4. PSI阈值理论基础：行业通用阈值（0.1/0.25）的由来、阈值与模型衰退的关系、不同业务场景下的阈值差异

群体稳定性指标（PSI）是衡量模型输入特征分布或模型输出分数分布随时间偏移程度的量化工具。在实际监控中，PSI阈值的选择直接决定了告警的灵敏度与误报率。本章深入剖析行业通用阈值0.1与0.25的数学与工程由来，并探讨阈值与模型衰退之间的内在关联，最后给出不同业务场景下的阈值差异化配置建议。

4.1 行业通用阈值（0.1 / 0.25）的由来

PSI的计算公式基于信息论中的KL散度变体，其数值大小反映了两个分布之间的差异程度。行业经过大量实践，将PSI值划分为三个区间，对应不同的稳定性状态：

0.1阈值的由来：该值来源于统计假设检验中的“效应量”概念。当两个分布之间的差异达到中等效应量（Cohen's d ≈ 0.2~0.3）时，对应的PSI值通常在0.1附近。0.1被视为一个“可感知但尚可接受”的偏移边界，超过此值意味着分布差异已超出随机波动范围。

0.25阈值的由来：该值对应分布差异的“大效应量”（Cohen's d ≈ 0.5~0.6）。当PSI超过0.25时，两个分布的重叠区域显著减少，模型在训练集与当前环境下的表现差异已不可忽视。0.25被行业视为“必须采取行动”的警戒线。

4.2 阈值与模型衰退的关系

PSI阈值与模型衰退之间存在明确的量化关联。模型衰退通常表现为预测能力下降（如AUC、KS指标衰减），而PSI是衡量这种衰退早期信号的关键指标。下图展示了PSI值与模型性能衰减之间的典型对应关系：

阈值与衰退的量化关系：

• PSI < 0.1：模型性能波动在正常范围内，AUC/KS等指标变化通常小于0.01，属于随机波动。
• 0.1 ≤ PSI < 0.25：模型性能开始出现可测量的衰减，AUC可能下降0.01~0.03，KS下降0.02~0.05。此时应启动归因分析。
• PSI ≥ 0.25：模型性能出现显著衰退，AUC下降可能超过0.05，KS下降超过0.08。模型预测能力已受到实质性影响，需要立即进行模型重建或校准。

4.3 不同业务场景下的阈值差异

不同业务场景对模型稳定性的容忍度差异显著。下表总结了典型场景下的PSI阈值建议：

阈值调整的核心原则：

• 误报成本 vs 漏报成本：误报成本高（如频繁中断模型服务）的场景应适当提高阈值；漏报成本高（如欺诈、医疗）的场景应降低阈值。
• 数据自然波动幅度：季节性、周期性波动明显的场景（如零售、旅游）应使用更宽的阈值区间。
• 模型更新频率：高频更新模型（如每日更新）可容忍更高的PSI，因为偏移会被快速修正；低频更新模型（如每月更新）需要更严格的阈值。

4.4 阈值调优的实践方法

在实际项目中，不应盲目套用行业阈值，而应通过以下步骤进行阈值调优：

1. 历史回溯分析：收集过去6~12个月的PSI计算值与模型性能指标（AUC、KS、准确率等），绘制PSI与性能指标的散点图，找出性能开始显著下降的PSI拐点。
2. 误报率评估：在历史数据上模拟不同阈值下的告警触发次数，计算误报率（告警但模型性能未下降的比例），选择误报率可接受的阈值。
3. 业务影响评估：与业务方确认模型性能下降可接受的最大幅度，反推对应的PSI阈值。
4. 动态阈值策略：考虑使用动态阈值（如基于滚动窗口的PSI均值±2倍标准差），适应数据自然波动。