3. 批次偏移的检测指标体系

批次偏移诊断的核心在于建立一套可量化、可对比、可预警的指标体系。单一指标往往只能反映偏移的某个侧面，只有组合使用多个指标，才能全面判断偏移的性质、幅度和影响范围。本章系统介绍授信决策引擎批次偏移检测的四大核心指标：PSI、特征分布差异度、拒绝推断偏差率、通过率突变幅度。

3.1 群体稳定性指标（PSI）

PSI（Population Stability Index）是衡量两个样本群体在评分或特征分布上差异程度的经典指标，广泛应用于风控模型监控和批次偏移检测。其计算公式为：

PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)

其中，Actual_i 为当前批次在第 i 个分箱中的实际占比，Expected_i 为基准批次（如建模样本或稳定期样本）在第 i 个分箱中的预期占比。PSI 的判定标准如下：

3.2 特征分布差异度

特征分布差异度用于量化单个特征在批次间的分布变化，是 PSI 的细粒度补充。当整体 PSI 正常但某个特征发生结构性偏移时，特征分布差异度能提前暴露问题。常用度量方法包括：

• KS 统计量：衡量两个批次在特征累积分布上的最大垂直距离，适用于连续型特征。
• JS 散度：基于信息熵的对称性度量，对分布尾部变化敏感。
• 沃瑟斯坦距离：考虑特征值之间的实际距离，适合有序特征。

下表对比了三种方法的适用场景：

3.3 拒绝推断偏差率

拒绝推断偏差率（Reject Inference Bias Rate）专门用于衡量因拒绝样本缺失导致的批次偏移。在授信决策中，被拒绝的客户没有后续表现数据，但他们的特征分布变化会直接影响模型对通过样本的预测稳定性。计算公式为：

拒绝推断偏差率 = |P_reject(特征) - P_accept(特征)| / P_accept(特征)

其中，P_reject(特征) 为拒绝样本中某特征的分布，P_accept(特征) 为通过样本中该特征的分布。该指标的核心价值在于：

• 识别选择性偏差：当拒绝样本与通过样本的特征分布差异持续扩大时，说明决策策略正在改变客群结构。
• 量化推断风险：偏差率越高，拒绝推断模型的不确定性越大，批次偏移的潜在影响越严重。
• 指导策略调整：偏差率超过 0.3 时，建议重新评估拒绝策略或引入外部数据补充。

3.4 通过率突变幅度

通过率突变幅度（Approval Rate Shift Amplitude）是最直观的批次偏移指标，直接反映决策引擎输出结果的变化。其计算方式为：

通过率突变幅度 = |当前批次通过率 - 基准批次通过率| / 基准批次通过率

该指标通常与 PSI 配合使用，形成“输入-输出”双端监控：

3.5 指标体系组合应用策略

在实际监控中，四个指标并非孤立使用，而是形成分层检测体系：

1. 第一层（快速筛查）：通过率突变幅度 + PSI，每日自动计算，发现异常立即告警。
2. 第二层（根因定位）：特征分布差异度，对告警批次逐特征扫描，定位偏移源。
3. 第三层（深度评估）：拒绝推断偏差率，评估偏移对模型预测能力的影响程度。
4. 第四层（决策支持）：综合四个指标的结果，生成批次偏移诊断报告，指导模型更新或策略调整。