缺失机制基础：MCAR、MAR、MNAR 的定义与金融场景举例

在金融风控与数据治理中，特征缺失并非随机噪声，其背后往往隐藏着系统性的数据生成逻辑。理解缺失机制是选择填补方法、评估偏差、构建稳健模型的前提。本章从统计学定义出发，结合信贷、反欺诈、交易监控等典型金融场景，逐一拆解三种缺失机制。

一、三种缺失机制的核心定义

二、MCAR：完全随机缺失

定义： 数据缺失的概率既不受已观测变量影响，也不受缺失变量本身影响，相当于数据集中随机“挖掉”一部分。

金融场景举例：

• 系统抽样故障： 某银行风控系统因硬件负载均衡策略，每 1000 笔交易中随机丢弃 1 笔的“设备指纹”字段，与交易金额、用户等级、欺诈标签均无关。
• 问卷录入失误： 客户申请信用卡时，纸质表单的“职业”字段因扫描仪随机缺页导致 2% 的缺失，与客户资质无关。
• 日志截断： 日志服务器按固定时间窗口轮转，导致部分历史交易记录的“IP 归属地”字段被均匀截断。

三、MAR：随机缺失（可观测依赖）

定义： 缺失概率依赖于其他已观测到的变量，但与缺失变量本身的值无关。这是金融场景中最常见的缺失机制。

金融场景举例：

• 收入字段缺失（依赖职业类型）： 在信贷申请中，“自雇人士”群体的“月均收入”字段缺失率高达 30%，而“受薪雇员”缺失率仅 2%。缺失概率由已观测的“职业类型”决定，与收入本身高低无关。
• 征信查询次数缺失（依赖申请渠道）： 通过“线下中介渠道”提交的申请，其“近 3 个月征信查询次数”缺失率显著高于“线上直营渠道”。缺失由渠道变量解释。
• 抵押物估值缺失（依赖贷款金额）： 对于贷款金额低于 50 万的小额信贷，银行常省略“抵押物第三方估值”字段，而大额贷款则强制录入。缺失概率由已观测的“贷款金额”决定。

四、MNAR：非随机缺失（不可忽略缺失）

定义： 缺失概率与缺失变量本身未观测到的值直接相关。这是最棘手的情况，因为缺失本身携带了信息。

金融场景举例：

• 逾期金额缺失（高逾期者故意不报）： 在贷后管理系统中，逾期金额越高的客户，越倾向于不接听催收电话，导致“客户承诺还款金额”字段缺失。缺失与高逾期值直接相关。
• 反欺诈标签缺失（欺诈者隐藏行为）： 真正的欺诈交易中，欺诈者会刻意清除“设备指纹”或“GPS 定位”字段，导致这些特征在欺诈样本中缺失率远高于正常交易。缺失本身就是欺诈信号。
• 风险评级缺失（高风险客户拒绝评估）： 在私募基金合格投资者认证中，风险承受能力最低的客户往往拒绝填写“投资经验”问卷，导致该字段缺失与低风险承受能力直接关联。

五、三种缺失机制的对比与识别策略

六、金融场景缺失机制快速判断流程

在实际风控数据巡检中，可按以下步骤快速判断缺失机制归属：

1. 步骤 1： 计算每个特征的缺失率，标记缺失率 > 5% 的特征。
2. 步骤 2： 将样本按关键业务变量（渠道、产品类型、客户等级）分组，进行卡方检验或 ANOVA，判断缺失率是否在不同组间存在显著差异。若差异不显著 → 暂按 MCAR 处理。
3. 步骤 3： 若差异显著，进一步检查缺失是否与目标变量（逾期标签、欺诈标签）相关。若缺失样本的目标变量分布与完整样本无显著差异 → 倾向 MAR；若有显著差异 → 高度怀疑 MNAR。
4. 步骤 4： 对于怀疑 MNAR 的特征，进行敏感性分析：假设缺失值全部为“好”或全部为“坏”，观察模型 AUC 变化幅度。若变化 > 0.03，则必须将缺失模式纳入模型。

七、不同缺失机制下的处理方法选择