商业银行信用卡业务的风险及防范(13)
模型(5﹒2)的解释：
a) 从0.878007提高到0.902027， 从0.872816提高到0.895637，说明拟合优度确实有所提高。
b) 因为虚拟变量Sex=1时，表示的是男性，而且sex的系数也为正，这两点说明了在总体上，男性比女性的逾期还款天数要多，也就是男性违约的可能性更大一些。
5.6 包含一个两分定性变量，一个四分定性变量，两个定量变量的回归估计模型
假设该模型如下：
个体、中小民企： =0， =0， =1
中小国企、大型民企： =1， =0， =0
大型国企、外企： =0， =1， =0
军队事业机关： =0， =0， =0
用Eviews软件作回归模型分析见表4。
表4 Eviews输出结果
从上述结果中可以看出， ， ， 的系数都没有通过t检验。虽然 =0.905163比模型（5﹒2）的 =0.902027大了一点，但是 =0.891930比模型（5﹒2）的 减小了。说明只是因为解释变量的增加使得 提高了，模型的拟合优度并没有改进。所以，单位类型这个风险因素不应该加入到客户信用卡评分模型中。
综合上述估计过程，选用模型（5﹒2）
作为客户信用卡评分模型。
5.7 模型的检验及模型变量解释
5.7.1 模型检验
a) 自相关检验。D．W.有所提高。查表得 = 1.46， =1.63,4－ =2.37，因为D.W.=2.191348， <D.W.< 4－ ,则无自相关，DW通过自相关检验。
b) 检验多重共线性：
(1)通过相关系数来检验，见表5。
表5 Correlation Matrix
FAGE CREDIT SEX
FAGE 1.000000 -0.353003 -0.080769
CREDIT -0.353003 1.000000 -0.228540
SEX -0.080769 -0.228540 1.000000
这三个解释变量两两的相关系数都是负数，说明它们两两都呈负相关。
(2) 较高，t值也很显著。不满足多重共线性的“经典特征”。
综合（1）（2）基本可以说明模型的多重共线性程度比较轻，没有对参数估计产生严重后果。