1. 样本偏差概述
1.1 什么是样本偏差
样本偏差（Sample Bias）是指在数据采集或建模过程中，所选样本未能真实、完整地反映目标总体分布的系统性偏差。在风控场景中，样本偏差意味着用于训练或验证风控模型的数据集，与模型实际部署后所面对的客群分布存在结构性差异。
核心公式： 样本分布 Psample(X, Y) ≠ 总体分布 Ppopulation(X, Y)
样本偏差不是随机噪声，而是具有方向性的系统误差。它会导致模型在训练集上表现良好，但在真实环境中性能急剧下降，这种现象在风控领域被称为“训练-部署漂移”。
1.2 风控场景中样本偏差的危害
样本偏差对风控模型的影响是全链条的，从特征工程到模型评估再到上线监控，每个环节都可能被偏差侵蚀。下表总结了主要危害维度：
| 危害维度 | 具体表现 | 业务后果 |
|---|---|---|
| 模型评估失真 | 验证集与真实客群分布不一致，AUC/KS虚高 | 误判模型效果，上线后实际区分能力远低于预期 |
| 拒绝推断失效 | 仅用通过样本建模，忽略被拒客群的真实表现 | 模型对高风险客群识别能力弱，扩大信用损失 |
| 策略误判 | 基于偏差样本制定的审批阈值不适用于全量客群 | 通过率异常波动，或坏账率超出风险容忍度 |
| 监管合规风险 | 样本偏差导致模型对特定群体不公平 | 违反公平借贷法规，面临监管处罚与声誉损失 |
| 监控预警失灵 | 偏差样本建立的监控基线无法反映真实分布变化 | 模型退化无法及时发现，风险敞口持续扩大 |
⚠ 关键认知： 样本偏差是风控模型“实验室效果”与“生产效果”之间最大鸿沟的来源之一。忽视样本偏差的模型，本质上是在用历史的有偏数据预测未来的全量分布，这种外推风险极高。
1.3 常见偏差类型
风控场景中最常遇到的样本偏差有三种：选择偏差、幸存者偏差和时间偏差。理解它们的成因和表现是进行SQL校验的前提。
1.3.1 选择偏差（Selection Bias）
选择偏差发生在样本选取过程非随机，导致某些群体被系统性排除或过度代表。在风控中，最典型的选择偏差是“样本自选择”——只有通过审批的客户才有表现标签，被拒绝的客户永远无法进入建模样本。
- 成因： 审批策略过滤、数据采集渠道限制、样本量不足时的主动筛选
- 风控案例： 仅用“已放款且还款超过3期”的客户建模，忽略了申请即拒绝的高风险群体
- SQL校验思路： 对比建模样本与全量申请客群在关键特征（年龄、收入、征信分）上的分布差异
1.3.2 幸存者偏差（Survivorship Bias）
幸存者偏差是选择偏差的一种特殊形式，指只关注“幸存”或“存活”下来的样本，而忽略了已经“死亡”或“流失”的样本。在风控中，幸存者偏差常出现在贷后表现期不足或提前结清的场景。
- 成因： 观察期截断、提前结清客户被剔除、逾期催回后标记为“正常”
- 风控案例： 分析“历史逾期客户”时只统计当前仍在贷的客户，忽略了已经核销或失联的坏账
- SQL校验思路： 按时间窗口分层统计不同表现状态（正常/逾期/核销）的样本占比变化
1.3.3 时间偏差（Temporal Bias）
时间偏差源于样本的时间窗口与模型部署环境的时间分布不一致。风控模型通常使用历史数据训练，但客群行为、宏观经济、政策环境都在随时间变化，导致历史样本无法代表未来。
- 成因： 训练集与测试集时间窗口不连续、季节性因素未考虑、政策/产品变更
- 风控案例： 用2022年疫情宽松期的样本训练模型，在2023年经济复苏期上线，客群还款能力分布已发生偏移
- SQL校验思路： 按月份/季度统计特征分布的时间序列，检测是否存在结构性断点或趋势漂移
1.4 偏差类型对比总结
下表从多个维度对比三种偏差类型，帮助在实际SQL校验中快速识别和定位问题：
| 对比维度 | 选择偏差 | 幸存者偏差 | 时间偏差 |
|---|---|---|---|
| 偏差来源 | 样本选取过程非随机 | 仅关注“存活”样本 | 时间窗口不匹配 |
| 风控典型场景 | 建模样本仅含通过审批客户 | 只分析当前在贷客户的历史表现 | 用2023年数据预测2024年客群 |
| 影响对象 | 模型训练集与全量申请集 | 表现期标签与真实贷后状态 | 训练集与部署集的时间分布 |
| SQL校验方法 | 特征分布KS检验、PSI计算 | 分层状态占比、生存分析 | 时间序列趋势检测、分月PSI |
| 修正难度 | 中（需拒绝推断） | 高（需完整贷后数据） | 中（需时间对齐或增量学习） |
💡 实践要点： 在风控SQL校验中，三种偏差往往同时存在。建议按照“时间窗口对齐 → 样本完整性检查 → 分布稳定性评估”的顺序逐层排查，避免遗漏。