3、缺失值类型与分类：完全随机缺失(MCAR)、随机缺失(MAR)、非随机缺失(MNAR)在金融数据中的实例

在金融风控与特征工程中，缺失值并非简单的“数据空白”。理解缺失机制是选择填充策略、评估模型偏差的前提。缺失机制分为三类：完全随机缺失（MCAR）、随机缺失（MAR）和非随机缺失（MNAR）。误判缺失类型会导致填充偏差，直接影响信用评分模型的区分度与稳定性。

3.1 三类缺失机制的核心定义与对比

3.2 金融数据中的实例详解

3.2.1 完全随机缺失（MCAR）实例

场景：某银行信贷申请系统在特定时段（如凌晨2:00-2:05）因数据库连接池抖动，导致该时段内所有申请记录的“职业类型”字段随机丢失。

• 缺失特征：职业类型（categorical）
• 缺失原因：系统故障，与客户资质、收入、信用分无关
• 验证方法：对缺失组与非缺失组的其他特征（如收入、年龄、负债率）做 t 检验或 KS 检验，若无显著差异，则支持 MCAR 假设。
• 处理建议：可直接删除缺失样本（若比例<5%），或使用众数填充，不会引入偏差。

3.2.2 随机缺失（MAR）实例

场景：在信用卡申请数据中，“年收入”字段的缺失概率与已观测的“职业类型”和“学历”相关。自由职业者（已观测）比公务员更倾向于不填写收入。

• 缺失特征：年收入（continuous）
• 缺失原因：依赖于已观测的“职业类型”和“学历”，但与收入本身的高低无关（即高收入者不一定缺失）
• 验证方法：构建逻辑回归模型，以“是否缺失收入”为因变量，以“职业类型”、“学历”等为自变量，若系数显著，则支持 MAR。
• 处理建议：使用多重插补（MICE）或基于回归的预测填充，利用已观测变量信息。

3.2.3 非随机缺失（MNAR）实例

场景：在贷后管理数据中，“客户最新联系电话”字段的缺失。逾期超过90天的客户（高风险）故意不更新联系方式，而正常还款客户联系方式完整。

• 缺失特征：联系电话（categorical）
• 缺失原因：缺失概率依赖于“是否逾期”这个未观测或难以观测的状态，且与缺失变量本身（联系方式）直接相关——越不想被催收的客户越不提供。
• 验证方法：无法直接通过数据验证，需结合业务逻辑或外部数据（如催收记录、第三方联系人匹配率）推断。
• 处理建议：不能简单填充。需引入辅助变量（如催收次数、第三方数据），或使用选择模型（Heckman correction）进行偏差校正。

3.3 三类缺失机制的识别流程

在实际金融数据中，严格区分三类缺失并不容易。以下是一个实用的识别决策流程：

1. 业务溯源：与数据采集团队确认缺失原因（系统故障、用户主动跳过、字段废弃）。
2. 统计检验：对缺失组与非缺失组的其他特征做分布差异检验（t检验、卡方检验）。
3. 逻辑回归诊断：以缺失标志为因变量，其他特征为自变量，观察显著变量。
4. 领域知识判断：若缺失与敏感信息（如收入、逾期状态）强相关，优先怀疑 MNAR。
5. 敏感性分析：分别用 MCAR、MAR、MNAR 假设下的填充策略建模，观察模型稳定性。

3.4 三类缺失机制的关系与决策树

下图展示了从数据缺失到处理策略的完整决策路径，帮助你在金融特征监控中快速定位缺失类型并选择对应方法。

3.5 缺失类型对特征监控的影响

在特征缺失巡检中，不同缺失类型对监控指标的影响差异显著：