4. 归因分析基础：目的、常用方法与精算应用

归因分析（Attribution Analysis）是精算模型验证与坏样本归因中的核心环节。其根本目标是将模型预测误差或业务结果的变化，拆解到各个驱动因素上，从而回答“为什么预测不准”或“为什么坏样本集中出现”这类关键问题。

4.1 归因分析的目的

在精算模型验证场景中，归因分析主要服务于以下三个目的：

4.2 常用归因方法

精算领域常用的归因方法主要有三种：Shapley值、边际贡献和方差分解。三种方法在理论基础、计算复杂度和解释粒度上各有侧重。

4.2.1 Shapley值法

Shapley值源于合作博弈论，核心思想是将总预测误差公平地分配给每个特征。它满足效率性、对称性、虚拟性和可加性四个公理，是目前理论上最完备的归因方法。

• 计算逻辑：遍历所有特征子集，计算每个特征加入子集时带来的边际贡献，再对所有排列取平均。
• 优点：公平分配、无偏性、可解释性强。
• 缺点：计算复杂度为 O(2^n)，对高维特征需采用近似算法（如KernelSHAP、TreeSHAP）。

4.2.2 边际贡献法

边际贡献法通过固定其他特征，观察单一特征变化对预测结果的影响。常见实现包括部分依赖图（PDP）和个体条件期望（ICE）。

• 计算逻辑：对目标特征取不同值，保持其他特征不变，计算预测值的变化量。
• 优点：直观、计算快、适合连续变量。
• 缺点：忽略特征交互效应，当特征高度相关时结果可能失真。

4.2.3 方差分解法

方差分解基于ANOVA（方差分析）框架，将预测值的总方差拆解为各主效应和交互效应的贡献。在精算模型中常用于评估费率因子的相对重要性。

• 计算逻辑：通过方差分析，将总平方和分解为各因子及交互项的平方和。
• 优点：适合离散型分类变量，能显式量化交互效应。
• 缺点：对连续变量需离散化处理，且对高维交互项解释困难。

4.3 归因分析在精算中的应用

归因分析在精算领域的应用贯穿模型开发、验证和监控全流程。以下列出三个典型应用场景：

1. 费率模型偏差归因：当实际赔付率与预测赔付率出现系统性偏差时，使用Shapley值计算各费率因子（如年龄、车型、地区）对偏差的贡献，定位导致定价不足的关键因子。
2. 坏样本特征画像：在理赔数据中标记高赔付样本，通过边际贡献分析找出这些样本的共性特征组合（如“年轻驾驶员+夜间驾驶+特定车型”），为核保规则调整提供依据。
3. 模型更新影响评估：当精算模型迭代（如新增UBI驾驶行为变量）后，使用方差分解量化新变量对预测方差的贡献，评估其是否显著提升了模型区分度。

4.4 归因分析流程框架

下图展示了精算模型验证中归因分析的标准流程，从数据准备到业务决策形成闭环。

4.5 归因分析在坏样本归因中的实战要点

在坏样本归因场景中，归因分析需要特别关注以下三个要点：

• 局部 vs 全局归因：坏样本归因更关注局部解释（单个坏样本的驱动因素），而非全局特征重要性。Shapley值天然支持局部归因，是坏样本分析的首选。
• 交互效应捕获：坏样本往往由多个特征的组合效应导致，而非单一变量。方差分解和Shapley值都能捕获交互效应，而边际贡献法可能遗漏关键组合模式。
• 归因稳定性检验：对同一坏样本使用不同归因方法，结果应具有一致性。若出现矛盾，需检查模型是否存在共线性或异常值干扰。