2. PSI 数学原理与公式推导
群体稳定性指标（Population Stability Index, PSI）是衡量模型评分分布随时间或样本集变化的量化工具。其核心思想是通过比较两个概率分布之间的差异程度，判断模型是否发生显著漂移。本节将从信息论基础出发，逐步推导 PSI 的数学公式，并解释分箱与概率分布对比的关键步骤。
2.1 PSI 的数学定义
PSI 的数学表达式基于两个离散概率分布之间的散度计算。设实际分布（Actual Distribution）为 \(A\)，预期分布（Expected Distribution）为 \(E\)，两者均被划分为 \(n\) 个等宽或等频的分箱。PSI 定义为：
PSI = Σ (A_i - E_i) * ln(A_i / E_i) for i = 1 to n其中：
- A_i：第 \(i\) 个分箱中实际样本的占比（实际分布）
- E_i：第 \(i\) 个分箱中预期样本的占比（预期分布，通常为建模时的训练集分布）
- ln(A_i / E_i)：自然对数比率，衡量两个比例之间的偏离程度
- n：分箱总数
PSI 值越大，表示两个分布之间的差异越大，模型稳定性越差。行业经验阈值通常为：
| PSI 范围 | 稳定性判断 | 建议行动 |
|---|---|---|
| < 0.10 | 稳定 | 无需调整 |
| 0.10 – 0.25 | 轻度漂移 | 需监控并排查原因 |
| > 0.25 | 显著漂移 | 必须重新训练或调整模型 |
2.2 基于信息论与分布差异的推导
PSI 的数学根源可追溯到信息论中的 Kullback-Leibler 散度（KL 散度）。KL 散度衡量两个概率分布 \(P\) 和 \(Q\) 之间的非对称差异：
KL(P || Q) = Σ P_i * ln(P_i / Q_i)PSI 实际上是两个 KL 散度的对称化组合：
PSI = KL(A || E) + KL(E || A)展开后得到：
PSI = Σ A_i * ln(A_i / E_i) + Σ E_i * ln(E_i / A_i)
= Σ (A_i - E_i) * ln(A_i / E_i)这种对称化处理使得 PSI 同时考虑了实际分布相对于预期分布的偏离，以及预期分布相对于实际分布的偏离，从而得到一个无偏的稳定性度量。
2.3 分箱与概率分布对比
PSI 的计算依赖于将连续评分结果离散化为有限数量的分箱。分箱策略直接影响 PSI 的敏感性和稳定性。常用的分箱方法包括：
- 等宽分箱：将评分范围均匀划分为 \(n\) 个区间，每个区间宽度相同。适用于评分分布均匀的场景。
- 等频分箱：使每个分箱包含相同数量的样本。适用于评分分布不均匀的场景，可避免空箱或样本过少的问题。
- 自定义分箱：基于业务规则或风险等级划分，如按信用评分等级（A/B/C/D）分箱。
分箱数量 \(n\) 的选择需权衡：分箱过少会丢失细节，分箱过多则可能引入噪声。行业实践中通常取 \(n = 10\) 或 \(n = 20\)。
2.4 计算示例
假设某信贷模型评分范围为 0-100，分为 5 个等频分箱，预期分布与实际分布如下：
| 分箱 | 评分区间 | 预期占比 E_i | 实际占比 A_i | A_i - E_i | ln(A_i / E_i) | 单项 PSI |
|---|---|---|---|---|---|---|
| 1 | 0-20 | 0.20 | 0.25 | 0.05 | 0.2231 | 0.0112 |
| 2 | 21-40 | 0.20 | 0.22 | 0.02 | 0.0953 | 0.0019 |
| 3 | 41-60 | 0.20 | 0.18 | -0.02 | -0.1054 | 0.0021 |
| 4 | 61-80 | 0.20 | 0.20 | 0.00 | 0.0000 | 0.0000 |
| 5 | 81-100 | 0.20 | 0.15 | -0.05 | -0.2877 | 0.0144 |
| PSI 合计 | 0.0296 | |||||
计算得到的 PSI = 0.0296 < 0.10，表明模型在当前样本上保持稳定，未发生显著漂移。
2.5 PSI 的局限性
尽管 PSI 是风控模型漂移检测的常用指标，但在实际应用中存在以下局限性：
- 对分箱方式敏感：不同的分箱策略可能导致不同的 PSI 值，需结合业务场景选择合适的分箱方法。
- 无法区分漂移方向：PSI 仅反映分布差异的大小，无法指示评分是向高风险还是低风险方向漂移。
- 对样本量敏感：小样本情况下，PSI 可能因随机波动而高估漂移程度。
- 无法定位漂移原因：PSI 只能检测到漂移的存在，但无法直接指出是哪个特征或评分区间导致了漂移。
因此，在实际风控监控中，PSI 通常与特征级稳定性指标（如特征 PSI、特征分布图）结合使用，以全面评估模型健康状况。