不良貸款對銀行利益的侵蝕效應不僅僅體現在利潤和收入上，在市場營銷、新裝置投入、社會聲譽等方面都會受到影響。因為創收能力的下滑，在經營管理各方面的費用投入不如之前了，想要在商務區開的新網點開不成了、想要購置的新科技裝置也泡湯了，在同業面前，不得不面對綜合競爭力的下降。同時，一家支行如果不良貸款過高，會讓社會公眾對該行的盈利能力和風險控制能力產生質疑，覺得在這家銀行辦業務不保險，民眾的業務需求會轉而投向其他銀行，社會聲譽受到損失不說，客戶和業務也會流失不少。
業務目的為**不良貸款的走勢。目前有的自變數為各項貸款餘額、本年累計應收貸款、貸款專案個數和固定資產投資，4個自變數，1個因變數。求多元線性回歸方程來**不良貸款。
1）選擇回歸方程
2）確定自變數和因變數
3）輸出結果，引數檢驗
擬合優度：多元線性方程擬合優度看調整後的r^2= 0.75,擬合優度一般。
f檢驗：又稱整體檢驗。表徵方程整體是否呈現線性相關。f檢驗引數為1.04e-6，方程整體檢驗呈線性相關。
t檢驗：又稱區域性檢驗，檢測各變數的線性相關性。由下圖可知，本年累計應收貸款、貸款專案個數和固定資產投資與不良貸款不相關。僅各項貸款餘額與不良貸款具有相關性。（p-value<0.05，表徵該變數與因變數線性相關）
結論：引數檢驗不合格，方程不成立，需要調整自變數再進行回歸方程**。
4）調整變數，繼續回歸方程**
因檢測出本年累計應收貸款、貸款專案個數和固定資產投資與不良貸款的相關度較低，取出這三個變數。僅取各項貸款餘額為自變數。
5）輸出結果，引數檢驗
擬合優度：方程僅乙個變數，變為一元線性回歸方程。擬合優度r^2=0.71,擬合度一般。
f檢驗和t檢驗：檢驗引數=1.18e-07<0.05,方程成立。
方程為： y=-0.83+0.38x
銀行的不良貸款僅與資料中的各項貸款餘額強相關。**回歸方程為 y(不良貸款)=-0.83+0.38x（各項貸款餘額）。若無貸款餘額，銀行是不會有不良貸款的，但是，沒增加1億元的貸款餘額，不良貸款變增加0.38億元。因此，控制貸款餘額是銀行控制不良貸款的關鍵。
這就是多元線性回歸的案例啦~
多元線性回歸案例
fromnumpyimportgenfromtxt importnumpyasnpy fromsklearnimportdatasets,linear model filepath r g 六西格瑪 第一階段 深度學習基礎 與素材 與素材 2 machinelearning multilinearr...
Tensorflow 2 0 線性回歸案例
本文介紹乙個簡單的線性回歸例子 通過乙個隨機初始點 a1,b1 來擬合y a x b，我們要擬合的函式模型 y 6 x 3.68 如下 匯入必要的模組 import tensorflow as tf import numpy as np 定義要擬合的函式模型 x np.random.rand 100...
多元線性回歸
多元線性回歸的基本原理和基本計算過程與一元線性回歸相同，但由於自變數個數多，計算相當麻煩，一般在實際中應用時都要借助統計軟體。介紹多元線性回歸的一些基本問題。但由於各個自變數的單位可能不一樣，比如說乙個消費水平的關係式中，工資水平 受教育程度 職業 地區 家庭負擔等等因素都會影響到消費水平，而這些影...