2. 样本偏差概述

在实时风控场景中，模型依赖训练样本与线上样本的分布一致性来保证预测效果。当两者分布出现系统性差异时，即产生样本偏差。样本偏差是导致 PSI 指标异常、模型失效的核心诱因之一。理解偏差的来源与类型，是有效监控和治理 PSI 的前提。

2.1 什么是样本偏差

样本偏差（Sample Bias）是指从总体中抽取的样本未能真实、无偏地反映总体分布特征，导致基于该样本训练的模型或统计推断产生系统性误差。在风控领域，总体是“所有可能发生的交易或行为”，而样本是“实际被采集、标注并用于建模的数据”。

偏差的严重程度取决于三个因素：偏差方向（高估/低估）、偏差幅度（偏离程度）以及偏差持续时间（短期波动/长期漂移）。

2.2 常见偏差类型

实时风控中常见的样本偏差主要有以下三类，它们往往相互交织，共同影响 PSI 稳定性。

2.3 选择偏差详解

选择偏差（Selection Bias）是最常见也最隐蔽的偏差类型。在风控建模中，通常只能观察到“被系统处理过”的样本，而无法获取“未被处理”或“被过滤”的样本信息。

• 样本选择偏差： 训练数据仅来自特定渠道（如 APP 端），忽略 Web 端或线下渠道的用户特征差异。
• 标签选择偏差： 仅对“触发风控规则”的交易进行人工标注，未触发规则的交易默认视为正常，导致标签噪声。
• 特征选择偏差： 建模时仅选取“容易获取”的特征（如设备指纹），忽略“高价值但难采集”的特征（如社交关系）。

2.4 幸存者偏差详解

幸存者偏差（Survivorship Bias）在风控中表现为“只看到活下来的用户”。例如，在贷后风控中，仅分析“已结清贷款”的用户行为，忽略“逾期未还”的用户，导致模型对风险用户的识别能力不足。

# 幸存者偏差的数学表达
# 假设总体用户为 U，通过审批的用户为 A，拒绝的用户为 R
# 模型仅使用 A 的样本训练，但实际部署时需预测 U 中所有用户
# 训练分布：P_train(x) = P(x | A)
# 真实分布：P_real(x) = P(x | U) = P(x | A) * P(A) + P(x | R) * P(R)
# 当 P(A) 或 P(R) 变化时，P_train 与 P_real 的偏差被放大

幸存者偏差的严重性在于：它会导致模型对“尾部风险”的估计完全失效。在实时风控中，这种偏差通常表现为“低分用户通过率突然上升”或“高分用户逾期率异常”。

2.5 时间偏差详解

时间偏差（Temporal Bias）是实时风控中最具挑战性的偏差类型。由于业务环境、黑产手法、用户行为都在持续变化，任何静态样本集都会随时间推移而“过时”。

时间偏差的三种常见子类型：

• 季节偏差： 电商大促、节假日等周期性事件导致的特征分布波动。
• 趋势偏差： 黑产技术迭代、用户设备升级等长期趋势性变化。
• 突变偏差： 监管政策调整、产品改版等突发性事件导致的分布断崖式变化。

2.6 偏差类型关系图

下图展示了三类偏差在实时风控生命周期中的产生位置及其相互关系：

2.7 偏差类型对比总结

下表从五个维度对三类偏差进行对比，帮助在实际监控中快速定位偏差来源：