3%——模型可用于风控初筛。
• 信用评分（最强风险因子）：B=−0.008，p<0.001，OR=0.992（95% CI [0.988, 0.996]）。换算到业务单位：信用评分每提高 100 分，违约几率乘以 0.992¹⁰⁰≈0.45，即下降约 55%——这是风控规则中最优先的硬性指标。
• 月收入：B=−0.0002，p<0.001，OR=0.9998。换算：月收入每加 1000 元，违约几率乘以 0.9998¹⁰⁰⁰≈0.82，即下降约 18%。建议风控将"月收入 / 贷款金额"作为偿债能力指标纳入审批。
• 贷款金额：B=2.99×10⁻⁶，p=0.045，OR≈1.0000003。换算：贷款金额每加 10 万元，违约几率乘以 e^0.299≈1.35，即扩大约 35%，提示大额贷款需额外审查。
• 不显著变量：年龄（p=0.292）、工龄（p=0.554）、是否有房（p=0.833）、教育水平（p=0.357）。在控制信用评分与月收入之后，这些客户基础属性未再提供独立预测信息——传统印象中"有房=低风险""高学历=低风险"的判断在本样本中并不成立。
• 共线性：所有 VIF 均 ≈ 1.0，自变量之间相互独立，回归系数估计稳定。

风控建议：①把信用评分列为一票否决型硬指标（如 <600 分直接拒贷）；②引入月收入 / 贷款金额比作为偿债比例阈值（推荐月供 ≤ 月收入 50%）；③对大额贷款（≥30 万元）启用人工复核 + 抵押要求；④暂不把年龄 / 工龄 / 有房 / 学历单独作为审批门槛，避免歧视性筛选且统计上并无必要。如要部署上线，应进一步用样本外数据（test set）或时间外样本验证 AUC，并按业务成本调整分类阈值。

8. 剖析提醒

OR 大于 1 表示事件发生优势比增加，不能直接写成"概率增加同样倍数"；对连续 X，应按业务单位（每 100 分 / 每 1000 元）换算 OR 后再报告。不平衡样本下整体准确率会被多数类拉高，应额外报告少数类（违约）的召回率；如违约召回过低，可下调判定阈值或采用 SMOTE 等方法重采样。