PSI 数学原理：从公式推导到业务解读

群体稳定性指标（Population Stability Index, PSI）是衡量两个概率分布之间差异的标准化度量。在实时数据质量监测中，PSI 用于量化特征分布随时间或环境的变化程度，从而判断数据是否发生“漂移”。

2.1 PSI 计算公式推导

PSI 的核心思想来源于信息论中的 KL 散度（Kullback-Leibler Divergence），但 PSI 对其进行了对称化处理，使其更适合实际工程应用。

步骤一：KL 散度定义

对于两个离散概率分布 P（实际分布）和 Q（期望分布），KL 散度定义为：

KL(P || Q) = Σ (P_i * ln(P_i / Q_i))

KL 散度是非对称的，即 KL(P||Q) ≠ KL(Q||P)，这在实际监测中会造成方向歧义。

步骤二：对称化处理

PSI 通过将两个方向的 KL 散度相加，得到对称的度量：

PSI = KL(P || Q) + KL(Q || P)
    = Σ (P_i - Q_i) * ln(P_i / Q_i)

其中：

• P_i：第 i 个分箱中实际样本占比（如当前实时数据）
• Q_i：第 i 个分箱中期望样本占比（如训练集或基准数据）
• n：分箱总数

步骤三：工程近似处理

当某个分箱中 P_i 或 Q_i 为 0 时，ln(0) 无定义。实际计算中采用以下平滑策略：

if P_i == 0: P_i = 0.0001
if Q_i == 0: Q_i = 0.0001
# 然后归一化确保 ΣP_i = 1, ΣQ_i = 1

2.2 分箱策略：三种主流方法

分箱是 PSI 计算的前置步骤，直接影响指标的敏感度和稳定性。下表对比了三种常用分箱策略：

分箱数量选择建议：

• 推荐分箱数：10～20 个
• 分箱过少（<5）：PSI 对分布变化不敏感，容易漏报
• 分箱过多（>30）：每个分箱样本稀疏，PSI 波动大，容易误报

2.3 PSI 阈值与业务含义

PSI 的数值范围通常为 [0, +∞)，但在实际业务中，超过 0.5 即认为分布发生显著变化。以下是行业通用的阈值标准：

2.4 PSI 计算完整示例

假设某特征“用户年龄”在基准分布和实时分布中各分箱的占比数据如下：

计算得到 PSI = 0.029，远小于 0.1，说明该特征的实时分布与基准分布基本一致，无需告警。

2.5 常见误区与注意事项

• 误区一：PSI 越小越好 —— PSI 为 0 表示分布完全一致，但实际数据中微小的自然波动是正常的，PSI 在 0.02～0.05 之间属于健康状态。
• 误区二：分箱越多越精确 —— 分箱过多会导致每个分箱样本稀疏，PSI 对随机波动过度敏感，产生大量误报。
• 误区三：忽略业务周期 —— 日间、周间、季节性波动都会导致 PSI 升高，建议在计算时使用同比或环比基准，而非固定基准。
• 误区四：直接使用原始值 —— 对于类别型特征，需要先进行编码（如 WOE 编码）后再计算 PSI，直接使用原始类别标签会导致分箱混乱。