4. 数据分布偏移（一）：训练集与验证集时间窗口不一致导致的 PSI 升高

在模型验证实践中，时间窗口不一致是最常见、也最容易被忽视的 PSI 异常诱因。训练集与验证集（或上线后的监控集）如果取自不同的时间区间，即便客群本身没有发生结构性变化，仅因宏观经济周期、季节性行为或业务策略调整，就足以导致特征分布产生系统性偏移，进而推高 PSI。

4.1 时间窗口不一致的典型场景

4.2 偏移传导机制

时间窗口不一致导致 PSI 升高的传导路径通常分为三步：

1. 外部环境变化：利率调整、消费旺季、监管新规等改变用户行为模式。
2. 特征分布漂移：例如“近30天消费金额”在双十一前后均值上升 40%，分箱边界不再适用。
3. 模型打分偏移：特征分布变化传导至模型输出概率，导致 PSI 超过阈值（通常 > 0.1）。

4.3 时间窗口偏移的 SVG 示意图

下图展示了训练集与验证集因时间窗口错位，导致特征分布产生系统性偏移的过程：

4.4 排查步骤清单

当怀疑 PSI 升高由时间窗口不一致引起时，建议按以下步骤排查：

• 步骤 1：核对时间元数据 —— 确认训练集、验证集、监控集各自的时间范围，精确到日。
• 步骤 2：计算分时段 PSI —— 将验证集按周/月拆分子集，分别与训练集计算 PSI，观察 PSI 是否随时间推移单调递增。
• 步骤 3：特征级时间敏感性分析 —— 对每个特征绘制“时间 vs 均值/分位数”趋势图，识别漂移最严重的特征。
• 步骤 4：外部事件对照 —— 列出时间窗口内的重大政策、市场事件，判断是否与特征漂移时点吻合。
• 步骤 5：重采样验证 —— 从训练集和验证集中各抽取时间对齐的子样本（如仅取同月份数据），重新计算 PSI，若 PSI 恢复正常，则确认是时间窗口问题。

4.5 时间窗口对齐前后的 PSI 对比

以下表格展示了一个真实案例：某消费金融模型在跨年验证时 PSI 异常，经时间窗口对齐后 PSI 恢复至正常水平。