Xử lý dữ liệu với SPSS - Hồ Thanh Trí

82 hộ gia đình ở An
Giang trong năm 2008, hàm hồi quy Binary Logistic về các
yếu tố ảnh hưởng đến nghèo như sau:
Mô hình định lượng
 Bảng 1: Giải thích các biến trong mô hình
Biến phụ thuộc 
Tên biến 
Giải thích nội dung biến 
Nguồn số 
liệu 
Kỳ vọng 
dấu hệ số 
hồi quy 
DANGHO Biến giả (dummy), nhận giá trị 1 nếu 
hộ thuộc diện nghèo và nhận giá trị 0 
nếu hộ thuộc diện không nghèo 
Điều tra 
BIẾN ĐỘC LẬP 
Tên biến 
Giải thích nội dung biến 
Nguồn số 
liệu 
Kỳ vọng 
dấu hệ số 
hồi quy 
DTOC Biến giả, nhận giá trị 1 nếu hộ là 
người Khmer và nhận giá trị 0 nếu 
hộ là người Kinh Hoa. 
Điều tra + 
GTINH Biến giả, nhận giá trị 1 nếu chủ hộ 
thuộc giới nam và nhận giá trị 0 cho 
trường hợp thuộc giới nữ. 
Điều tra - 
HOCVAN Số năm đi học của chủ hộ Điều tra - 
PTHUOC 
Tổng số người trên 15 tuổi mà 
không tạo ra được thu nhập trong hộ 
gia đình. 
 + 
NGHE 
Biến giả, nhận giá trị 0 nếu chủ hộ 
làm việc liên quan tới nghề nông hay 
nhận giá trị 1 nếu chủ hộ làm việc 
trong các ngành phi nông nghiệp. 
 - 
KCACH Số Km từ nhà hộ gia đình đến chợ 
mà người dân có thể mua bán. 
 + 
DUONGOTO 
Biến giả, nhận giá trị 1 nếu hộ có 
đường ô tô đến tận nhà và nhận giá 
trị 0 nếu hộ không có đường ô tô đến 
nhà. 
 - 
LAMXA 
Biến giả, nhận giá trị 1 nếu hộ có 
người đi làm xa và nhận giá trị 0 nếu 
hộ không có người đi làm xa. 
 - 
DTICH Diện tích đất mà hộ gia đình canh 
tác (1000 m2) 
 - 
COVAY 
Biến giả, nhận giá trị 1 nếu hộ có 
vay và nhận giá trị 0 nếu hộ không 
có vay từ các tổ chức tín dụng chính 
thức 
 - 
PHÂN TÍCH MÔ HÌNH DỰA TRÊN 
CHƯƠNG TRÌNH SPSS
 Dữ liệu và nhập vào SPSS
 Số liệu điều tra 182 hộ gia đình ở An Giang năm 2008 (Phụ lục 3.1.1)
 Sử dụng chương trình SPSS 18.0
 Vào giao diện SPSS/Nhập dữ liệu vào SPSS. Kết quả như sau:
 Nhập dự liệu vào mô hình hồi quy Binary Logistic
 Analyze/ Regression/ Binary Logistic, sẽ xuất hiện hộp thoại
 Đưa biến DANGHO vào hộp thoại Dependent (biến phụ
thuộc). Đưa các biến còn lại vào Covariates (biến độc lập).
 Chọn hộp thoại Save. Kết quả như sau:
Chọn các bảng số
liệu cần thiết,
Copy và Paste qua
giao diện Excel
hoặc World để
phân tích
1. Phân tích các kiểm định.
 Kiểm định hệ số hồi quy
Phân tích hồi quy Binary Logistic
 Các biến trong mô hình (Variables in the Equation) 
 B S.E. Wald df Sig. Exp(B) 95% C.I.for EXP(B) 
Lower Upper 
Step 1a 
DANTOC 1.528 .580 6.952 1 .008 4.609 1.480 14.352 
GIOITINH -.558 .492 1.286 1 .257 .572 .218 1.502 
HOCVAN -.326 .099 10.739 1 .001 .722 .594 .877 
PHUTHUOC .227 .241 .888 1 .346 1.255 .783 2.012 
NGHE -1.951 .669 8.493 1 .004 .142 .038 .528 
KCACH .188 .166 1.276 1 .259 1.206 .871 1.670 
DUONG -1.368 .516 7.025 1 .008 .255 .093 .700 
LAMXA -1.689 1.019 2.746 1 .097 .185 .025 1.361 
DIENTICH .015 .028 .275 1 .600 1.015 .961 1.071 
COVAY -2.238 .594 14.195 1 .000 .107 .033 .342 
Constant .798 .644 1.536 1 .215 2.222 
a. Variable(s) entered on step 1: DANTOC, GIOITINH, HOCVAN, PHUTHUOC, NGHE, KCACH, DUONG, 
LAMXA, DIENTICH, COVAY. 
 Biến DANTOC có Sig = 0,008 < 0,01. Do đó, biến
DANTOC tương quan có ý nghĩa với biến DANGHO với độ
tin cậy 99%.
 Biến GIOITINH có Sig = 0,257 > 0,05. Do đó, biến
GIOITINH tương quan không có ý nghĩa với biến
DANGHO với độ tin cậy 95%.
 .
 Kiểm định mức độ phù hợp của mô hình.
Phân loại dự báo (Classification Table)
Classification Table
a 
 Observed Predicted 
 Hộ nghèo và không nghèo Percentage Correct 
 không nghèo nghèo 
Step 1 
Hộ nghèo và 
không nghèo 
không nghèo 111 18 86.0 
nghèo 21 32 60.4 
Overall Percentage 78.6 
Với 132 hộ không nghèo (xem theo cột) mô hình dự đoán đúng 111 hộ (xem 
theo hàng), vậy tỷ lệ đúng là 86%. Còn 50 hộ nghèo, mô hình dự đoán sai 18 
hộ, tỷ lệ đúng là 60,4%. Do đó tỷ lệ dự báo đúng của toàn bộ mô hình là 
78,6%. 
- Mức độ phù hợp của mô hình 
Kiểm định Omnibus đối với các hệ số của mô hình 
(Omnibus Tests of Model Coefficients) 
Omnibus Tests of Model Coefficients 
 Chi-square df Sig. 
Step 1 
Step 86.154 10 .000 
Block 86.154 10 .000 
Model 86.154 10 .000 
Kiểm định Omnibus cho thấy Sig < 0,01 (độ tin cậy 99%). Như vậy các biến 
độc lập có quan hệ tuyến tính với biến phụ thuộc trong tổng thể. Nói cách khác, 
mô hình lựa chọn là phù hợp tốt. 
Thông qua các kiểm định, có thể khẳng định: Các yếu tố ảnh
hưởng đến nghèo theo thứ tự tầm quan trọng là thành phần dân
tộc, vay tiền từ định chế tín dụng chính thức, nhà gần đường ô
tô, làm việc ở khu vực phi nông nghiệp và trình độ văn hóa
của chủ hộ.
Gợi ý chính sách:
 Cần có chính sách giảm nghèo riêng cho người dân tộc thiểu
số.
 Phát triển ngành nghề dịch vụ ở nông thôn.
 Mở rộng hoạt động tín dụng cho người nghèo.
 Phát triển cơ sở hạ tầng nông thôn, nhất là đường nông thôn.
 Nâng cao trình độ văn hóa cho người dân nông thôn.
Kết luận:
 Vận dụng mô hình hồi quy Binary Logistic phân tích các
nhân tố ảnh hưởng đến quyết định cho vay của ngân
hàng thương mại cổ phần.chi nhánh
Đề tài gợi ý
1. Lựa chọn biến số
Với mô hình hồi quy Binary Logistic cần phải xác định biến nào là 
biến độc lập và biến phụ thuộc. Các biến được lựa chọn như sau:
a)Biến phụ thuộc
Trong nghiên cứu này biến phụ thuộc (Y) được lựa chọn như sau
Y = 1 nếu KH có khả năng đảm bảo trả nợ
Y = 0 nếu KH không có khả năng trả được toàn bộ nợ
b)Biến độc lập
Đề tài: Xây dựng mô hình logistic về khả
năng trả nợ của khách hàng. NC trường
hợp ngân hàng.
Bảng 2.10: Biến độc lập sử dụng trong nghiên cứu
STT Chỉ tiêu Thang đo Giả thiết Ký hiệu
1 Giới tính 1: Nam – 0: Nữ +/- Gioitinh
2 Tuổi Tuổi - Tuoi
3 Trình độ học vấn 1: Dưới TH
2: TH
3: ĐH
4: Trên ĐH
+/- TĐHV
4 Tính chất công việc 1: Cấp quản lý
2: Cấp chuyên viên, kinh doanh có đăng ký
3: Lao động được đào tạo, công nhân, kinh doanh tự do 
4: Lao động thời vụ, thất nghiệp, nghỉ hưu
+/- TCCV
5 Tình trạng hôn nhân 1: Kết hôn – 0: độc thân - Honnhan
6 Tình trạng nhà ở 1: Sở hữu riêng
2: Sống chung với cha mẹ
3: Thuê
- TTNO
7 Thời gian làm công việc hiện tại Tháng + Thoigianlamviec
8 Số người phụ thuộc Người - Songuoiphuthuoc
9 Lịch sử tín dụng 1: Có nợ – 0: Không có thông tin - LichsuTD
10 Số dịch vụ sử dụng Số dịch vụ + Sodichvu
11 Thu nhập hàng tháng Triệu đồng + Thunhap
12 Tiết kiệm hàng tháng Triệu đồng + Tietkiem
13 Số tiền vay Triệu đồng - Tienvay
14 Giá trị tài sản đảm bảo Triệu đồng + Taisan
2. Phân tích thống kê mô tả
(Nguồn: Số liệu tính toán từ dữ liệu của Ngân hàng TMCP Sài Gòn)
Với bảng 2.11, số liệu khách hàng không có khả năng trả nợ là 19,38%
và 80,62% khách hàng có đủ khả năng trả nợ. Ngoài ra, đề tài cũng
thống kê mô tả toàn bộ dữ liệu và cho ra các thông số sau:
Bảng 2.11: Phân loại khách hàng theo khả năng trả nợ
Nhóm (Y) Số lượng Tỷ trọng
0 31 19,38%
1 129 80,62%
Tổng 160 100%
Bảng 2.12: Số liệu thống kê mô tả mẫu nghiên cứu
Biến độc lập Trung bình Mode Độ lệch Maximum Minimum
Giới tính 0.49 0.00 0.50 0.00 1.00
Tuổi 44.99 43a 10.65 24.00 77.00
Trình độ học vấn 2.24 2.00 0.69 1.00 4.00
Tính chất công việc 2.33 2.00 0.78 1.00 4.00
Tình trạng hôn nhân 0.86 1.00 0.35 0.00 1.00
Tình trạng nhà ở 1.18 1.00 0.50 1.00 3.00
Thời gian làm việc 70.66 61.00 44.75 6.00 395.00
Số người phụ thuộc 1.06 0.00 0.99 0.00 3.00
Lịch sử tín dụng 0.49 0.00 0.50 0.00 1.00
Số dịch vụ đang sử dụng 0.77 1.00 0.55 0.00 2.00
Thu nhập hàng tháng 21.48 8.00 27.60 4.00 225.00
Tiết kiệm hàng tháng 15.80 4.00 26.13 1.50 215.00
Số tiền vay 473.97 100.00 865.73 30.00 6000.00
Giá trị tài sản 1343.91 160.00 1709.50 82.98 9446.08
Tỷ lệ nợ trên tổng tài sản 0.36 0.5000a 0.20 0.03 0.70
3. Phân tích tương quan
Xem xét mối tương quan của các biến (định lượng) đưa vào mô hình. 
Nếu hệ số tương quan cặp > 0.8 thì sẽ dẫn đến hiện tượng đa cộng 
tuyến nếu đưa các biến này vào mô hình.
Bảng 2.13: Hệ số tương quan cặp các biến định lượng đưa vào mô hình
Tuổi
Thời gian 
làm việc
Thu nhập 
hàng tháng
Tiết kiệm 
hàng tháng
Số tiền vay Giá trị tài sản
Tỷ lệ nợ trên 
tổng tài sản
Tuổi
Hệ số 
tương quan cặp
1
Sig. (2-tailed)
Thời gian làm việc
Hệ số 
tương quan cặp
0.324** 1
Sig. (2-tailed) 0.000
Thu nhập hàng tháng
Hệ số 
tương quan cặp
-0.003 0.050 1
Sig. (2-tailed) 0.973 0.528
Tiết kiệm hàng tháng
Hệ số 
tương quan cặp
-0.015 0.037 0.994** 1
Sig. (2-tailed) 0.854 0.643 0.000
Số tiền vay
Hệ số 
tương quan cặp
-0.055 0.052 0.498** 0.461** 1
Sig. (2-tailed) 0.487 0.515 0.000 0.000
Giá trị tài sản
Hệ số 
tương quan cặp
0.064 -0.038 0.409** 0.382** 0.751** 1
Sig. (2-tailed) 0.424 0.636 0.000 0.000 0.000
Tỷ lệ nợ trên tổng tài sản
Hệ số 
tương quan cặp
-0.238** 0.119 0.373** 0.351** 0.428** 0.013 1
Sig. (2-tailed) 0.002 0.133 0.000 0.000 0.000 0.874
 Theo kết quả bảng 2.13 thể hiện 2 biến thu nhập hàng tháng và tiết
kiệm có sự tương quan chặt với nhau (hệ số tương quan = 0.994 > 0.8).
Điều này cho thấy nếu cùng đưa 2 biến này vào mô hình thì sẽ xảy ra
hiện tượng đa cộng tuyến.
 Tuy nhiên, theo Ramanathan (2003), đa cộng tuyến có thể không ảnh
hưởng đến khả năng dự báo của mô hình và thậm chí có thể cải thiện
khả năng dự báo. Có 2 cách xử lý vấn đề này là vẫn đưa biến vào mô
hình để tăng khả năng dự báo hoặc loại bỏ 1 trong 2 biến trên.
4. Ước lượng mô hình hồi quy
Mô hình 1: Sử dụng phần mềm thống kê SPSS với phương pháp Enter,
đưa tất cả 15 biến vào mô hình, ta được mô hình 1.
Mô hình 2: được ước lượng bằng cách loại bỏ những biến có mức ý
nghĩa Sig > 0.25 (mức ý nghĩa dành cho mô hình dự báo) từ mô hình 1.
Bảng 2.14: Kết quả ước lượng hồi quy Binary Logistic của các mô hình
Biến Giả thiết
Mô hình 1 Mô hình 2
β Sig. β Sig.
Gioitinh +/- 0.704 0.348
Tuoi - 0.084 0.079 0.097 0.020
TĐHV +/- -1.277 0.089
TCCV +/- -1.993 0.008 -1.259 0.017
Honnhan - 2.683 0.024 1.909 0.032
TTNO - -0.260 0.740
Thoigianlamviec + -0.023 0.065 -0.020 0.047
Songuoiphuthuoc - -0.690 0.129
LichsuTD - -0.483 0.526
Sodichvu + 1.449 0.018 1.138 0.033
Thunhap + 0.672 0.050 0.585 0.000
Tietkiem + -0.141 0.744
Tienvay - -0.014 0.000 -0.013 0.000
Taisan + 0.004 0.002 0.003 0.007
TLNTTS - 10.727 0.002 8.193 0.006
Constant -4.568 0.217 -8.739 0.001
OB 0.000 0.000
Độ chính xác 94.40% 90.60%
- 2LL 67.96% 74.69%
McFadden R-squared 38.64% 17.51%
Likelihood ratio 33.98% 37.35%
Nhận xét chung
 Cả hai mô hình đều có độ phù hợp tổng quát với mức ý nghĩa quan 
sát (Sig. OB = 0.00 < α).
 Độ chính xác của kết quả dự báo của hai mô hình rất cao lần lượt là: 
94.40%, 90.60%.
 Giá trị “McFadden R-squared” từ ước lượng hồi quy Binary Logistic 
của hai mô hình lần lượt là: 38.64%, 17.51% sự biến động của xác suất 
trả được nợ của khách hàng.
 Về kiểm định -2LL không cao lắm, điều này thể hiện một độ phù hợp 
khá tốt của mô hình tổng thể.
5. Đề xuất mô hình xếp hạng tín dụng cá nhân cho Ngân hàng
TMCP Sài Gòn
 Mô hình 2 đảm bảo tất cả các hệ số hồi quy tìm được trong mô hình
đều có ý nghĩa. Trong mô hình cũng không có hiện tượng đa cộng
tuyến giữa biến thunhap và tietkiem (đã loại này ra khỏi mô hình 1 do
biến tietkiem không có ý nghĩa thống kê vì có số Sig lớn 0.744).
 Ta có thể nhận thấy về chỉ tiêu thống kê về mức độ phù hợp mô hình,
mức độ chính xác của dự báo thì mô hình 2 là vượt trội nhất, thích hợp
cho mô hình XHTD. Vì vậy, tác giả xin đề xuất mô hình 2 là mô hình
XHTD cá nhân cho Ngân hàng TMCP Sài Gòn.
Tiến hành phân tích và nhận xét mô hình 2:
Độ phù hợp mô hình 2:
 Kết quả kiểm định giả thuyết về độ phù hợp tổng quát ở Bảng 2.15 có
mức ý nghĩa quan sát (Sig. OB = 0.00 < α) nên an toàn ta có thể bác bỏ
giả thuyết: H0: β2 = β2 = β4 = β5 = β7 = β10 = β11 = β12 = β13 = β14 = β15
= 0
Bảng 2.15: Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1
Step 82.629 9 0.000
Block 82.629 9 0.000
Model 82.629 9 0.000
Bảng 2.16 cho thấy giá trị của – 2LL = 74.668 không cao lắm, như vậy
nó thể hiện một độ phù hợp khá tốt của mô hình tổng thể.
Bảng 2.16: Model Summary
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square
1 74.688a 0.403 0.644
a. Estimation terminated at iteration number 9 because parameter estimates changed by less 
than .001.
Mức độ chính xác của dự báo
Mức độ chính xác của dự báo được thể hiện qua bảng Classification
Table (Bảng 2.17)
Bảng này cho thấy trong 26 trường hợp thực tế là không trả được nợ mô
hình đã dự đoán trúng 21 trường hợp, tỷ lệ trúng là 67.7%. Còn 134
trường hợp thưc tế có trả được nợ mô hình dự đoán sai 10 trường hợp, tỷ
lệ trúng là 96.1%. Từ đó ta tính được tỷ lệ dự đoán đúng toàn bộ mô hình
là 90.6%
Bảng 2.17: Classification Tablea
Observed
Predicted
Khả năng trả nợ
Percentage 
CorrectKhông có 
khả năng trả nợ
Có khả năng
trả nợ
Step 1
Khả năng
trả nợ
Không có
khả năng trả nợ
21 10 67.7
Có khả năng 
trả nợ
5 124 96.1
Overall Percentage 90.6
a. The cut value is .500
Kiểm định ý nghĩa của các hệ số hồi quy tổng thể
Bảng 2.18: Variables in the Equation
B S.E. Wald df Sig.
Step 1a
Gioitinh .704 .750 .880 1 .348
Tuoi .084 .048 3.084 1 .079
TĐHV -1.277 .751 2.890 1 .089
TCCV -1.993 .745 7.149 1 .008
Honnhan 2.683 1.189 5.095 1 .024
TTNO -.260 .786 .110 1 .740
Thoigianlamviec -.023 .013 3.407 1 .065
Songuoiphuthuoc -.690 .455 2.302 1 .129
LichsuTD -.483 .762 .402 1 .526
Sodichvu 1.449 .610 5.641 1 .018
Thunhap .672 .343 3.834 1 .050
Tietkiem -.141 .431 .106 1 .744
Tienvay -.014 .003 17.191 1 .000
Taisan .004 .001 9.589 1 .002
TLNTTS 10.727 3.540 9.181 1 .002
Kiểm định Wald về ý nghĩa cũa hệ số hồi quy tổng thể của các biến
tuổi, tính chất công việc, hôn nhân, thời gian làm việc, số dịch vụ,
thu nhập, tiền vay, tài sản, tỷ lệ dư nợ vay trên tổng giá trị tài sản đều
có mức ý nghĩa sig. nhỏ hơn 0.05 nên ta an toàn bác bỏ giả thuyết
H0: β2 = β2 = β4 = β5 = β7 = β10 = β11 = β12 = β13 = β14 = β15 = 0
Như vậy, các hệ số hồi quy tìm được có ý nghĩa và mô hình đưa ra sử
dụng tốt.
Từ các hệ số hồi quy này ta viết được phương trình
Log e [
𝑃 ( 𝑌 = 1)
𝑃 ( 𝑌=0 )
] = - 8.793 + 0.097 tuoi – 1.259 TCCV + 1.259 honnhan
– 0.020 thoigianlamviec + 1.138 sodichvu + 0.585 thunhap – 0.013
tienvay + 0.003 taisan + 8.193 TLNTTS. (1.1)
Có thể diễn dịch ý nghĩa của các hệ số hồi quy Binary Logistic là:
Hệ số hồi quy Tuổi (Tuoi): khi hệ số Tuổi làm tăng khả năng trả nợ
của khách hàng. Điều này có thể lý giải trong thực tế là các ngân
hàng e ngại cho những khách hàng trẻ vay sợ rủi ro, cho các khách
hàng lớn tuổi vay ít rủi ro hơn.
Tính chất công việc (TCCV): khi hệ số tính chất công việc càng lớn
(khách hàng không có khả năng trả nợ càng cao. Trên thực tế, biến
tính chất công việc tác giả phân loại thành 4 nhóm: Cấp quản lý;
cấp chuyên viên hay kinh doanh có đăng ký; lao động được đào tạo,
công nhân, kinh doanh tự do; lao động thời vụ, thất nghiệp, nghỉ
hưu. Điều này cho thấy rằng những khách hàng càng có địa vị, chức
vụ hay những khách hàng kinh doanh có đăng ký thì thường có một
công việc cũng như mức thu nhập ổn định và có khả năng trả nợ
cao hơn hai nhóm tính chất công việc còn lại.
 Tình trạng hôn nhân (Honnhan): kết quả kiểm định mô hình cho thấy
các khách hàng đã lập gia đình có ít rủi ro và có nhiều uy tín tín dụng,
vì họ có trách nhiệm hơn người độc thân. Một yếu tố khác có thể làm
cho những người đã lập gia đình có nhiều uy tín tín dụng hơn là thu
nhập gấp đôi.
 Thời gian làm công việc hiện tại (Thoigianlamviec): hệ số thời gian
làm việc càng cao càng có khả năng trả nợ. Khi có thâm niên công việc
hiện tại, thì thường có thu nhập cao hơn.
 Số dịch vụ đang sử dụng (Sodichvu): khách hàng càng sử dụng nhiều
dịch vụ của ngân hàng chứng tỏ khách hàng có mối quan hệ thân thiết
và uy tín với ngân hàng.
 Thu nhập hàng tháng (Thunhap): hệ số thu nhập càng cao khả năng trả
nợ càng cao và tăng theo tỷ lệ tương ứng với mức thu nhập. Thu nhập
thường được sử dụng đại diện cho sự giàu có về tài chính và khả năng
trả nợ của người vay (Đinh & Kleimeier, 2007).
 Số tiền vay (Tienvay): khi khoản vay càng tăng, khả năng trả nợ của
khách sẽ giảm.
 Giá trị tài sản (Taisan): tài sản thế chấp là một hình thức đảm bảo cho khoản
vay của khách hàng. Đặc biệt, đối với các khoản vay sử dụng tài sản thế chấp
là nhà ở, xác suất không trả nợ là rất thấp vì do người đi vay không muốn
mất nhà của họ và đồng thời tài sản thế chấp này cũng làm giảm rủi ro của
ngân hàng. Giá trị tài sản thế chấp cũng có thể nói lên sự giàu có về tài chính
của khách hàng vì nó có mối tương quan đáng kể với thu nhập của khách
hàng vay (Đinh & Kleimeier, 2007).
 Tỷ lệ nợ trên tổng tài sản (TLNTTS): kết quả kiểm định mô hình cho thấy tỷ
lệ nợ trên tổng tài sản càng cao khả năng trả nợ càng cao (trái dấu với giả
thuyết). Điều này có thể giải thích, giá trị tài sản thế chấp có thể nói lên sự
giàu có về tài chính của khách hàng vì nó có mối tương quan đáng kể với thu
nhập của khách hàng vay (Đinh & Kleimeier, 2007) nên những khách hàng
có giá trị tài sản thế chấp và mức thu nhập càng cao thì nhu cầu chi tiêu tiêu
dùng trong đời sống xã hội càng cao nên họ thường vay ngân hàng với số
tiền vay lớn cho các mục đích tiêu dùng khác nhau (sửa chữa, mua nhà, mua
ôtô, bổ sung vốn kinh doanh.), làm cho tỷ lệ nợ trên tổng tài sản càng cao.
Tổng giá trị tài sản càng cao thì người vay càng có trách nhiệm với khoản
vay của mình và thiện chí trả nợ cũng sẽ cao hơn.
 Ta có thể hoàn thiện hệ thống đánh giá xếp hạng tín dụng cá nhân 
dựa trên dự đoán xác suất được thực hiện thông qua hàm hồi quy 
Binary Logistic ước lượng từ mẫu trên.
 Năm hạng mức tín nhiệm cũng được đưa ra A, A1, B, B1, C dựa trên 5 
loại khách hàng mà ngân hàng TMCP Sài Gòn đang áp dụng, tương 
ứng với xác suất trả nợ theo bảng sau:
Bảng 2.19: Tiêu chuẩn phân bổ cá thể theo mức rủi ro
Loại hiện tại Xếp hạng tín nhiệm Xác suất trả nợ (%) Mức độ rủi ro
1 A 91 – 100 Rất thấp
2 A1 90 – 75 Thấp
3 B 74 – 65 Trung Bình
4 B1 64 – 35 Cao
5 C 34 – 0 Rất cao
Ví dụ: Chấm điểm xếp hạng tín dụng cá nhân 
Khách hàng Nguyễn Văn A (Kết quả xếp hạng A1, điểm tín dụng 315 
điểm)
Vận dụng mô hình Binary Logistic 
cho mục đích dự báo 
Bảng 2.20: Thông tin xếp hạng khách hàng Nguyễn Văn A
Chỉ tiêu Thông tin Hệ số Hằng số
Tuổi 42 0.097 -8.739
Tính chất công việc 2 -1.259
Hôn nhân 1 1.909
Thời gian làm việc 125 -0.02
Số dịch vụ 1 1.138
Thu nhập 11 0.585
Tiền vay 173 -0.013
Tài sản 709 0.003
Tỷ lệ nợ trên tổng tài sản 0.2434 8.193
 Xác suất trả nợ của khách hàng Nguyễn Văn A là:
E(Y/X)=
𝑒−8.739+0.097∗42−1.259∗2+1.909∗1−0.02∗125+1.138∗1+0.585∗11−0.013∗173+0.003∗709+8.193∗0.2434
1+𝑒−8.739+0.097∗42−1.259∗2+1.909∗1−0.02∗125+1.138∗1+0.585∗11−0.013∗173+0.003∗709+8.193∗0.2434
=
5.318
1+5.318
= 0.8417
Như vậy, mô hình Binary Logistic dự đoán khả năng trả nợ của khách hàng
Nguyễn Văn A là 84.17%. Theo quy định trong bảng 2.18 thì xác suất trả nợ
của khách hàng tương ứng với mức rủi ro A1 phù hợp với mức xếp hạng trong
dữ liệu. Như vậy, khi ngân hàng cho khách hàng Nguyễn Văn A vay thì khả
năng thu hồi nợ cao.
Khách hàng Nguyễn Thị B (Kết quả xếp hạng B, điểm tín dụng 285 điểm)
 Xác suất trả nợ của khách hàng Nguyễn Thị B là:
E(Y/X) = 
𝑒−8.739+0.097∗48−1.259∗3+1.909∗1−0.02∗128+1.138∗1+0.585∗8−0.013∗60+0.003∗130+8.193∗0.4604
1+𝑒−8.739+0.097∗48−1.259∗3+1.909∗1−0.02∗128+1.138∗1+0.585∗8−0.013∗60+0.003∗130+8.193∗0.4604
= 
1.992
1+1.992
= 0.6658
Bảng 2.21: Thông tin xếp hạng khách hàng Nguyễn Thị B
Chỉ tiêu Thông tin Hệ số Hằng số
Tuổi 48 0.097 -8.739
Tính chất công việc 3 -1.259
Hôn nhân 1 1.909
Thời gian làm việc 128 -0.02
Số dịch vụ 1 1.138
Thu nhập 8 0.585
Tiền vay 60 -0.013
Tài sản 130 0.003
Tỷ lệ nợ trên tổng tài sản 0.4604 8.193
Như vậy, mô hình Binary Logistic dự đoán khả năng trả nợ
của khách hàng Nguyễn Văn A là 66.58%. Theo quy định
trong bảng 2.18 thì xác suất trả nợ của khách hàng tương
ứng với mức rủi ro B phù hợp với mức xếp hạng trong dữ
liệu. Như vậy, khi ngân hàng cho khách hàng Nguyễn Văn
A vay thì khả năng thu hồi nợ cao.
THANKS