📚 课程目录第3章 PSI计算步骤详解

3、PSI计算步骤详解：分箱方法选择、实际占比与预期占比计算、WOE与IV的关联

PSI（Population Stability Index，群体稳定性指标）的计算并非简单的数学公式套用，其核心在于分箱策略与占比计算的合理性。错误的步骤会导致模型稳定性误判，进而影响催收策略的调整方向。本节将拆解PSI计算的完整链路，并揭示其与WOE、IV的内在逻辑关联。

3.1 分箱方法选择：离散化是PSI的基石

PSI要求将连续变量或离散变量划分为若干个箱（Bin），然后比较每个箱中样本占比的变化。分箱方法直接影响PSI的敏感度与稳定性。常见方法如下：

分箱方法	原理	适用场景	注意事项
等距分箱	按数值区间等宽划分（如0-10, 10-20）	变量分布均匀，无极端值	极端值易导致空箱或样本稀疏
等频分箱	按样本数量等比例划分（每箱约10%样本）	分布偏态、长尾变量	分箱边界随分布变化，跨期可比性需验证
决策树分箱	基于目标变量（如逾期状态）进行监督分箱	需要与IV/WOE联动分析时	过拟合风险，需设置最小样本数
自定义分箱	依据业务经验或监管要求固定切分点	评分卡节点、政策红线阈值	主观性强，需定期验证合理性

催收场景建议： 对于“历史催收次数”、“逾期天数”等强业务含义变量，优先采用等频分箱（通常5-10箱），既能保证每箱有足够样本计算占比，又能捕捉尾部风险变化。避免使用等距分箱处理“欠款金额”这类长尾变量。

3.2 实际占比与预期占比计算

PSI的核心是比较两个时间窗口或两个群体的分布差异。通常将建模样本（或基准期）的分布作为预期占比（Expected %），将当前监控样本（或表现期）的分布作为实际占比（Actual %）。

3.2.1 计算步骤

确定基准与监控窗口：例如，以2024年Q1的催收数据为基准，监控2024年Q2的数据。
分箱：使用基准窗口的数据确定分箱边界（如等频分箱的切分点），并固定这些边界用于监控窗口。
统计箱内样本数：分别统计基准窗口和监控窗口在每个箱中的样本数量。
计算占比：
- 预期占比（P_i）= 基准窗口第i箱样本数 / 基准窗口总样本数
- 实际占比（A_i）= 监控窗口第i箱样本数 / 监控窗口总样本数
计算PSI：PSI = Σ[(A_i - P_i) × ln(A_i / P_i)]

  关键避坑： 分箱边界必须基于基准窗口固定，不能随监控窗口重新分箱。否则PSI将失去“稳定性”比较的意义，变成两个独立分布的差异度量。

3.2.2 计算示例表

假设某催收变量“历史联系次数”分为5箱，基准窗口样本10000，监控窗口样本12000：

箱号	分箱区间	基准样本数	预期占比 P_i	监控样本数	实际占比 A_i	(A_i-P_i)	ln(A_i/P_i)	单项PSI
1	[0, 2)	2000	0.200	1800	0.150	-0.050	-0.2877	0.0144
2	[2, 5)	2000	0.200	2400	0.200	0.000	0.0000	0.0000
3	[5, 10)	2000	0.200	3000	0.250	0.050	0.2231	0.0112
4	[10, 20)	2000	0.200	2400	0.200	0.000	0.0000	0.0000
5	[20, +∞)	2000	0.200	2400	0.200	0.000	0.0000	0.0000
PSI = Σ								0.0256

该变量PSI=0.0256，小于0.1，属于低漂移，模型稳定性良好。

3.3 WOE与IV的关联：PSI的统计本质

PSI的计算公式与信息价值（IV）在数学形式上高度对称，但含义截然不同。理解这种关联有助于深入把握PSI的统计意义。

3.3.1 公式对比

指标	公式	核心含义
PSI	Σ[(A_i - P_i) × ln(A_i / P_i)]	监控分布 vs 基准分布的差异
IV	Σ[(%好 - %坏) × WOE]	好样本分布 vs 坏样本分布的差异
WOE	ln(%好 / %坏)	单箱区分能力

从公式可见：

PSI 是“分布对分布”的散度度量，不涉及目标变量（如逾期状态）。
IV 是“好/坏”两组分布之间的散度，依赖目标变量。
两者都基于信息熵或KL散度的变体，因此对分箱敏感。

3.3.2 催收场景下的关联解读

在催收模型监控中，PSI与IV存在以下联动关系：

PSI高 + IV稳定：变量分布整体偏移，但区分能力未变。可能由客群结构变化引起，需调整分箱边界或重新训练。
PSI低 + IV下降：分布稳定，但变量对逾期状态的区分力减弱。可能是模型失效或外部环境突变。
PSI高 + IV下降：最危险信号，变量分布与区分能力同时恶化，需立即排查数据源或业务策略。

实战警示： 不要单独依赖PSI或IV。建议在PSI监控报告中同时展示每个箱的WOE变化。如果某个箱的WOE符号发生翻转（如从正变负），即使整体PSI不高，也需重点关注该箱对应的客群。

3.4 计算中的常见陷阱与规避

零占比处理：当某箱在基准或监控窗口中出现0样本时，ln(0)无定义。建议对占比做平滑处理（如加0.5或1e-6），或合并空箱到相邻箱。
分箱数量：箱数过少（<5）会丢失分布细节；箱数过多（>20）会导致噪声放大。催收场景推荐5-10箱。
样本量差异：若监控窗口样本量远小于基准窗口，PSI会因抽样波动而偏高。建议监控窗口样本量不低于基准窗口的30%。

代码示例：Python实现PSI计算（含平滑）

import numpy as np

def calculate_psi(actual, expected, bins=10, epsilon=1e-6):
    """
    actual: 监控窗口数据
    expected: 基准窗口数据
    bins: 分箱数（等频）
    """
    # 基于基准窗口确定分位点
    percentiles = np.linspace(0, 100, bins + 1)[1:-1]
    bin_edges = np.percentile(expected, percentiles)
    bin_edges = np.unique(bin_edges)  # 去重
    
    # 分箱并统计
    expected_counts, _ = np.histogram(expected, bins=bin_edges)
    actual_counts, _ = np.histogram(actual, bins=bin_edges)
    
    # 计算占比（加平滑）
    expected_pct = (expected_counts + epsilon) / (expected.sum() + epsilon * len(expected_counts))
    actual_pct = (actual_counts + epsilon) / (actual.sum() + epsilon * len(actual_counts))
    
    # 计算PSI
    psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    return psi