2. 样本偏差基础

2.1 偏差的统计学定义

在统计学与机器学习中，偏差（Bias）是指模型预测值的期望与真实值之间的系统性偏离。它衡量的是算法为了简化学习而引入的假设误差。高偏差意味着模型对训练数据的拟合不足（Underfitting），无法捕捉数据中的真实模式。

从数学角度，偏差可以形式化定义为：

Bias(ŷ) = E[ŷ] − y

其中：

• E[ŷ]：模型在不同训练集上预测值的期望
• y：真实值

在风控建模中，偏差直接决定了模型对信贷违约、欺诈等风险事件的预估是否在整体上存在系统性高估或低估。一个高偏差的评分卡可能对所有客群的违约概率都预测偏低，导致风险敞口失控。

2.2 常见偏差类型

在风控样本校验场景中，以下三种偏差类型最为常见且危害最大：

2.3 选择偏差（Selection Bias）

选择偏差是最常见的样本偏差类型，其核心问题是样本选择过程与目标变量相关。在信贷风控中，典型的表现是“拒绝推断”问题：建模样本仅包含历史审批通过的客户，而审批被拒的客户（其违约状态未知）被完全排除。

选择偏差的数学表达：

P(Y|X, S=1) ≠ P(Y|X)

其中 S=1 表示样本被选中。当选择机制与 Y 相关时，基于观测样本估计的条件分布会偏离真实总体分布。

2.4 幸存者偏差（Survivorship Bias）

幸存者偏差是选择偏差的一种特殊形式，指分析时只关注“存活”到当前时刻的个体。在风控建模中，如果只使用当前仍在还款的客户数据训练模型，模型将无法学习到违约客户的行为模式，导致对违约风险的严重低估。

典型后果：

• 模型对高风险客群的区分能力下降
• 评分卡高分区间实际违约率高于预期
• 模型在压力测试场景下失效

2.5 确认偏差（Confirmation Bias）

确认偏差属于认知偏差，在风控建模中表现为分析师或建模人员有意无意地选择支持自己假设的数据、特征或样本区间。这种偏差虽然不直接源于数据采集过程，但会通过人为的数据筛选和特征工程环节渗透到模型中。

常见表现形式：

1. 时间区间选择：选择模型表现最好的时间段作为训练集
2. 特征选择性报告：只展示支持某特征有效的统计检验结果
3. 样本过滤：剔除不符合预期的异常值或特殊客群

2.6 偏差对模型的影响

偏差对风控模型的影响是多维度且相互关联的。下表总结了三种偏差在模型生命周期各阶段的具体影响：

2.7 偏差校验的核心原则

在Risk Gateway样本偏差校验实战中，遵循以下原则可有效降低偏差风险：

1. 事前预防优于事后纠偏：在数据采集阶段就明确总体定义和抽样策略
2. 多维度交叉验证：同时使用统计检验（KS、PSI、卡方）和业务逻辑判断
3. 保留拒绝样本：即使无法获取真实标签，也应保留特征分布用于代表性校验
4. 建立偏差监控基线：在模型上线前确定可接受的偏差阈值