https://doi.org/10.1038/494155aCarlson，S.（2017）。信贷市场的动态激励：非洲数字信贷还款决策探索。工作文件。Demirguc Kunt，A.、Klapper，L.、Singer，D.、Van Oudheusden，P.（2014）。全局Findex数据库。世界银行。检索自http://www.worldbank.org/en/programs/globalfindexFrancis，E.、Blumenstock，J.，&Robinson，J.（2017）。数字信贷：当前形势和开放研究问题的快照。CEGA白皮书。FSD。(2016). FinAccess家庭调查。Gonzalez，M.C.、Hidalgo，C.A.、Barabasi，A.-L.（2008）。了解个人人员流动模式。《自然》，453（7196），779–782。https://doi.org/10.1038/nature06958Hand，D.J.（2009）。衡量分类器性能：ROC曲线下区域的一致替代方案。机器学习，77（1），103–123。Isaacman，S.、Becker，R.、Caceres，R.、Kobourov，S.、Martonosi，M.、Rowland，J.、Varshavsky，A.（2011）。从蜂窝网络数据中识别人们生活中的重要位置。K.Lyons、J.Hightower和E.Huang（编辑），《渗透计算》（第6696卷，第133-151页）。斯普林格。恢复fromhttp://www.springerlink.com/content/r14x8r7573738143/abstract/ITU. (2011). 世界电信/信通技术指标数据库。国际电信联盟。Lazer，D.、Kennedy，R.、King，G.、Vespignani，A.（2014）。谷歌流感的寓言：大数据分析中的陷阱。《科学》，343（6176），1203–1205。https://doi.org/10.1126/science.1248506Lu，X.、Wetter，E.、Bharti，N.、Tatem，A.J.、Bengtsson，L.（2013）。接近人类流动的可预测极限。科学报告，3。https://doi.org/10.1038/srep02923Ng，A.（2011年）。通过大脑模拟实现机器学习和人工智能。NPR。(2015). 手机使用如何帮助决定一个人的信誉。上午版。

恢复fromhttps://www.npr.org/2015/08/04/429219691/how-cellphone-usage-can-help-determine-a-person-s-credit-worthinessOnnela，J.-P.、Saram"aki，J.、Hyv"onen，J.、Szabó，G.、Lazer，D.、Kaski，K.，…Barabási，A.-L.（2007）。移动通信网络的结构和连接优势。《美国国家科学院院刊》，104（18），7332–7336。https://doi.org/10.1073/pnas.0610245104Palla，G.、Barabási，A.-L.，&Vicsek，T.（2007）。量化社会群体进化。《自然》，446（7136），664–667。https://doi.org/10.1038/nature05670Pedro，J.S.、Proserpio，D.、Oliver，N.（2015）。MobiScore：通过手机数据实现通用信用评分。《用户建模、自适应和个性化》（第195-207页）。查姆斯普林格。https://doi.org/10.1007/978-3-319-202679_16Soto，V.，Frias Martinez，V.，Virseda，J.，和Frias Martinez，E.（2011）。利用手机记录预测社会经济水平。J.A.Konstan、R.Conejo、J.L.Marzo和N.Oliver（编辑），《用户建模、自适应和个性化》（第377-388页）。施普林格柏林海德堡。https://doi.org/10.1007/978-3-642-22362-4_35Suri，T.，Jack，W.，&Stoker，T.M.（2012）。记录金融经济的诞生。《美国国家科学院院刊》，109（26），10257–10262。https://doi.org/10.1073/pnas.1115843109Totolo，E.（2018年）。肯尼亚的数字信贷革命：五年后的市场需求评估。CGAP。恢复fromhttp://www.findevgateway.org/library/digital-credit-revolution-kenya-assessment-market-demand-5-yearsFigure1：使用保守的随机森林每周集合模型（CDR-W）按借款人接受电话指标的比例计算的违约率。

线条显示多重折叠绘制结果的平均值和功能区标准偏差。资料来源：作者对电信数据的分析。图2：接收机工作特性曲线编辑局使用性能最高的逐步逻辑模型。电话指示器使用保守的随机森林周报模型（CDR-W）。线条显示多重折叠绘制结果的平均值和功能区标准偏差。资料来源：作者对电信数据的分析。图3：按形式化级别划分的绩效（a）时间内（b）时间外1*：一个实体报告，或在信贷局有一个文件，其中可能包括以前的活动，但当前没有实体报告。比较表现最好的局模型（逻辑逐步）和最保守的电话指标模型（CDR-W随机森林）。模型针对所有个体进行训练，但遗漏的褶皱和接收器操作特征曲线（AUC）下的面积针对遗漏褶皱内的个体子集进行报告，并向信贷局报告给定数量的实体。对于样本外估计，该点显示多重折叠绘制结果的平均值和误差条标准偏差。