2. 偏差类型分类

在金融风控特征平台中，偏差的识别与分类是校验工作的第一步。根据偏差产生的根源、作用机制及可修复性，通常将其划分为五大类：系统性偏差、随机性偏差、人为偏差、样本选择偏差和特征工程偏差。准确区分这些类型，有助于制定针对性的校验策略与修复方案。

2.1 五大偏差类型总览

下表从定义、典型场景、影响特征及可修复性四个维度，对五种偏差类型进行横向对比，便于快速建立全局认知。

2.2 系统性偏差

系统性偏差是特征平台中最常见也最危险的偏差类型。它源于数据链路中的固定缺陷，一旦发生，会以相同方向持续影响所有相关特征值。

• 产生原因：采集设备校准错误、ETL 脚本逻辑缺陷、数据库字段类型不匹配、上游系统接口变更未同步。
• 识别方法：对比特征统计量（均值、分位数）与业务预期值；检查时间序列是否存在持续性跳变；跨系统交叉验证同一字段。
• 修复策略：定位根因后回滚至正确版本；对历史数据执行批量重算；在特征血缘中增加版本标记。

2.3 随机性偏差

随机性偏差由不可预测的瞬时因素引起，通常表现为孤立的数据异常点。在金融风控场景中，随机性偏差虽然难以完全避免，但可以通过统计方法进行识别和抑制。

• 产生原因：网络传输丢包、硬件瞬时故障、并发写入冲突、外部 API 超时返回默认值。
• 识别方法：使用 3σ 原则或 IQR 规则检测离群点；检查特征值在时间轴上的毛刺分布；对比同一特征在不同数据源的一致性。
• 修复策略：对离群点进行截断或 Winsorize 处理；使用滑动窗口均值平滑；增加数据采集冗余和校验机制。

2.4 人为偏差

人为偏差是操作层面引入的不确定性，在依赖人工标注、审核或决策的环节中尤为突出。这类偏差往往具有个体差异性，难以通过自动化规则完全覆盖。

• 产生原因：标注标准理解不一致、审批人员主观偏好、手工录入时的笔误或格式不统一。
• 识别方法：计算标注者间一致性（Kappa 系数）；分析同一特征在不同操作人员下的分布差异；随机抽样复核。
• 修复策略：制定标准化操作手册；引入双人复核或投票机制；对历史偏差数据重新标注或剔除。

2.5 样本选择偏差

样本选择偏差直接威胁模型的泛化能力。当训练数据无法代表真实业务分布时，模型在线上表现会显著劣于离线评估结果。

• 产生原因：只采集通过审批的“好样本”、时间窗口截断导致近期样本缺失、幸存者偏差（只保留未逾期用户）。
• 识别方法：比较训练集与全量业务数据的分布（KS 检验、PSI 指标）；检查特征缺失率与目标变量的相关性；绘制时间维度上的样本构成变化图。
• 修复策略：使用拒绝推断（Reject Inference）补充样本；对样本进行加权或分层采样；扩展数据采集时间窗口。

2.6 特征工程偏差

特征工程偏差是特征构造过程中引入的逻辑错误，其隐蔽性较强，往往在模型上线后通过异常表现才被发现。

• 产生原因：使用未来信息构造特征（如用还款后的数据预测逾期）、分组聚合时未对齐时间窗口、缺失值填充方式与业务逻辑矛盾。
• 识别方法：检查特征计算时间戳与目标时间戳的先后关系；验证分组聚合的键值是否唯一且稳定；对比不同填充策略下的特征分布。
• 修复策略：重新定义特征计算的时间边界；使用严格的时间点快照数据；在特征注册时强制声明“是否使用未来信息”。

2.7 偏差类型关系图

下图展示了五大偏差类型在特征平台数据流中的位置关系，以及它们之间的相互影响路径。

2.8 偏差传导与叠加效应

在实际业务中，多种偏差往往同时存在并相互影响。系统性偏差可能掩盖随机性偏差的识别，人为偏差可能加剧样本选择偏差的程度。因此，偏差校验不能孤立地看待某一类型，而应采用分层排查、逐级隔离的策略：

1. 第一层：检查数据采集链路的系统性偏差，确保基础数据准确。
2. 第二层：识别并标记随机性偏差和人为偏差，评估其影响范围。
3. 第三层：验证特征工程逻辑，排除未来信息泄露和计算错误。
4. 第四层：评估样本选择偏差，确认训练数据与业务分布的一致性。