幸存者偏差校验：定义与成因、在信贷违约模型中的表现、校验方法

2.1 幸存者偏差的定义与核心成因

幸存者偏差（Survivorship Bias）是指建模样本仅包含“存活”下来的个体，而忽略了已经“消亡”的个体，导致模型对真实总体分布产生系统性高估或低估。在金融风控领域，这一偏差尤为隐蔽且破坏力极强。

幸存者偏差的三大典型成因：

• 数据归档策略：信贷系统定期清理结清/核销账户，仅保留活跃账户用于模型开发。
• 样本窗口截断：建模时仅选取“观察期末仍存续”的客户，未包含观察期内已违约或提前结清的客户。
• 业务筛选惯性：仅对“通过审批”的客户建模，完全忽略被拒绝的申请人群（拒绝推断问题与此相关但更极端）。

2.2 在信贷违约模型中的具体表现

幸存者偏差在信贷违约模型中的影响可通过以下维度量化观察：

2.3 校验方法：对比存活/消亡样本特征分布

校验幸存者偏差的核心思路是：将建模样本（存活）与因违约/注销等原因被排除的样本（消亡）进行系统性特征分布对比。以下为标准化校验流程：

2.3.1 样本划分与数据准备

• 存活样本（S）：观察期末仍处于正常履约状态的账户。
• 消亡样本（D）：观察期内发生违约、核销、提前结清或账户关闭的账户。
• 关键字段对齐：确保两套样本在相同时间窗口内提取特征，避免时间漂移干扰。

2.3.2 分布对比指标体系

2.3.3 可视化对比方法

• 双密度叠加图：将存活与消亡样本在同一特征维度上的概率密度曲线叠加，直观观察分布偏移。
• 分位数-分位数图（Q-Q Plot）：检验两样本是否来自同一分布。
• 特征重要性排序对比：分别训练存活/消亡样本的轻量模型，对比特征排序一致性。

2.3.4 量化校验步骤（Python 伪代码示例）

import pandas as pd
import numpy as np
from scipy.stats import ks_2samp, chi2_contingency

# 步骤1：加载存活样本与消亡样本
df_survive = pd.read_parquet('survive_sample.parquet')
df_dead = pd.read_parquet('dead_sample.parquet')

# 步骤2：标记样本来源
df_survive['sample_type'] = 'survive'
df_dead['sample_type'] = 'dead'
df_combined = pd.concat([df_survive, df_dead], ignore_index=True)

# 步骤3：连续变量 KS 检验
features_cont = ['income_debt_ratio', 'credit_limit_util', 'age', 'loan_amount']
results = []
for feat in features_cont:
    stat, p_value = ks_2samp(
        df_survive[feat].dropna(),
        df_dead[feat].dropna()
    )
    results.append({
        'feature': feat,
        'ks_stat': round(stat, 4),
        'p_value': p_value,
        'survive_mean': round(df_survive[feat].mean(), 4),
        'dead_mean': round(df_dead[feat].mean(), 4)
    })

# 步骤4：分类变量卡方检验
features_cat = ['occupation_code', 'region', 'product_type']
for feat in features_cat:
    contingency = pd.crosstab(df_combined[feat], df_combined['sample_type'])
    chi2, p, dof, expected = chi2_contingency(contingency)
    print(f'{feat}: chi2={chi2:.2f}, p={p:.4f}')

# 步骤5：输出偏差预警
df_results = pd.DataFrame(results)
df_results['偏差预警'] = np.where(
    df_results['ks_stat'] > 0.1, '⚠ 显著偏差', '✓ 可接受'
)
print(df_results[['feature', 'ks_stat', 'p_value', '偏差预警']])

2.3.5 偏差严重程度分级与处置建议