2. 样本分层理论基础
在风控建模与规则引擎优化中，样本分层是提升模型泛化能力与规则命中精度的核心前置步骤。本章从抽样原理出发，系统讲解同质性/异质性原则、分层变量选择策略，并通过图示与表格帮助理解分层设计的底层逻辑。
2.1 分层抽样原理
分层抽样（Stratified Sampling）是将总体按某个或某几个特征划分为互不重叠的层（Strata），然后在各层内独立进行随机抽样。其核心目标是：在保证样本代表性的同时，降低抽样误差。
与简单随机抽样相比，分层抽样在风控场景中的优势明显：
| 对比维度 | 简单随机抽样 | 分层抽样 |
|---|---|---|
| 样本代表性 | 依赖随机性，小概率出现极端偏差 | 各层按比例覆盖，代表性稳定 |
| 方差控制 | 方差较大，尤其当总体分布不均时 | 层内方差小，整体方差显著降低 |
| 对稀有客群的覆盖 | 容易遗漏高风险/高价值小群体 | 可强制分配样本量，确保覆盖 |
| 风控适用场景 | 仅适合同质性高的总体 | 适合客群、额度、渠道差异大的场景 |
分层抽样的数学基础：若总体被划分为 \( L \) 层，每层大小为 \( N_h \)，总体大小 \( N = \sum N_h \)，则分层抽样估计量的方差为：
Var(ȳ_st) = Σ (N_h / N)² * (S_h² / n_h) * (1 - n_h / N_h)其中 \( S_h² \) 为第 \( h \) 层的总体方差，\( n_h \) 为第 \( h \) 层的样本量。当层内方差 \( S_h² \) 越小，整体方差越小，抽样效率越高。
实战要点：在风控样本分层中，通常采用比例分配（各层抽样比例相同）或最优分配（方差大的层多抽）。对于坏账率极低的优质客群层，建议使用最优分配，避免样本中坏样本过少导致模型失效。
2.2 同质性原则与异质性原则
分层设计的两个核心原则决定了分层效果的好坏：
- 层内同质性（Within-stratum Homogeneity）：同一层内的样本在目标变量（如违约率、逾期天数）上尽可能相似。层内方差越小，分层带来的精度提升越大。
- 层间异质性（Between-stratum Heterogeneity）：不同层之间的目标变量分布差异尽可能大。层间均值差异越明显，分层对总体方差的削减效果越显著。
这两个原则互为表里：层内越纯，层间差异自然越大。实际分层时，通常用组内平方和（SSW）与组间平方和（SSB）的比值来评估分层效果：
分层效率 = SSB / (SSB + SSW)该比值越接近 1，说明分层越有效。
避坑指南：不要为了追求层内同质性而划分过多层。层数过多会导致某些层样本量过小，反而增大抽样误差。风控实践中，单变量分层通常控制在 3~6 层，多变量交叉分层控制在 8~12 层以内。
2.3 分层变量选择策略
分层变量的选择直接决定分层效果。在风控场景中，常用的分层变量可分为三类：
| 变量类别 | 典型变量 | 分层依据 | 适用场景 |
|---|---|---|---|
| 额度类 | 授信额度、借款金额、额度使用率 | 额度高低与违约风险呈非线性关系 | 信贷审批、额度管理模型 |
| 渠道类 | 获客渠道、流量来源、推广活动ID | 不同渠道客群质量差异大 | 反欺诈、渠道质量评估 |
| 客群类 | 年龄、收入、职业、历史逾期次数 | 客群画像决定行为模式 | 行为评分、催收策略 |
2.3.1 额度分层策略
额度变量通常呈现右偏分布：大量用户集中在低额度区间，少量高额度用户贡献大部分风险敞口。分层时建议：
- 使用分位数（如 25%、50%、75%、90%）作为切分点，而非等距切分。
- 对高额度区间进一步细分，因为该区间坏账波动大。
- 结合额度使用率（Usage Rate）做交叉分层，识别“高额度+高使用率”的高危客群。
2.3.2 渠道分层策略
渠道变量是风控分层中异质性最强的变量之一。不同渠道的客群质量、欺诈比例、逾期表现可能相差数倍。分层时注意：
- 按渠道的历史坏账率排序后分层，而非按渠道名称字母排序。
- 对于新渠道（样本量不足），归入“其他”层或使用贝叶斯收缩估计。
- 渠道与额度交叉分层时，优先保证高风险渠道的样本量充足。
2.3.3 客群分层策略
客群分层通常基于用户画像或历史行为。常用分层变量组合：
# 客群分层变量组合示例
分层变量 = {
'年龄': ['18-25', '26-35', '36-45', '46+'],
'历史逾期次数': ['0次', '1-2次', '3次及以上'],
'收入等级': ['低', '中低', '中高', '高']
}
# 交叉分层后得到 4 * 3 * 4 = 48 个层
# 实际使用时需合并样本量过小的层（如 < 50 条）
重要提醒：客群分层时避免使用与目标变量高度相关的变量（如“是否逾期”作为分层变量），否则会导致层内方差被严重低估，模型评估结果失真。应使用先验变量（在目标事件发生前已知的变量）。
2.4 分层变量选择的量化评估
除了定性判断，还可以使用以下指标量化评估分层变量的效果：
| 评估指标 | 计算公式 | 理想值 | 说明 |
|---|---|---|---|
| 组间方差占比 | SSB / (SSB + SSW) | > 0.3 | 越大说明分层变量区分能力越强 |
| 层内变异系数 | CV_h = σ_h / μ_h | < 0.5 | 各层内变异系数越小越好 |
| 信息价值（IV） | IV = Σ (p_i_good - p_i_bad) * WOE_i | > 0.1 | 衡量变量对好坏样本的区分能力 |
| 分层效率提升 | (Var_srs - Var_strat) / Var_srs | > 20% | 相比简单随机抽样的方差降低比例 |
实战案例：某消费金融平台在构建申请评分卡时，使用“授信额度”作为分层变量。原始数据中，额度在 1000~50000 元之间呈长尾分布。按 25%、50%、75%、90% 分位数切分为 5 层后，组间方差占比从 0.12 提升至 0.38，分层效率提升达 45%。后续模型在测试集上的 KS 值从 0.32 提升至 0.39。
2.5 本章小结
- 分层抽样的核心是降低层内方差、增大层间差异，从而提升样本代表性和模型稳定性。
- 同质性原则要求层内样本尽可能相似，异质性原则要求层间差异尽可能大，两者共同决定分层效果。
- 分层变量选择应优先考虑额度、渠道、客群三类变量，并通过量化指标（组间方差占比、IV值等）验证分层效果。
- 实际应用中，建议使用 2~3 个核心变量进行交叉分层，层数控制在 8~12 层以内，避免过细分层导致样本稀疏。