在风控领域中，一般先对长清单（long list）的变量进行IV值筛选，优先排除高 度相关、趋势异常、解释不易及容易偏移者。经过筛选后的变量集合称为短清单（short list），这个清单即模型的候选变量。在建立模型时可利用顺向进入法（forward selection，也称向前法）、反向排除法（backward elimination，也称向后法）及逐步回归 法（stepwise）等方法选出效果最佳的变量组合。 向前法、向后法、逐步法是线性回归中常用变量选择的方法，在逻辑回归中也可以使用。如 果有同学不清楚可以自行查阅，这里由于篇幅原因就不具体介绍了。

正确答案是：A: 逐步法 B:向前法 C:向后法 D: 综合法

专业分析：

在建立信用评分模型时，变量筛选是一个重要的步骤，以确保模型的简洁性和有效性。常用的变量筛选方法包括：

1. **逐步法（Stepwise Selection）**：
- 逐步法是一种结合了向前选择和向后消除的混合方法。它在每一步都对模型进行调整，既可以添加新的变量，也可以删除已有的变量。
- 优点：可以在一定程度上避免过拟合，同时考虑到所有可能的变量组合。
- 缺点：可能会因为多重共线性等问题导致选择不稳定。

2. **向前法（Forward Selection）**：
- 向前法从一个空模型开始，每一步都添加一个新的变量，直到没有显著的变量可以加入为止。
- 优点：计算过程简单，容易理解。
- 缺点：可能会遗漏一些在多个变量共同作用下才显著的变量。

3. **向后法（Backward Elimination）**：
- 向后法从一个包含所有变量的模型开始，每一步都删除一个不显著的变量，直到所有剩余的变量都是显著的为止。
- 优点：可以考虑所有变量的初始影响。
- 缺点：如果初始模型中包含了很多不相关的变量，计算量可能会很大。

4. **综合法（Combination Method）**：
- 综合法结合了以上几种方法的优点，根据具体情况选择合适的变量筛选策略。
- 优点：灵活性高，可以根据实际需要调整。
- 缺点：需要更多的专业知识和经验来选择和调整方法。

综上所述，所有选项（A、B、C、D）都是常用的变量筛选方法。根据具体的模型需求和数据特点，可以选择最合适的方法进行变量筛选。