目前,银行在开发的信用评分模型时,通常只从被批准的申请者里面获取训练样本,而把贷款审批流程中被拒绝的申请者排除在外。然而,在实际应用中,信用评分模型面对的是全体消费信贷申请者,这一流程会导致获取的样本与真实总体之间存在样本偏差,导致有偏的参数估计。因此必须要考虑拒绝推断,将拒绝样本纳入到评分模型的建立流程中来校正这一偏差,进一步提升评分模型的泛化性能。在进行拒绝推断时,拒绝样本中存在着被错误分类为“坏”客户的申请人,经典的逻辑回归会受到错误样本的干扰,模型的效果变差。为了避免样本有偏和推断错误的问题,本文设计了特殊的拒绝推断机制,先将所有的拒绝样本设定为违约客户,然后利用稳健的逻辑模型对处理拒绝样本中存在分类错误这一问题。该方法通过最小γ散度的估计方法来降低拒绝样本中分类错误的数据在模型建立中的权重,无需对拒绝样本的数据分布进行假设或推断,直接将包含分类错误的拒绝样本纳入到模型建立流程中,使得最终得到的模型具有更为优越的泛化能力。本文的模拟和实证分析也表明,当拒绝样本中存在分类错误时,利用稳健逻辑回归所得到的估计结果更为准确,模型的效果更好。