除了打开支付宝就可以看见的芝麻信用评分之外，目前，较为权威的第三方信用评分机构包括FICO，Vantage，Experian等，而提供信贷服务的大型银行等往往也会为自己的客户建立评分模型，以便使信用管理工作更加高效且富有针对性。
对于银行来说，建立有效的客户信用评分模型可能比你想象得更重要。比如，一位客户想从某银行申请一笔贷款，究竟是否应该予以批准呢？为了确认客户的还款能力，银行可能需要查验他的个人信息，比如工作情况、收入水平、历史交易行为等；而信用评分模型则是一个信用风险量化的过程，通过可观察到的客户特征变量计算出一个信用分数，评估客户可能的信用风险，并据此将客户归类于不同的风险等级。无论是否已有合适的信用评分模型，最终，银行都会根据获取的信息对客户进行二分类，判断该客户是“好客户”还是“坏客户”，从而对客户申请的信贷等业务选择“批准”或者“拒绝”。
国内多数银行的信用评分模型仍处于建设或更新阶段，这就需要利用大量的历史数据，并寻找合适的预测模型，如logit模型、probit模型等。显然，客户历史数据可以分为两大类：曾经被批准的申请人的信息，和曾经被拒绝的申请人的信息。
被批准的申请人和被拒绝的申请人在信息方面的待遇可谓天壤之别。对于曾经被批准的申请人，银行同时拥有这部分客户的申请信息和过往表现信息，可以充分利用这些数据，判断他们是好客户还是坏客户；然而，对于曾经被拒绝的申请人来说，银行仅仅保留了他们的申请信息，但这样的申请人并没有进一步的信用表现，也就无法判断究竟是好客户还是坏客户。因此，在创建信用评分模型时，这一部分客户样本的数据常常遭到忽略。
一个较为完善而有效的信用评分模型的应用对象，显然应该是未来所有的申请人构成的总体，而仅仅由所有被接受的申请人构成的建模样本显然并不是总体的代表样本，所创建的模型自然也存在缺陷。为了弥补这样的缺失，如何推断那些曾经被拒绝的申请人的好坏定性，并把他们也加入到建模样本中来，已经成为了困扰信用评分领域多年的拒绝推断问题。
那么，为什么拒绝推断问题的研究有助于提升信用评分模型的预测准确性呢？