2. PSI计算原理：分箱方法与分布计算逻辑
群体稳定性指标（PSI）的核心在于量化“实际分布”与“预期分布”之间的偏移程度。要准确计算这种偏移，首先需要将连续型或离散型的模型分数进行分箱（Binning），然后分别统计每个箱体内的样本占比。本章将深入解析三种主流分箱方法及其背后的分布计算逻辑。
2.1 分箱方法：三种核心策略对比
分箱的目的是将连续的分数区间划分为若干个离散的区间（桶），以便进行频率统计。选择不同的分箱方法会直接影响PSI的敏感度和稳定性。以下是三种最常用的方法：
| 分箱方法 | 核心原理 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 等距分箱 | 将分数范围 [min, max] 划分为宽度相等的区间。 | 实现简单，区间边界直观。 | 样本分布不均时，部分箱体可能样本极少或为空。 | 分数分布均匀，或需要固定刻度对比时。 |
| 等频分箱 | 使每个箱体包含大致相同数量的样本。 | 避免空箱，每个箱体统计意义稳定。 | 边界值可能落在分数密集区，导致区间宽度差异大。 | 样本分布偏态严重，或需要保证每个箱体统计可靠性时。 |
| 分位数分箱 | 基于数据的分位数（如十分位数、二十分位数）划分边界。 | 对分布尾部敏感，能捕捉极端值偏移。 | 分位数点计算复杂，对样本量要求较高。 | 关注高分或低分尾部风险，或用于风险评级映射。 |
实践建议：在模型监控中，等频分箱是最稳健的选择，尤其当预期分布来自建模样本（OOT或验证集）时。它能确保每个箱体在预期分布中都有足够的样本支撑，避免因空箱导致的PSI计算异常。
2.2 分箱流程与SVG示意图
无论采用哪种分箱方法，其核心流程都遵循“定义边界 → 划分区间 → 统计频数”的步骤。下图展示了从原始分数到分箱区间的完整转换过程。
2.3 实际分布与预期分布的计算逻辑
在完成分箱后，PSI的计算依赖于两个核心分布：预期分布（Expected Distribution）和实际分布（Actual Distribution）。它们的计算逻辑如下：
- 确定分箱边界：基于预期样本（如建模时的验证集或OOT样本），使用上述任一分箱方法，确定K个箱体的边界值
[b0, b1, b2, ..., bk]。 - 计算预期占比（Ei）：统计预期样本中落在第i个箱体内的样本数量
nE_i，除以预期样本总数NE，得到预期占比：
Ei = nE_i / NE - 计算实际占比（Ai）：将相同的边界值应用于当前监控期的实际样本，统计实际样本中落在第i个箱体内的样本数量
nA_i，除以实际样本总数NA，得到实际占比：
Ai = nA_i / NA - 计算PSI：对每个箱体，计算
(Ai - Ei) * ln(Ai / Ei)，然后对所有箱体求和。
关键陷阱：实际分布计算时，必须严格复用预期分布的分箱边界。如果对实际样本重新分箱，会导致箱体不一致，PSI计算结果将完全失真。此外，当某个箱体的预期占比
Ei = 0 时，需要对占比进行平滑处理（如加一个小常数），避免除零错误。
2.4 分布计算逻辑的SVG图解
下面的SVG图直观展示了从原始分数到PSI值的完整计算链路，重点突出“边界复用”这一核心原则。
2.5 分箱数量与PSI稳定性
分箱数量（K值）的选择是PSI计算中的一个重要超参数。K值过小或过大都会影响监控效果：
- K值过小（如K=5）：箱体太粗，可能掩盖局部的分布偏移，导致PSI对早期风险不敏感。
- K值过大（如K=20或更多）：箱体太细，每个箱体的样本量减少，统计波动增大，可能导致PSI频繁误报。
- 推荐实践：在信用评分卡监控中，通常使用 K=10（十分位数）或 K=20（二十分位数）作为默认值。对于样本量较大的场景（如N>10万），K=20能提供更精细的监控粒度。
核心要点回顾：
- 分箱方法选择：等频分箱最稳健，分位数分箱对尾部敏感。
- 边界复用：实际分布必须使用预期分布确定的边界。
- K值选择：推荐10~20，根据样本量和监控粒度调整。
- 平滑处理：当Ei=0时，需进行平滑以避免计算错误。