4. PSI阈值设定原则：行业经验阈值（0.1、0.25）的由来与适用场景

在PSI（Population Stability Index）的实际工程应用中，阈值设定直接决定告警的灵敏度和误报率。业界经过大量实践，沉淀出两个经典经验阈值：0.1 和 0.25。理解这两个数字的统计含义与适用边界，是调优告警策略的前提。

4.1 经验阈值的统计由来

PSI的计算本质是衡量两个分布（训练集 vs. 线上近期数据）在每个分箱上的偏差累积。当PSI较小时，说明分布变化在随机波动范围内；当PSI超过一定界限，则表明分布发生了结构性偏移。

4.2 阈值 0.1 的适用场景

0.1 作为预警阈值，适用于对分布变化中等敏感的场景。在此阈值下，模型能容忍小幅度的客群波动，同时避免频繁误报。

• 信贷风控评分卡： 客群信用分布通常相对稳定，0.1 能有效过滤季节性波动（如春节前后的申请量变化），只对真正的客群劣化发出预警。
• 用户画像模型： 当用户属性（年龄、收入、地域）分布发生缓慢偏移时，0.1 可提前捕捉趋势，给特征工程留出调整窗口。
• 推荐系统召回层： 用户行为分布日常波动较大，0.1 作为预警线可避免因短期热点事件导致的无效告警。

4.3 阈值 0.25 的适用场景

0.25 作为告警阈值，适用于对分布变化容忍度较低或风险敏感的场景。一旦超过此线，通常意味着模型需要立即干预。

• 反欺诈模型： 欺诈模式一旦发生漂移，往往导致巨大资金损失。0.25 作为硬性告警线，确保欺诈团伙变换手法时能快速响应。
• 医疗诊断模型： 疾病特征分布（如影像特征、检验指标）的显著变化可能意味着新亚型出现或数据采集系统故障，必须立即排查。
• 监管合规模型： 在金融、保险等强监管领域，模型输出分布的重大偏移可能违反公平借贷或定价法规，0.25 作为强制重训触发线。

4.4 阈值选择决策流程

在实际项目中，不应机械套用 0.1/0.25，而应结合业务容忍度与历史数据分布进行校准。以下决策流程可帮助团队快速确定初始阈值：

1. 收集历史PSI基线： 计算过去 3-6 个月模型在无干预情况下的自然PSI波动范围。
2. 确定业务容忍度： 与业务方确认“模型性能下降多少百分比”是不可接受的，反推对应的PSI临界值。
3. 设定预警/告警双阈值： 以历史PSI的 P75 分位数作为预警线（参考 0.1），以 P95 分位数作为告警线（参考 0.25）。
4. 上线后持续调优： 根据误报率和漏报率，每季度微调阈值。

4.5 阈值与分箱数的关系

PSI 的绝对值受分箱数量影响显著。分箱越多，每个箱内的样本越少，随机波动越大，PSI 自然偏高。下表展示了同一分布在不同分箱数下的PSI差异：

4.6 阈值调优的统计验证方法

为了验证设定的阈值是否合理，可以使用以下统计方法进行回测：

• KS 统计量联动： 计算 PSI 与模型 KS（区分度）的相关系数。如果 PSI 超过 0.25 时 KS 下降超过 0.05，说明阈值设置合理。
• 误报率/漏报率曲线： 在历史数据上绘制不同阈值下的误报率（False Positive Rate）和漏报率（False Negative Rate），选择交叉点或业务可接受的点作为最终阈值。
• 滚动窗口验证： 使用时间序列交叉验证，确保阈值在多个时间窗口内都能有效捕捉真实漂移事件。

4.7 不同业务场景的阈值推荐速查

以下速查表汇总了常见业务场景的初始阈值建议，可直接作为项目启动时的参考配置：