SAS信用评分之逻辑回归的变量选择

关于woe的转化，这一部在之前的这篇文章：sas批量输出变量woe值中已经写了，woe也只是简单的公式转化而已，所以在这系列中就不细究了哈。这次的文章我想来讲逻辑回归。你会说逻辑回归就是三个方法：backword stepword forward有什么好讲的。如果你这么说，你的模型就只能停留在机器给你什么结果就是什么结果，那就low了哈。
                   
   为什么这么说呢？是因为我发现譬如你输入了300个变量，你设定了sle和sls的显著性水平都是0.05，那么只要是满足“sle和sls的显著性水平都是0.05”的变量就会被筛选出来，这时候就有问题，输入的300个变量中，至少有30个变量是满足上面的显著性水平的条件的，那么你这30个变量难道都要用的模型中吗？

你说可以，你领导都会跟你说不可以，会过拟合，过拟合意味着什么，评分卡在AB两级的客户极少（因为需要满足的条件多），在cde级的客户很多，加入以前100个人来申请，是30个人可以通过的，但是现在你做了模型100个人中只有10个人能通过，那这10个人肯定好的啊。这样子逾期率是降低了，但是批核率也降低了，通过的人少了，老板就问你，你这是让公司怎么赚钱！！！。

  那么这时候我们应该做什么，就是精减变量，让只用十几个变量达到30个变量的效果，当然这种30个变量的效果可能很好，但是我们尽量是做到用十几个变量达到30个变量的效果啦。譬如，30个变量达到的ks值是0.326，那么你13个变量可以达到0.316，那也足够拉。

那么现在先贴一个单独的proc logistic 过程。

Ods Output ParameterEstimates=aa ;
proc logistic data=test.RONG_ZX_total12_3 outest=bb ;
model APPL_STATUS_1(event="0")=
woe_N_a_nine_rate
woe_N_t_CREDIT_f
woe_N_ACCOUNT_CREDITCARD
woe_N_q_othree_cnt
woe_N_q_tlttwelve_cnt
woe_N_cq_cc_rate
woe_N_OPERATOR_num_S
woe_N_CREDOO_SCORE_o
woe_N_CALL_PAY_mrate
woe_n_g_MARITAL_P
woe_n_NAME_CITY
woe_n_industry_o
woe_n_EDUCATION
/selection=s sle=0.05 sls=0.05;
output out=pp
    p=pred_status lower=pi_l upper=pi_u;
run;
proc npar1way data=pp noprint;
      class APPL_STATUS_1;
      var pred_status;
      output out=ks_1(keep=_d_ p_ksa rename=(_d_=KS p_ksa=P_value));
run;
 这是我在建模中的一个例子。后面的proc npar1way是计算ks值的。
这里是我随便选了13个变量出来，然后跑了一下ks值，但是这里有个问题就是那我怎么知道这30个变量中到底哪13个，难道我要一直试嘛，这样子很浪费我的时间也。所以我一早上就在纠结这个问题，但是我又百度不到sas中怎么实现C2013随机数的产生。所以我在纠结中就想出以下这种方法，不过要是哪位大神指导C2013 怎么实现还是希望留言区指导，我可以继续学习。
那么接下来就贴下我的代码吧，代码就是以ks为衡量指标，希望找出一种组合的ks是比较高的。
%macro var_namelist(data=,coltype=,tarvar=,dsor=);
    %let lib=%upcase(%scan(&data.,1,'.'));
    %let dname=%upcase(%scan(&data.,2,'.'));
    %global var_list var_num;
    proc sql ;
      create table &dsor. as
        select name
        from sashelp.VCOLUMN
        where left(libname)="&lib." and left(memname)="&dname." and type="&coltype." and lowcase(name)^=lowcase("&tarvar.") ;
    quit;
%mend;
%macro pub_survey(data,dvar,n,start,end,by);
proc datasets lib=work;
delete result_1;
run;
%do i=&start. %to &end. %by &by.;
%var_namelist(data=&data.,coltype=num,tarvar=&dvar.,dsor=aa);
proc surveyselect data=aa
out=bb
method =srs
n=&n.
seed =&i.;
run;
data _null_;
set bb;
call symput (compress("var"||left(_n_)),compress(name));
call symput(compress("n"),compress(_n_));
run;
 %put &var1.;
Ods Output ParameterEstimates=gg ;
proc logistic data=&data. outest=bb ;
model &Dvar. (event="0")=
&var1. &var2. &var3. &var4. &var5. &var6. &var7. &var8. &var9. &var10. &var11.
&var12. &var13.
/selection=s sle=0.05 sls=0.05;
output out=pp
    p=pred_status lower=pi_l upper=pi_u;
run;
proc npar1way data=pp noprint;
      class &Dvar.;
      var pred_status;
      output out=ks_1(keep=_d_ p_ksa rename=(_d_=KS p_ksa=P_value));
run;
data result;
set ks_1(keep=ks);
length value $500.;
value=compress("&var1."||","||"&var2."||","||"&var3."||","||"&var4."||","||"&var5."||","||"&var6."||","||"&var7."||","||"&var8."||","||"&var9."||","||"&var10."||","||"&var11."||","||"&var12."||","||"&var13.");
run;
Proc append base=result_1 data=result force;run;
%end ;
proc sort data=result_1;by ks;
run;
%mend;

老样子啦，说下这宏怎么用。宏都是我调试过，应该没错，就是你的原数据集，要只留下你要用来循环的变量以及因变量，别的你都不要哈，乖，听我话。
Data：填入的是原数据集；
Dvar：填入因变量
N：填入你想最终模型的个数，建议10-15个吧。
Start：这里填的是seed种子数，次种子出不来.avi哈。建议是4位数以上，不知道sas随机过程中seed的种子数的自行百度。
End：你要种子循环的尽头。尽量设大点，我是建议循环个1000 2000次最好啦。
By：种子循环的区间，就是你是每隔200个数取一个数还是20个数之间取一个数。譬如你设定start=1000，end=1500,by=100,那就是种子等于1000，1100,1200,1300,1400,1500这五个数。再强调一次，输入数据集值保留你要这筛选的变量以及因变量，其余的主键什么的，你别加进去哈。
好的，这时候我要上结果图了：

 这就是结果图。Ks升序排序，可以看到我循环了三次，最好的是第三次，帅选的13个变量里面，ks可以达到0.301，变量value中就是达到ks值的13个变量。但这只是我循环三次的结果啦。我是建议最好循环个1000次2000次。你就下班的时候放着跑，明天上班来收成果就好了，上班时间盯着屏幕。是跑不完的。数据分析师培训