缺失值基础：金融数据中缺失值的类型（MCAR、MAR、MNAR）及其业务含义

在金融风控建模中，缺失值并非简单的“数据空白”，其背后往往隐藏着特定的业务逻辑与样本选择机制。理解缺失值的产生类型，是决定后续填充策略、模型偏差评估以及特征稳定性分析的前提。根据缺失机制与观测数据的关系，缺失值可分为三类：完全随机缺失（MCAR）、随机缺失（MAR） 和 非随机缺失（MNAR）。

三类缺失机制的核心定义与对比

MCAR：完全随机缺失

MCAR 是最理想的缺失场景，缺失数据可视为从完整数据集中随机删除的子集。此时，观测到的样本仍然是无偏的，可以直接删除缺失样本或使用简单均值填充，不会引入系统性偏差。

• 业务含义： 缺失行为与客户风险无关，通常由技术故障或操作失误引起。
• 风控影响： 对模型参数估计影响最小，但会降低有效样本量，影响统计功效。
• 检验方法： 可通过分组比较（如缺失组 vs 完整组在其他变量上的均值差异）进行 Little's MCAR 检验。

MAR：随机缺失

MAR 是实际业务中最常见的假设。缺失概率可由其他已观测变量解释。例如，在信贷申请数据中，“工作年限”字段缺失的概率可能与“年龄”和“学历”相关——年轻或低学历申请人更倾向于跳过该字段，但缺失与否与申请人实际的工作年限长短无关。

• 业务含义： 缺失模式反映了客户群体的行为特征，可通过其他特征进行建模预测。
• 风控影响： 若忽略 MAR 结构直接删除，会导致有偏估计；但若使用基于似然的方法（如 EM 算法、多重插补）或包含辅助变量的模型，可得到无偏估计。
• 处理策略： 利用逻辑回归或随机森林构建缺失指示变量，或使用 MICE（链式方程多重插补）进行填充。

MNAR：非随机缺失

MNAR 是最棘手的情况，缺失本身携带了信息。例如，在贷后监控中，“联系人电话”字段缺失——失联客户往往处于逾期状态，缺失直接与违约风险正相关。此时，缺失值本身就是强特征。

• 业务含义： 缺失行为是客户风险状态的“信号”，缺失即信息。
• 风控影响： 直接删除或简单填充都会严重扭曲模型，必须引入缺失指示变量或使用选择模型（Heckman 模型）进行校正。
• 处理策略： 将缺失单独编码为一个类别（如 -999 或 “Unknown”），或构建缺失标志位作为独立特征加入模型。

三类缺失机制的业务决策树

金融风控中的缺失类型识别流程

在实际项目中，可通过以下步骤快速判断缺失类型，并制定相应的治理策略：

1. 计算缺失率与目标变量分布： 将样本按“是否缺失”分组，比较两组在逾期标签上的均值差异。
2. 相关性分析： 计算缺失指示变量与其他已观测特征（如年龄、收入、负债比）的相关系数。
3. 逻辑回归检验： 以缺失指示变量为因变量，其他完整特征为自变量构建逻辑回归模型。若模型显著（AUC > 0.7），则拒绝 MCAR 假设，倾向于 MAR 或 MNAR。
4. 领域知识验证： 结合业务逻辑判断缺失是否与客户风险直接相关（如失联、拒绝提供信息），确认是否为 MNAR。

缺失类型对 PSI 稳定性的影响