4. 样本偏差类型（中）：选择偏差——仅使用通过规则的数据作为样本，忽略被拒绝的样本

选择偏差（Selection Bias）是实时风控建模中最隐蔽、破坏力最强的样本偏差之一。当建模团队仅使用“通过规则”的样本（即历史审批通过、未触发风控拦截的样本）来训练模型，而完全丢弃被拒绝的样本时，模型将无法学习到拒绝样本的真实风险分布，导致模型在线上对高风险客群的识别能力严重退化。

4.1 选择偏差的产生机制

在实时风控系统中，样本的生成过程天然存在过滤漏斗：

1. 全量请求 → 进入风控引擎
2. 规则拦截 → 高风险请求被拒绝（拒绝样本）
3. 规则通过 → 进入模型评分环节（通过样本）
4. 模型决策 → 部分通过样本被放行
5. 贷后表现 → 仅放行样本产生逾期标签

当建模时只取第5步“有标签的通过样本”，而忽略第2步被拒绝的样本时，就产生了截断选择偏差。模型实际上是在学习“在已有规则筛选后的低风险子集”上的风险规律，而非全量客群的真实风险分布。

4.2 选择偏差的量化影响

下表展示了某消费金融产品在建模时仅使用通过样本（忽略拒绝样本）导致的性能退化：

从表中可以看出，仅使用通过样本不仅大幅减少了样本量，更严重的是低估了真实坏样本率（3.2% vs 8.5%），导致模型对风险水平的判断整体偏乐观。

4.3 选择偏差在SQL中的典型表现

以下SQL模式是选择偏差最常见的代码级体现——建模人员直接从“最终放款表”取数，跳过了拒绝记录：

-- ❌ 错误做法：仅取通过规则的样本，存在选择偏差
CREATE TABLE model_training_sample AS
SELECT
    a.user_id,
    a.apply_time,
    a.feature_1,
    a.feature_2,
    a.feature_3,
    CASE WHEN b.overdue_days > 30 THEN 1 ELSE 0 END AS label
FROM approved_application a          -- 仅通过规则的申请表
LEFT JOIN loan_performance b
    ON a.loan_id = b.loan_id
WHERE a.apply_date >= '2024-01-01'
  AND a.apply_date < '2024-07-01';
-- 被拒绝的样本（rejected_application）完全未参与训练

正确的做法应当包含拒绝样本，并通过拒绝推断（Reject Inference）为拒绝样本赋予伪标签或调整权重：

-- ✅ 正确做法：合并通过样本与拒绝样本，为拒绝样本预留标签占位
CREATE TABLE model_training_sample_correct AS
SELECT
    user_id,
    apply_time,
    feature_1,
    feature_2,
    feature_3,
    -- 通过样本使用真实标签，拒绝样本标签为NULL（后续通过拒绝推断赋值）
    CASE 
        WHEN is_approved = 1 AND overdue_days > 30 THEN 1
        WHEN is_approved = 1 AND overdue_days <= 30 THEN 0
        ELSE NULL  -- 拒绝样本，待推断
    END AS label,
    is_approved AS sample_type  -- 1=通过, 0=拒绝
FROM (
    -- 通过样本
    SELECT a.*, 1 AS is_approved, b.overdue_days
    FROM approved_application a
    LEFT JOIN loan_performance b ON a.loan_id = b.loan_id
    UNION ALL
    -- 拒绝样本（无贷后表现）
    SELECT r.*, 0 AS is_approved, NULL AS overdue_days
    FROM rejected_application r
) all_samples
WHERE apply_date >= '2024-01-01'
  AND apply_date < '2024-07-01';

4.4 选择偏差的三种常见子类型

• 截断偏差（Truncation Bias）：完全丢弃拒绝样本，模型只学习通过样本的分布。这是最严重的形式。
• 样本选择偏差（Sample Selection Bias）：虽然保留了拒绝样本，但拒绝样本的标签缺失，且未做任何推断处理，导致模型训练时自动忽略这些样本。
• 生存偏差（Survivorship Bias）：只观察“存活”到贷后表现期的样本，忽略了早期被拒绝或提前结清的样本，导致模型高估风险。

4.5 选择偏差的SVG流程示意图

下图展示了选择偏差如何从全量样本中“截断”出有偏的训练集：

4.6 选择偏差的检测与修复策略

在实时风控SQL流水线中，可以通过以下步骤检测和修复选择偏差：

4.7 选择偏差与拒绝推断的SVG架构图

下图展示了如何通过拒绝推断将拒绝样本重新纳入训练流程，修复选择偏差：

4.8 实战要点总结

• 不要只从放款表取数：建模SQL必须 UNION ALL 通过表与拒绝表，保留 is_approved 标记。
• 拒绝样本占比越高，选择偏差越严重：当拒绝率 > 30% 时，必须使用拒绝推断，否则模型上线后KS可能下降0.1以上。
• 拒绝推断不是万能药：推断的准确性依赖于通过样本与拒绝样本的可比性。若规则引擎存在系统性偏差（如对某群体全部拒绝），推断效果会受限。
• 线上A/B测试验证：修复选择偏差后，建议在线上进行小流量A/B测试，对比新旧模型在拒绝回捞样本上的表现。