金融征信机构无法获取被拒绝贷款的申请者的违约标签,故只能用接受样本搭建信用评分模型,再应用于全局的申请者。实际上接受样本违约率会低于全局样本,这就形成了样本偏差,导致模型在多次迭代后出现严重偏误。拒绝推断（Reject Inference）通过在模型中加入推断的拒绝样本信息,修正在有偏样本上估计参数的偏差。大量实证研究显示,传统和统计的拒绝推断方法在非随机数据缺失机制（MNAR）下的效果非常有限。本文提出了“基于匹配的拒绝推断（psmRI）”和“基于匹配、迭代聚类和自主学习的拒绝推断（psmCSL）”2个半监督拒绝推断方法。首先,基于变量特征和违约倾向得分进行最近邻匹配,筛选出匹配到接受样本的部分拒绝样本。直接用匹配到接受样本的违约标签作为拒绝样本标签,就得到了psmRI方法。其次,将半监督聚类加入自主学习的框架中进行迭代聚类,进一步筛选拒绝样本。最后,将筛选后的无标签的拒绝样本加入有标签的接受样本共同训练,搭建半监督自主学习迭代模型,得到最终的方法psmCSL。模拟部分通过设计不同的数据生成、缺失机制构建人造数据集,设计6组实验,模拟多种可能的借贷场景,对比包含模型各个阶段的5种拒绝推断方法和不进行拒绝推断模型的效果,证明了:拒绝推断适用于样本数据积累较少的新信贷产品;psmCSL方法的有效性;得分匹配普遍优于基于特征的样本匹配。我们采用美国最大的借贷平台Lending Club公开的贷款数据集作实证分析,我们发现基于违约概率进行匹配推断的psmRI取得了最高的AUC、KS,证明了得分匹配的有效性,而基于违约概率和特征的psmCSL取得了最高的准确度和更低的第二类错误率,并通过显著性检验,证明了两个最优方法均显著优于不进行拒绝推断。本文将因果推断中的倾向性得分匹配应用到拒绝推断上,并用自主学习迭代法改进了现有的半监督聚类,模拟和实证均表明我们提出的半监督方法是解决拒绝推断问题的一个有效工具,能帮助银行和其他金融信贷机构进行科学和有效的信用风险管理,提高风险控制能力,对信用评分行业的发展具有一定的参考价值。