2. PSI计算原理：分箱策略、实际分布与预期分布的计算、PSI分数区间解读、PSI阈值设定原则
2.1 分箱策略：将连续分布离散化为可比较区间
PSI（Population Stability Index）的核心思想是比较两个概率分布之间的差异。在风控模型中，我们通常比较的是模型评分（Score）或某个关键特征（Feature）在 预期分布（Expected Distribution） 与 实际分布（Actual Distribution） 上的差异。由于原始评分通常是连续值，直接计算分布差异非常困难，因此需要先进行 分箱（Binning）。
分箱是将连续变量划分为若干个离散区间（Bins）的过程。常见的分箱策略有三种：
| 分箱策略 | 方法描述 | 适用场景 | 注意事项 |
|---|---|---|---|
| 等距分箱 | 将评分范围按固定宽度（如每50分一个箱）划分。 | 评分分布均匀，无极端值。 | 容易导致某些箱内样本数为0，PSI计算失效。 |
| 等频分箱 | 基于预期分布的百分位数，使每个箱包含大致相等的样本数。 | 风控模型监控中最常用。 | 分箱边界由预期分布决定，实际分布可能出现空箱。 |
| 自定义分箱 | 根据业务经验或监管要求设定固定边界（如A/B/C/D等级）。 | 评分卡模型、监管报送场景。 | 需要定期验证边界是否仍具有区分度。 |
推荐策略： 在实时风控监控中，优先使用 等频分箱（基于预期分布）。它能够保证每个箱都有足够的样本量，避免因样本稀疏导致的PSI计算不稳定。通常建议分箱数量在 10～20 之间。
2.2 实际分布与预期分布的计算
在确定分箱边界后，我们需要分别计算每个箱在预期分布和实际分布中的 占比（Proportion）。
- 预期分布（Expected Distribution, %Ei）：通常基于模型开发时的训练集、验证集或上线初期的稳定样本。计算方式为：
%Ei = (箱 i 中的预期样本数) / (预期总样本数)。 - 实际分布（Actual Distribution, %Ai）：基于当前监控周期（如最近一天、一周）的实时数据。计算方式为：
%Ai = (箱 i 中的实际样本数) / (实际总样本数)。
PSI 的最终计算公式为：
PSI = Σ [ (%Ai - %Ei) * ln(%Ai / %Ei) ]其中，i 表示第 i 个箱，n 为总箱数。该公式本质上是 离散化的 KL 散度（Kullback-Leibler Divergence） 的对称化形式。
计算陷阱： 当某个箱在预期分布或实际分布中的占比为 0 时，
ln(0) 或 0/0 会导致计算异常。解决方案：对占比进行平滑处理（如加一个极小值 1e-6），或强制将空箱与相邻箱合并。
2.3 PSI分数区间解读：量化分布偏移程度
PSI 的计算结果是一个非负实数。数值越大，表示实际分布与预期分布的差异越大，即模型或特征发生了越严重的 漂移（Drift）。业界通用的解读标准如下：
| PSI 分数区间 | 漂移程度 | 业务含义与建议 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 模型分布稳定，无需干预。属于正常波动范围。 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 需要关注。建议检查近期数据源、客群结构是否发生变化，启动人工复核。 |
| PSI ≥ 0.25 | 严重漂移 | 模型可能已失效。必须立即触发告警，暂停模型使用，启动模型重训或回滚。 |
关键认知： PSI 是一个 相对指标，而非绝对指标。同样的 PSI 值，在不同业务场景（如信贷审批 vs. 反欺诈）下的容忍度可能不同。建议结合业务损失曲线来动态调整阈值。
2.4 PSI阈值设定原则：从统计到业务决策
阈值设定是 PSI 监控落地的核心环节。一个合理的阈值需要平衡 灵敏度（Recall） 与 特异度（Precision），避免过多误报或漏报。以下是四条核心设定原则：
- 统计显著性原则： 基于卡方检验或 KS 检验的临界值。例如，当分箱数为 10 时，PSI 在 0.1 左右对应 p-value ≈ 0.05 的显著性水平。
- 业务容忍度原则： 根据模型对业务指标（如坏账率、通过率）的影响来设定。例如，当 PSI 超过 0.2 时，通过率下降超过 5%，则触发告警。
- 分层分级原则： 不同模型、不同特征使用不同阈值。核心模型（如信用评分卡）阈值更严格（如 0.1），辅助特征阈值可放宽（如 0.2）。
- 动态调整原则： 阈值不是一成不变的。随着模型服役时间增长，可基于历史 PSI 分布的百分位数（如 P95）动态调整告警线。
阈值设定避坑指南：
- 不要直接套用 0.1/0.25 的通用阈值，必须结合自身业务数据分布进行校准。
- 警惕“零漂移”陷阱： 如果 PSI 长期为 0，可能是分箱策略过于粗糙（如只有 2 个箱），导致分布差异被掩盖。
- 区分特征漂移与模型漂移： 特征 PSI 高但模型 PSI 低，可能是模型鲁棒性强；反之，模型 PSI 高但特征 PSI 低，可能是模型内部权重发生了偏移。