3. PSI 概念解析：群体稳定性指标（PSI）的数学定义、物理意义与核心思想
群体稳定性指标（Population Stability Index，PSI）是模型监控中最核心的量化工具之一。它用于衡量模型评分（或预测概率）在两个不同时间窗口或样本集之间的分布偏移程度。简单来说，PSI 回答了这样一个问题：“模型今天看到的客户群体，和建模时看到的客户群体，还是同一批人吗？”
3.1 数学定义：从信息论到分箱计算
PSI 的数学基础源于信息论中的 KL 散度（Kullback-Leibler Divergence），但经过工程化改造后，采用分箱（Binning）方式进行近似计算。其标准公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- i = 第 i 个分箱（通常为 10 或 20 等分箱）
- Actual_i = 当前样本（实际分布）在第 i 箱中的占比（%）
- Expected_i = 基准样本（期望分布）在第 i 箱中的占比（%）计算步骤（标准流程）：
- 分箱：将基准样本的评分/概率按数值升序排列，等频或等宽划分为 K 个区间（通常 K=10）。
- 计算基准占比：统计每个区间内基准样本的数量占比（Expected_i）。
- 映射当前样本：使用相同的分箱边界，统计当前样本落在每个区间的数量占比（Actual_i）。
- 逐箱计算：对每个区间计算 (Actual_i - Expected_i) × ln(Actual_i / Expected_i)。
- 求和：将所有区间的结果相加，得到最终的 PSI 值。
💡 工程注意点：当某个分箱中 Actual_i = 0 时，ln(0) 无定义。实践中通常对占比做微小平滑处理（如加 0.0001），或将该箱与相邻箱合并后再计算。
3.2 物理意义：分布偏移的“温度计”
PSI 的物理意义可以直观理解为：两个分布之间的“距离”或“差异程度”。数值越大，说明当前样本分布与基准样本分布偏离越严重。
| PSI 数值范围 | 偏移程度 | 建议行动 |
|---|---|---|
| < 0.10 | 无显著偏移 | 模型可继续使用，常规监控即可 |
| 0.10 ~ 0.25 | 轻度偏移 | 需关注，排查特征分布变化，准备重训 |
| > 0.25 | 严重偏移 | 立即告警，模型需紧急重训或下线审查 |
这些阈值（0.10、0.25）是工业界广泛使用的经验值，但具体业务场景可做微调。例如，在信贷风控中，0.15 可能就已触发人工复核。
3.3 核心思想：为什么是“群体稳定性”？
PSI 的核心思想可以概括为三个层次：
- 分布一致性假设：模型训练时假设训练集与未来应用集来自同一分布。PSI 就是检验这个假设是否仍然成立。
- 敏感于“整体漂移”：不同于单特征漂移检测（如 KS 检验、PSI 对特征），PSI 直接作用于模型输出分数，能捕捉到所有特征变化在模型层面的综合效应。
- 可解释性：通过分箱贡献度分析，可以快速定位是哪个分数区间的客户占比发生了剧烈变化，从而反推业务原因（如获客渠道调整、政策变更、客群下沉等）。
🔑 一句话总结：PSI 不是看模型“准不准”，而是看模型“面对的人群变没变”。即使模型精度暂时未下降，PSI 升高也是重要的预警信号。
3.4 PSI 与单特征漂移检测的对比
在模型监控体系中，PSI 并非孤立使用。下表对比了 PSI 与常见的单特征漂移检测方法：
| 维度 | PSI（群体稳定性指标） | 单特征 PSI / KS 检验 |
|---|---|---|
| 检测对象 | 模型输出分数/概率 | 单个输入特征 |
| 综合程度 | 高——反映所有特征变化的综合效应 | 低——仅反映单一特征变化 |
| 告警灵敏度 | 中等——需要一定程度的整体偏移才触发 | 高——单个特征突变即可触发 |
| 定位问题 | 弱——只能知道“整体变了”，需结合特征分析定位原因 | 强——直接定位到具体特征 |
| 监控频率 | 每日/每周（取决于业务量） | 实时或准实时 |
⚠️ 常见误区：PSI 低（<0.10）不代表模型一定没问题。如果模型已经失效（如特征与目标关系改变），但分数分布未变，PSI 可能仍然很低。因此 PSI 应与其他监控指标（如模型精度、特征重要性变化）配合使用。
3.5 核心思想总结
PSI 的本质是“分布一致性检验”在模型监控中的工程化落地。它不关心模型预测得准不准，只关心模型面对的群体是否发生了结构性变化。这种变化可能来自：
- 客群结构变化：新渠道引入低质量客户，或政策导致优质客户流失。
- 宏观环境变化：经济周期、行业监管、季节性波动。
- 数据采集变化：上游数据源变更、特征缺失率上升、数据口径调整。