In Table 1, the correlations betwee

In Table 1, the correlations between different listing variables andthe ‘status’ dummy variable is presented. The pair wise correlationtest was performed with all reasonable variables. Some creditinformation variables were omitted if they suffered from a smalldata sample or if they were too much alike other variables. Thevariables that the borrower can have an influence on have beenpresented in the first four rows of the table. The rest of the rows arecredit information variables, which the borrower cannot influence atleast in the short-run.As a whole, the correlations are relatively small. There are a fewlogical reasons for this. First of all, we have used all the data available.This enables us to see the big picture, but for example the starting rateis very sensitive to the credit grade. For example, a 15% starting ratemight guarantee the success of the listing for an AA grade borrower,but the same starting rate might be too low for an HR grade borrowerto get her listing funded. Therefore, in the full data set the correlationsare lower than when examined one credit grade at a time. Againparticularly the starting rate, i.e. “the price of the loan”, is verysensitive to common market interest rates and risk premiums. Wehave used data from the full two and a half years of time. During thistime the federal interest rate has varied between 2 and 5.25% (FederalReserve [7]). In addition, the recent credit crisis has increased the riskpremiums substantially. Therefore, the correlations would be higher ifwe would look at data from shorter periods of time, where the marketfundamentals would be similar for all listings.The correlation analysis done with the full data set does enable usto compare the significance of different variables. As we can see, thecredit information variables have generally higher correlations thanthe decision variables. This is quite logical, as people with low creditgrades have difficulties in obtaining a loan no matter how high, forexample, the starting rate is. All the correlations are statisticallysignificant, because of the high number of observations. The ‘amountrequested’ and ‘starting rate’ have higher correlations than the‘funding option’ and the ‘duration’. The signs of these correlationsare in line with [9]. A higher starting rate increases the borrowerschances of getting the loan funded (note that Prosper.com auctionmechanism is reversed in the sense that high interest rate is bad forthe borrower, i.e. the seller, and good for bidders). Logically, a higheramount requested decreases the borrower's chances of having asuccessful listing. The funding option “Open for duration”, entered as1 increases the borrower's success probability, as is the case with thelonger duration.Next to the credit grade, the delinquency related variables havethe second highest correlation. The ‘current delinquencies’ seem to bethe most influential of these variables. The ‘homeownership’ showssome correlation and the correlation of ‘debt-to-income ratio’ isrelatively low. This is the case with the variable ‘income’ as well. Allthe signs of the variables are logical.

結果 (繁體中文) 1:

在表1中，不同的列表變量和之間的相關性
的“狀態”虛擬變量被呈現。該成對相關
測試與所有合理的變量進行。一些信用
，如果他們從一個小遭遇信息變量被省略
的數據樣本或者如果他們太相像其他變量。該
變量的借款人可以對已經產生影響
的前四排桌子的呈現。該行的其餘部分是
信貸信息變量，借款人不能影響
在短期內至少。
作為一個整體，相關性相對較小。有幾個
這種邏輯的理由。首先，我們使用所有可用數據。
這使我們看到了大局，但例如啟動率
是對信用等級非常敏感。例如，15％的開動率
可能會保證為AA級借款人的上市成功，
但在同一起跑線率可能過低，對於HR等級借款人
得到她的資助上市。因此，在整個數據集的相關性
比當在一次檢查一個信用等級低。再次
特別啟動速度，即“貸款的價格”，是很
常見的市場利率和風險溢價敏感。我們
已經從整整兩個年半時間中使用的數據。在這段
時間內聯邦利率已經2和5.25％（聯邦之間變化
預訂[7]）。此外，最近的信貸危機，增加了風險
大幅溢價。因此，相關性會更高，如果
我們看一下數據，從較短的時間內，在市場
基本面將是所有目錄類似。
與完整數據集進行相關性分析確實讓我們
比較不同變量的重要性。正如我們所看到的，
信用信息的變量比通常更高的相關
決策變量。這是很符合邏輯，因為人們與低信用
等級在獲得貸款，無論有多高，對於困難的
例子，起始速度。所有的結果都是統計學
顯著因為高若干意見。在'量
要求“和”開動率“具有比更高的相關
的融資選項”和“持續時間”。這些相關性的符號
是與[9]線。在更高的起點率增加了借款人
獲得資助的貸款（注意Prosper.com拍賣的可能性
機制在這個意義上扭轉了高利率是壞的
借款人，即賣家，和良好的投標人）。從邏輯上講，更高的
要求量減少有對借款人的機會
成功上市。這些資金選項“打開的時間”，輸入為
1增加借款人的成功概率，因為是用的情況下，
持續時間較長。
旁邊的信用等級，拖欠相關變量具有
第二高的相關性。“當前拖欠”似乎是
最有影響力的這些變量。在'住房擁有將會顯示
一定的相關性和'債務收入比'的相關性是
相對低的。這與可變收入“，以及情況。所有
變量的標誌是符合邏輯的。

結果 (繁體中文) 2:

在表 1 中，不同的清單變數和
顯示"狀態"虛擬變數。配對智慧相關性
使用所有合理的變數執行測試。一些信用
資訊變數被省略，如果他們遭受一個小
資料示例，或者如果它們與其他變數過於一樣。的
變數，借款人可以有影響已經
顯示在表的前四行中。其餘行是
信用資訊變數，借款人不能影響
至少在短期內。
總體而言，相關性相對較小。有幾個
邏輯原因。首先，我們使用了所有可用的資料。
這使我們能夠看到大局，但例如起始率
對信用等級非常敏感。例如，15% 的啟動率
可能保證AA級借款人成功上市，
但對於HR級借款人來說，同樣的起薪可能太低
讓她的上市資金。因此，在完整資料集中，相關性
低於一次檢查一個學分級時。再次
特別是起拍利率，即"貸款價格"，是非常
對共同市場利率和風險溢價敏感。我們
使用了兩年半的資料。在這期間
聯邦利率在2到5.25%之間變化（聯邦
保留 [7]）。此外，最近的信貸危機增加了風險
保費。因此，如果
我們將看看從較短的時間的資料，其中市場
基本面將類似于所有上市。
使用完整資料集進行的相關分析確實使我們能夠
以比較不同變數的意義。我們可以看到，
信用資訊變數的相關性通常高於
決策變數。這是相當合乎邏輯的，因為低信用的人
等級很難獲得貸款，無論多麼高，
例如，起始速率為。所有相關性都是統計性的
顯著，因為觀測量高。'金額
請求的"起始速率"的相關性高於
"融資選項"和"期限"。這些相關性的跡象
符合 [9]。更高的起始利率增加了借款人
獲得貸款的機會（請注意，Prosper.com拍賣
機制是反向的，在高利率是不好的
借款人，即賣方，並有利於投標人）。從邏輯上講，更高的
請求的金額降低了借款人擁有
成功上市。融資選項"持續時間開放"，輸入為
1 增加了借款人的成功概率，如與
持續時間較長。
在信用等級旁邊，與拖欠相關的變數有
第二高的相關性。"當前拖欠"似乎是
這些變數中最具影響力的。"居者有其屋"顯示
"債務收入比"的一定相關性和相關性是
相對較低。可變"收入"的情況也如此。所有
變數的跡象是合乎邏輯的。

結果 (繁體中文) 3:

在錶1中，不同清單變數與
顯示“status”偽變數。成對相關
用所有合理的變數進行測試。一些功勞
如果資訊變數
數據樣本或如果它們太相似，其他變數。這個
借款人可能影響的變數
在錶的前四行中顯示。其餘的行是
借款人不能影響的信貸資訊變數
至少在短期內。
總體而言，相關性相對較小。有幾個
這是合乎邏輯的。首先，我們使用了所有可用的數據。
這使我們能够看到大局，但舉例來說
對信用等級非常敏感。例如，15%的起價
可能保證AA級借款人成功上市，
但同樣的起始利率對於人力資源級別的借款人來說可能太低了
為她的上市融資。囙此，在完整的數據集中，相關性
低於一次考試一個學分。阿蓋恩
特別是起始利率，即“貸款價格”，非常
對共同市場利率和風險溢價敏感。我們
使用了整整兩年半的數據。在此期間
聯邦利率在2到5.25%之間變化的時間（聯邦
儲備[7]）。此外，最近的信貸危機新增了風險
保險費。囙此，如果
我們將從較短時間段的數據來看，市場
所有上市公司的基本面都是相似的。
使用完整數据集進行的相關性分析確實使我們能够
比較不同變數的顯著性。如我們所見
信用資訊變數的相關性通常高於
決策變數。這是很合乎邏輯的，因為低信用的人
無論貸款有多高，成績都很難獲得，因為
例如，起價是。所有的相關性都是統計上的
很重要，因為觀察的次數很多。“金額”
“請求的”和“啟動率”的相關性高於
“融資選項”和“期限”。這些相關性的迹象
與[9]一致。更高的起價會新增借貸者
獲得貸款資金的機會（注意Prosper.com拍賣
在高利率不利於
借款人，即賣方，對投標人有利）。從邏輯上講，更高的
要求的金額减少了借款人
成功上市。融資選項“持續開放”，輸入為
1新增了借款人的成功概率，就像
持續時間更長。
在信用等級旁邊，與拖欠相關的變數有
第二高的相關性。“當前的拖欠”似乎是
這些變數中影響最大的。“房主”秀
“債務與收入比率”的相關性為
相對較低。可變“收入”也是如此。全部
變數的符號是合乎邏輯的。