1. 偏差校验概述
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业务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上线后将要面对的客群特征。
核心定义： 样本偏差 = 训练样本分布 ≠ 真实业务总体分布。偏差导致模型在训练集上表现良好，但在实际业务中泛化能力显著下降。
常见的样本偏差类型包括：
| 偏差类型 | 描述 | 风控典型场景 |
|---|---|---|
| 选择偏差 | 样本获取过程非随机，某些群体被系统性地排除或过度代表 | 仅使用通过审批的客户建模，拒绝样本无标签 |
| 时间偏差 | 训练样本来自过去，但模型用于预测未来，客群随时间漂移 | 用2023年数据训练，2024年客群结构已变化 |
| 幸存者偏差 | 仅观察“存活”样本，忽略已流失或已违约的样本 | 只分析当前活跃用户，忽略已逾期客户 |
| 标签偏差 | 标签定义或获取方式导致样本分布失真 | 逾期30天定义为坏样本，但实际坏账集中在逾期90天 |
| 采样偏差 | 采样策略不当导致样本比例失衡 | 坏样本率仅1%，采样后坏样本率被强行提升至50% |
1.2 为什么风控中必须关注偏差
风控模型直接服务于信贷决策、欺诈识别、额度管理等核心业务环节。样本偏差带来的影响是系统性的，且代价高昂：
- 模型失效风险： 偏差导致模型在线上客群上的KS/AUC下降20%~50%，风控区分能力丧失。
- 策略误判： 基于偏差样本制定的审批阈值、额度策略可能完全偏离实际风险分布。
- 监管合规压力： 样本偏差可能导致模型对特定群体产生系统性歧视，违反公平借贷法规。
- 业务损失放大： 偏差未被发现时，坏账率可能从预期的2%飙升至8%~12%，直接造成数千万损失。
⚠️ 常见误区： 很多团队认为“样本量大就不会有偏差”。实际上，样本量大但偏差方向一致时，只会让模型更稳定地学习错误模式，而非纠正偏差。偏差校验不是样本量问题，而是分布对齐问题。
1.3 偏差校验的核心目标与价值
偏差校验（Bias Validation）是一套系统性的方法论，用于检测、量化并纠正训练样本与目标总体之间的分布差异。其核心目标可归纳为：
| 目标维度 | 具体内容 | 量化指标示例 |
|---|---|---|
| 检测 | 识别样本与总体在特征分布、标签分布上的显著差异 | PSI > 0.1, KS > 0.2 |
| 量化 | 用统计指标衡量偏差程度，区分可接受偏差与严重偏差 | 人口稳定指数(PSI)、特征重要性偏移 |
| 归因 | 定位偏差来源：是采样策略问题、标签定义问题还是时间漂移 | 分群对比、时间序列分析 |
| 纠正 | 通过重采样、加权、迁移学习等方法缩小偏差 | 逆概率加权、对抗验证 |
| 监控 | 建立持续偏差监控机制，在模型上线后定期校验 | 月度PSI报表、漂移预警 |
偏差校验的业务价值体现在三个层面：
- 模型层面： 提升模型泛化能力，使离线评估指标与线上实际表现一致，减少“上线即翻车”风险。
- 策略层面： 确保风控策略基于真实客群分布制定，避免因样本偏差导致的策略误区和资源浪费。
- 合规层面： 满足监管对模型公平性、可解释性的要求，降低模型审计风险。