1. 样本偏差概述
1.1 什么是样本偏差
样本偏差（Sample Bias）是指从总体中抽取的样本分布与真实总体分布之间存在系统性差异。在风控建模中，样本偏差意味着模型训练所使用的样本不能代表模型实际应用时将要面对的客群特征，导致模型在真实场景中的预测能力下降。
核心公式： P(Y|X, S=1) ≠ P(Y|X) —— 其中 S=1 表示样本被观测到，Y 为风险标签，X 为特征变量。当样本选择过程与 Y 或 X 相关时，偏差产生。
样本偏差不是随机误差，而是系统性偏移。随机误差可以通过增大样本量来缓解，但样本偏差不会随样本量增加而消失，反而可能被放大。
1.2 为什么在风控中重要
风控模型直接服务于信贷审批、额度定价、反欺诈等核心决策，样本偏差会带来以下严重后果：
| 影响维度 | 具体后果 | 业务损失 |
|---|---|---|
| 模型区分度 | 高、低风险客群无法有效分离 | 坏账率上升 |
| 校准度 | 预测违约概率与实际违约率偏离 | 定价失真、利润损失 |
| 稳定性 | 模型在时间或客群迁移后快速失效 | 频繁重建、运维成本高 |
| 公平性 | 对特定群体产生系统性误判 | 合规风险、品牌损害 |
风控实战警示： 某消费金融公司使用仅包含"通过审批且正常还款"的样本训练模型，上线后对新增客群的违约预测误差高达 40%，直接导致季度坏账率翻倍。这是典型的幸存者偏差案例。
1.3 常见偏差类型
1.3.1 选择偏差（Selection Bias）
选择偏差发生在样本选取过程中，当样本的入选概率与目标变量或特征相关时产生。风控中最典型的是拒绝推断偏差：模型只能观察到"通过审批"的客户表现，而"被拒绝"的客户无法观测其真实违约状态。
1.3.2 幸存者偏差（Survivorship Bias）
幸存者偏差是选择偏差的一种特殊形式，指只关注"幸存"或"存活"的个体，而忽略已经"死亡"或"消失"的个体。在风控中，表现为：
- 贷后样本偏差： 只使用当前仍在还款的客户数据建模，忽略了已经逾期、核销的客户
- 时间幸存偏差： 只观察在观察期内未发生违约的客户，忽略了早期违约已离场的客户
- 产品幸存偏差： 只分析当前仍在销售的产品表现，忽略了已下架产品的历史风险
识别技巧： 检查建模样本中是否包含"违约后已结清"、"核销后回收"等完整生命周期样本。如果样本中只有"正常"和"当前逾期"两类，大概率存在幸存者偏差。
1.3.3 标签偏差（Label Bias）
标签偏差是指样本的标签（Y 值）与真实风险状态不一致。风控中常见场景：
| 偏差子类型 | 产生原因 | 典型例子 |
|---|---|---|
| 标签延迟偏差 | 表现期不足，违约尚未暴露 | 用 3 个月表现期定义坏客户，实际 6 个月后才违约 |
| 标签定义偏差 | 业务规则与真实风险不一致 | 将 M1 定义为坏客户，但 M1 中有大量临时性逾期 |
| 标签噪声偏差 | 数据采集或录入错误 | 还款记录缺失导致正常客户被标记为逾期 |
| 标签泄漏偏差 | 标签信息被特征提前包含 | 用"是否已催收"作为特征预测"是否违约" |
1.4 偏差的连锁效应
样本偏差在风控建模中会产生级联放大效应：
- 数据层： 偏差样本 → 特征分布偏移、标签噪声增加
- 模型层： 偏差训练 → 参数估计有偏、决策边界偏移
- 应用层： 偏差预测 → 审批通过率失真、坏账率失控
- 反馈层： 偏差决策 → 新的样本选择进一步加剧偏差（自强化循环）