Bayesian Logistic Regression Models for Credit Scoring by Gregg Webster

Table 4.2 
Summary statistics for the numerical input variables.
Variable 
Minimum Median 
Mean 
Maximum SD 
NAs 
LOAN 
1100.00 
16300.00 
18608.00 
89900.00 
11207.48 
0 
MORTDUE 2063.00 
65019.00 
73761.00 
399550.00 45095.37 
518 
VALUE 
8000.00 
89236.00 
101776.00 855909.00 54728.24 
112 
DEBTINC 0.5245 
34.8183 
33.7799 
203.3121 
7.9514 
1267 
YOJ 
0.000 
7.000 
8.922 
41.000 
7.596 
515 
DEROG 
0.0000 
0.0000 
0.2546 
10.0000 
0.5795 
708 
CLNO 
0.00 
20.00 
21.30 
71.00 
9.39 
222 
DELINQ 
0.0000 
0.0000 
0.4494 
15.0000 
0.8096 
580 
CLAGE 
0.0 
173.5 
179.8 
1168.2 
82.8 
308 
NINQ 
0.000 
1.000 
1.186 
17.000 
1.549777 
510 
NAs represent the number of missing values for each variable. There are many missing 
values in all of the variables except for LOAN. In particular, most of the missing values 
occur in the DEBTINC variable with 1,267 missing values. If all the missing values in the 
data are ignored, the proportion of applicants who defaulted goes down to 8.9%. Because 
there is such a large number of missing values and the proportion of bad applicants 
decreases when they are ignored, an estimation technique was used to estimate the missing 
values.
Bar plots for the categorical variables are given in Figure 4.1.

---

64 
Fig. 4.1 
Bar plots of REASON and JOB.
 
Histograms and box plots for the numerical variables are given in Figures 4.2 to 4.11 
(Histogram on the left-hand-side and box plot on the right-hand-side).