在信用分析模型中，评估和选择模型是非常重要的步骤，可以通过以下方法和指标进行：
方法：
ROC曲线（Receiver Operating Characteristic curve）：ROC曲线能够直观地展现模型的分类性能，通过计算曲线下的面积（AUC值）来评估模型的准确性。混淆矩阵（Confusion Matrix）：混淆矩阵可以展示模型在不同类别下的分类情况，包括真正例、假正例、真负例和假负例，从而计算出准确率、召回率、精准率等指标。K-S统计量（Kolmogorov-Smirnov Statistic）：K-S统计量用于衡量模型在对好坏客户进行排序时的能力，通过计算累积分布函数的最大差值来评估模型的区分能力。留存样本验证（Holdout Validation）：将数据集分为训练集和测试集，通过训练集构建模型，再通过测试集验证模型的泛化能力。
指标：
AUC（Area Under the Curve）：AUC值越接近1，说明模型的分类性能越好。准确率（Accuracy）：模型预测正确的样本数占总样本数的比例。召回率（Recall）：所有真实正例中被模型预测为正例的比例，也被称为灵敏度。精准率（Precision）：所有被模型预测为正例中真实正例的比例。F1值（F1 Score）：综合考虑了精准率和召回率，是精准率和召回率的调和平均值。
在实际应用中，管理者可以通过比较不同模型的AUC值、混淆矩阵、K-S统计量等指标来选择最适合的模型。同时，也可以通过留存样本验证等方法来验证模型的泛化能力，确保模型在未知数据上的预测效果。