2. 偏差来源分析：时间偏差、选择偏差、幸存者偏差、标签偏差、采样偏差

在风控建模中，样本偏差是导致模型“上线即失效”的核心原因之一。理解偏差的来源，是进行样本偏差校验的第一步。本章将系统梳理五种最常见的偏差类型，并结合风控场景给出具体案例。

2.1 偏差类型总览

下表从定义、产生阶段、风控影响三个维度，对五种偏差进行横向对比：

2.2 时间偏差 (Time Bias)

定义： 模型训练所使用的样本时间分布，与模型实际应用时的样本时间分布不一致，导致模型性能随时间衰减。

风控场景举例：

• 案例1： 使用2023年全量样本训练模型，2024年上线后，由于宏观经济政策调整、客群收入结构变化，模型对2024年新客的违约预测准确率下降15%。
• 案例2： 训练集只包含“疫情后”的样本，模型学习到“低消费=高风险”的模式；当经济复苏后，该模式失效，模型误杀大量优质客户。

2.3 选择偏差 (Selection Bias)

定义： 样本的选取过程依赖于某些未被观测到的因素，导致样本不能随机代表目标总体。

风控场景举例：

• 案例1： 只使用“有完整征信记录”的客户建模，忽略了征信白户。模型对白户客群的预测能力几乎为零。
• 案例2： 仅从“通过审批”的客户中选取样本，未包含“被拒绝”的客户。模型无法学习到拒绝客户的违约模式，导致拒绝推断失效。

2.4 幸存者偏差 (Survivorship Bias)

定义： 只关注“幸存”或“通过”的样本，忽略了那些已经“死亡”、“流失”或“被拒绝”的样本，导致分析结论系统性高估。

风控场景举例：

• 案例1： 分析“历史逾期客户”的特征时，只统计了“当前仍在还款”的逾期客户，忽略了已经核销、失联的逾期客户。结论是“逾期客户还款意愿尚可”，严重低估真实风险。
• 案例2： 在贷后催收模型中，只使用“已结清”的样本作为好样本，忽略了“提前结清”和“正常在还”的样本，导致模型对正常客群的区分度下降。

幸存者偏差的SVG示意图：

2.5 标签偏差 (Label Bias)

定义： 因标签定义不清晰、采集过程有误、或传递链路出错，导致样本的标签值不能真实反映其实际状态。

风控场景举例：

• 案例1： 将“逾期30天以上”定义为坏样本，但业务上“逾期60天以上”才是真实坏账。模型学习到大量“假坏”样本，导致拒绝率过高。
• 案例2： 标签数据来自多个数据源，部分数据源存在延迟更新。模型训练时使用了“未更新”的标签，将已逾期的客户标记为正常。
• 案例3： 人工标注环节，审核员对“疑似欺诈”的判定标准不一致，导致标签噪声过大。

2.6 采样偏差 (Sampling Bias)

定义： 在数据预处理阶段，通过过采样、欠采样或分层采样等方式改变样本分布，导致训练集分布与真实分布不一致。

风控场景举例：

• 案例1： 坏样本率仅为1%，使用SMOTE过采样将坏样本率提升至50%。模型在训练集上表现优异，但上线后由于真实坏样本率仍为1%，模型概率校准严重偏移，分数分布整体偏高。
• 案例2： 对好样本进行随机欠采样，导致好样本中某些子客群（如高收入群体）被过度剔除，模型对这些客群的预测能力下降。

采样偏差对模型分数分布的影响：

2.7 五种偏差的关联与排查优先级

在实际风控项目中，五种偏差往往同时存在。建议按以下优先级进行排查：

1. 第一步： 检查 标签偏差 —— 标签是模型学习的“标准答案”，一旦出错，后续所有工作都失去意义。
2. 第二步： 检查 时间偏差 —— 通过时间序列分析，确认样本的时间代表性。
3. 第三步： 检查 选择偏差 和 幸存者偏差 —— 分析样本过滤逻辑，确认是否遗漏关键客群。
4. 第四步： 检查 采样偏差 —— 确认采样策略是否破坏了原始分布，是否需要概率校准。