信用评分模型作为一种有效的信用风险管理工具,在银行等金融机构的信贷决策中起了重要作用。如何提高模型预测准确率并降低错判损失是信用评分研究的核心内容。逻辑回归是信用评分的重要方法,当研究者有多个备选模型时,通常使用模型选择方法选取合适的模型,然后使用选出的模型开展信用评分。作为模型选择的自然延伸,模型平均被认为比模型选择有更好的预测精度。但是现有模型平均估计并不完全适用于信用评分的领域,原因在于这些模型平均估计在构建过程中没有聚焦于错判损失。事实上,把优质客户错判为违约客户付出的代价与把违约客户错判为优质客户的代价是不相等的,通常前者小于后者。在考虑错分损失的框架下,本文构造错分损失函数,在此损失函数估计的框架下构造逻辑回归模型的模型平均法,提出一种新的权重选择方法(聚焦型折刀法模型平均,focused jackknife model averaging,即FJMA)。蒙特卡洛模拟表明,与其他已有的模型选择或者模型平均方法相比,FJMA法能有效降低错判损失。最后,利用所提出的方法分析了一组实际数据,结果表明FJMA具有较好的实际效果。