4. 缺失对模型训练的影响：样本量减少导致的信息损失、参数估计偏差、模型泛化能力下降

特征缺失在模型训练阶段会引发一系列连锁反应，直接影响模型的稳定性和预测能力。本节从三个核心维度剖析其影响机制：样本量缩减带来的统计效力损失、参数估计的系统性偏差，以及最终导致的泛化能力退化。

4.1 样本量减少与信息损失

当特征存在缺失时，最直接的后果是可用样本量下降。以逻辑回归或树模型为例，若采用行删除法（Listwise Deletion），任何包含缺失值的样本都会被排除在训练集之外。这种“隐性降采样”会带来以下问题：

• 统计效力降低：样本量减少导致置信区间变宽，假设检验的敏感度下降，原本显著的变量可能变得不显著。
• 稀有事件丢失：在风控场景中，违约样本本身占比低（通常<5%），缺失值若集中在少数违约样本上，会直接导致模型无法学习到关键的违约模式。
• 特征交互信息断裂：多个特征同时缺失时，样本被整行删除，丢失了特征之间潜在的联合分布信息。

4.2 参数估计偏差

缺失机制的不同决定了偏差的方向与程度。根据缺失机制分类，参数估计偏差的表现如下表所示：

4.3 模型泛化能力下降

泛化能力下降是样本量减少与参数偏差共同作用的结果。具体表现为：

• 过拟合风险上升：有效样本量减少后，模型更容易记住噪声而非真实模式。在风控模型中，过拟合会导致训练集AUC高（如0.85），但跨时间验证集AUC骤降（如0.65）。
• 变量系数不稳定：缺失导致的样本子集可能无法代表总体分布，同一变量在不同缺失模式下系数波动剧烈，模型可解释性受损。
• 跨群体迁移能力弱：若缺失模式在不同客群（如新客 vs 老客）中分布不均，模型在某一客群上训练后，在另一客群上表现显著退化。

4.4 量化影响：一个模拟示例

以下代码模拟了不同缺失率下，逻辑回归模型在风控数据集上的性能变化。该示例展示了样本量减少与参数偏差如何共同侵蚀模型效果。

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split

# 生成模拟风控数据：10000样本，5个特征，违约率5%
np.random.seed(42)
n = 10000
X = np.random.randn(n, 5)
# 真实系数
true_coef = np.array([1.2, -0.8, 0.5, 0.3, -0.2])
log_odds = X @ true_coef + np.random.normal(0, 0.5, n)
y = (1 / (1 + np.exp(-log_odds)) > 0.95).astype(int)

# 模拟不同缺失率（MCAR）下的模型表现
missing_rates = [0.0, 0.1, 0.2, 0.3, 0.4, 0.5]
results = []

for mr in missing_rates:
    X_missing = X.copy()
    mask = np.random.binomial(1, mr, X_missing.shape).astype(bool)
    X_missing[mask] = np.nan
    
    # 行删除法
    valid_rows = ~np.isnan(X_missing).any(axis=1)
    X_clean = X_missing[valid_rows]
    y_clean = y[valid_rows]
    
    if len(X_clean) > 100:
        X_train, X_test, y_train, y_test = train_test_split(
            X_clean, y_clean, test_size=0.3, random_state=42
        )
        model = LogisticRegression(max_iter=1000)
        model.fit(X_train, y_train)
        y_pred = model.predict_proba(X_test)[:, 1]
        auc = roc_auc_score(y_test, y_pred)
        results.append({
            'missing_rate': mr,
            'sample_size': len(X_clean),
            'train_auc': roc_auc_score(y_train, model.predict_proba(X_train)[:, 1]),
            'test_auc': auc
        })

results_df = pd.DataFrame(results)
print(results_df.round(4))

4.5 应对策略概览

针对上述影响，风控建模中常用的缓解策略包括：