3. 样本选择偏差：幸存者偏差
幸存者偏差是风控建模中最隐蔽、破坏力最强的样本选择偏差之一。它源于一个朴素的逻辑谬误：我们只观察到了“幸存者”（通过审核、未逾期、仍在还款的客户），却忽略了“阵亡者”（被拒绝、已逾期、流失的客户）。当模型仅基于幸存者样本训练时，会严重高估整体客群的质量，导致上线后实际坏账率远超预期。
核心定义：幸存者偏差（Survivorship Bias）是指建模样本仅包含经过某种筛选机制后“存活”下来的个体，而遗漏了被筛选机制淘汰的个体，导致模型对总体分布的估计产生系统性偏差。
3.1 产生原因：三重筛选漏斗
在信贷风控场景中，样本从“潜在客群”到“建模样本”需要经历三重筛选，每一层都会加剧幸存者偏差：
- 业务准入筛选：风控策略拒绝高风险客户，只有通过规则引擎的客户才能进入后续流程。
- 客户自选择：优质客户可能因利率、额度不满意而主动放弃申请；高风险客户反而更愿意接受苛刻条件。
- 表现期截断：建模时通常只选取有足够表现期（如6个月以上）的样本，近期放款、尚未进入逾期期的客户被排除。
3.2 对模型的影响：高估与误判
幸存者偏差对风控模型的影响是全方位的，具体表现为以下四个维度：
| 影响维度 | 具体表现 | 后果 |
|---|---|---|
| 模型区分度 | 坏样本被系统性低估，好/坏样本特征差异缩小 | KS、AUC虚高，上线后实际区分度断崖式下跌 |
| 概率校准 | 模型预测的违约概率普遍偏低 | 实际坏账率是模型预测值的2~5倍 |
| 特征重要性 | 与“幸存”相关的特征（如收入稳定性）被高估 | 策略规则失效，拒绝本应通过的优质客户 |
| 决策边界 | 模型在低分段的排序能力几乎丧失 | 拒绝阈值附近客群风险被严重低估 |
⚠️ 典型事故案例：某消费金融公司使用“历史放款且正常还款6个月以上”的样本建模，模型上线后前3个月表现良好，第4个月起坏账率飙升。复盘发现：模型将“多头借贷”识别为弱风险特征，因为幸存样本中多头客户还款能力被高估——真正多头高风险客户早已在早期逾期并出局。
3.3 如何识别幸存者偏差
在建模前和建模过程中，可以通过以下方法识别是否存在幸存者偏差：
- 样本分布对比法：将建模样本与全量申请样本的关键特征分布进行对比（如年龄、收入、负债比），若存在显著差异（KS > 0.2），则提示存在选择偏差。
- 拒绝推断验证：随机抽取部分被拒绝客户给予小额授信，观察其真实表现，与模型预测对比。
- 时间序列回溯：检查不同放款批次的表现率是否随放款时间呈现系统性变化，若早期批次坏账率显著低于近期批次，则存在表现期截断偏差。
- 模型校准曲线：绘制模型预测概率 vs 实际违约率的校准曲线，若曲线整体低于对角线，说明模型过于乐观。
3.4 如何避免：四大核心策略
避免幸存者偏差需要从样本构建阶段就建立防御机制，以下是四种经过验证的有效策略：
| 策略 | 方法描述 | 适用场景 | 注意事项 |
|---|---|---|---|
| 拒绝推断 | 对被拒绝样本进行表现推断（硬截断/软截断/模糊展开） | 业务准入规则严格、拒绝率高 | 推断假设需验证，避免引入新偏差 |
| 时间窗口对齐 | 统一所有样本的表现期窗口（如固定12个月） | 放款时间跨度大、表现期不均 | 会损失近期样本，需平衡样本量 |
| 分层抽样 | 按风险分层（如评分卡分段）进行比例抽样 | 坏样本稀疏、长尾分布 | 需配合样本权重校正 |
| 外部数据校准 | 引入征信机构或行业基准的违约率进行偏差校正 | 内部样本量不足、拒绝率极高 | 外部数据需与自身客群可比 |
3.5 代码示例：拒绝推断的简单实现
以下是一个基于软截断法的拒绝推断示例，使用逻辑回归对拒绝样本进行概率加权：
import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
# 假设已有通过样本（approved）和拒绝样本（rejected）
approved = pd.read_csv('approved_samples.csv') # 包含特征X和标签y
rejected = pd.read_csv('rejected_samples.csv') # 仅包含特征X，无标签
# 第一步：在通过样本上训练初始模型
model = LogisticRegression()
model.fit(approved[['feature1', 'feature2', 'feature3']], approved['y'])
# 第二步：预测拒绝样本的违约概率
rejected['pred_prob'] = model.predict_proba(
rejected[['feature1', 'feature2', 'feature3']]
)[:, 1]
# 第三步：软截断——根据预测概率生成软标签和权重
# 预测概率 > 0.5 视为坏样本，否则为好样本
rejected['soft_label'] = (rejected['pred_prob'] > 0.5).astype(int)
# 权重 = 预测概率的置信度（距离0.5的距离）
rejected['weight'] = np.abs(rejected['pred_prob'] - 0.5) * 2
# 第四步：合并样本，重新训练最终模型
final_train = pd.concat([
approved.assign(weight=1.0),
rejected[['feature1', 'feature2', 'feature3', 'soft_label', 'weight']]
.rename(columns={'soft_label': 'y'})
])
final_model = LogisticRegression()
final_model.fit(
final_train[['feature1', 'feature2', 'feature3']],
final_train['y'],
sample_weight=final_train['weight']
)
print("拒绝推断完成，最终模型系数：", final_model.coef_)
📌 避坑要点：
- 拒绝推断的假设（如“被拒绝客户与通过客户风险分布连续”）必须通过业务逻辑或小样本验证。
- 软截断法对预测概率的校准性要求较高，建议先对初始模型做概率校准（如Platt Scaling）。
- 权重不宜过大，否则会引入新的偏差；建议将拒绝样本的总权重控制在通过样本总权重的20%~50%。
3.6 本章小结
幸存者偏差是风控样本构建中最致命的陷阱之一，其根源在于建模样本经历了业务准入、客户自选择和表现期截断的三重筛选。识别幸存者偏差需要从样本分布对比、拒绝推断验证、时间序列回溯和模型校准曲线四个维度入手。避免策略中，拒绝推断和时间窗口对齐是最核心的组合方案，配合分层抽样和外部数据校准，可以构建出更接近真实客群分布的建模样本，从而提升模型上线后的稳定性和预测精度。