本文针对商业银行处理中小企业贷款申请时所建的信用评分模型进行研究,主要考虑模型的变量选择问题即指标的筛选。模型的变量选择问题不管是从实际建模考虑,还是统计学上都是很重要的问题之一。目前在实际的信用评分建模中常用的一些指标筛选方法主要有：Logistic逐步回归法、信息熵法、假设检验法、列联表分析法,本文简要介绍了其原理,指出这些方法大都是针对低维问题的,对于高维问题效果并不好,从而引入了在统计上处理高维问题有很好的表现并且理论结果已经比较完善的两种方法：Lasso以及Elastic Net,其中Lasso方法是1996年Tibshirani提出的,而Elastic Net方法是Lasso的改进方法,由Hui Zou和Trevor Hastie于2005年提出,本文将对这两种方法的原理及算法进行介绍,通过一个模拟例子说明Elastic Net优于Lasso的地方,然后介绍这两种方法应用于信用评分模型的常用模型Logistic回归模型中进行变量选择,之后重点进行实证分析,利用某商业银行的实际数据比较分析这两种方法与传统的逐步回归法的优劣,比较原则除了基于文中介绍的定量验证部分即从风险区分能力、估计准确性两个方面来进行比较外,还将从经济学角度对选出的指标进行考虑,最后得出的结论是在银行的信用评分模型中,一定条件下利用Lasso方法进行变量选择要优于利用Elastic Net方法和逐步回归方法,因此可以预见Lasso方法在商业银行的信用评分模型中将有重要应用。