3. 选择偏差：样本选择过程导致的偏差

3.1 选择偏差的本质

选择偏差（Selection Bias）是金融风控建模中最隐蔽、破坏性最强的样本偏差类型。它并非由数据采集或标注环节直接引入，而是由样本的生成过程——即哪些样本最终进入了建模数据集——所决定。在信贷风控场景中，最常见的表现是：我们只能观察到“通过审批”的客户的表现，而永远无法知道“被拒绝”的客户如果获得贷款会如何表现。

这种偏差导致模型实际上是在一个非随机、经过筛选的子集上学习规律，而该子集的分布与模型最终要应用的全量客群分布存在系统性差异。模型学到的“好/坏”边界，实际上是“审批通过后的好/坏”边界，而非真实客群的风险边界。

3.2 实例分析：仅使用通过审批的样本

以消费信贷场景为例，假设某平台在2023年Q1收到了100,000笔贷款申请。风控策略审批通过60,000笔，拒绝40,000笔。建模团队仅使用这60,000笔通过审批的样本（含后续表现标签）训练信用评分模型。

下表展示了该场景下样本选择偏差的具体表现：

从表中可以清晰看到：通过审批的样本在收入、负债率、征信查询次数等关键风险特征上，已经与全量申请样本产生了系统性偏移。模型在这些“优质”样本上学习到的决策边界，必然倾向于宽松——因为训练集中几乎没有高负债、多查询、低收入的样本。

3.3 选择偏差的传导机制

选择偏差通过以下路径逐步侵蚀模型的有效性：

1. 截断（Truncation）： 审批策略直接切断了特征空间中的高风险区域。例如，收入低于¥5,000的申请者几乎全部被拒，导致训练集中该区域样本缺失。
2. 标签缺失（Label Missing）： 被拒绝样本没有表现期标签（逾期/非逾期），无法参与监督学习。模型只能从“幸存者”中学习好坏规律。
3. 特征-标签关系扭曲： 在通过审批的样本中，某些特征（如收入）与逾期率的关系可能被削弱甚至反转。例如，在低风险客群中，收入与逾期可能弱相关；但在全量客群中，收入是强预测因子。
4. 模型泛化失效： 当模型上线后，遇到与训练集分布不同的新申请（尤其是接近拒绝边界的申请），预测结果不可靠。

3.4 选择偏差的SVG结构图

下图展示了选择偏差在信贷审批流程中的产生路径与影响机制：

3.5 选择偏差的常见类型

在金融风控实践中，选择偏差不仅限于审批通过/拒绝这一种形式。下表总结了三种最常见的子类型：

3.6 选择偏差的识别方法

在实际项目中，可以通过以下方法初步判断是否存在选择偏差：

• 特征分布对比： 对比建模样本与全量申请样本在关键特征（收入、年龄、负债率、征信查询次数）上的分布差异。使用KS检验或JS散度量化偏移程度。
• 拒绝推断（Reject Inference）影子测试： 对部分被拒绝样本进行人工复核或外部数据补充，获取其真实表现标签，对比模型在该子集上的预测效果。
• 策略回溯分析： 分析历史审批策略的变更记录，评估策略收紧或放松对样本分布的影响。策略越严格，选择偏差越严重。
• 模型上线后监控： 监控模型在线上实际应用中的PSI（群体稳定性指标）和特征分布漂移。如果PSI在拒绝样本占比高的客群中显著升高，提示选择偏差问题。

3.7 选择偏差的缓解策略概览

虽然本章聚焦于偏差的识别与理解，但提前了解缓解策略有助于建立完整的认知框架。下表列出了主流的缓解方法及其适用场景：