4. 缺失值影响评估：对统计描述、模型训练、推理预测的量化影响与风险等级划分

缺失值并非简单的“数据空白”，其影响会沿着数据链路逐级放大。本章从统计描述失真、模型训练偏差、推理预测漂移三个层面进行量化评估，并建立风险等级划分标准，帮助巡检人员快速判断缺失问题的严重程度。

4.1 统计描述层面的量化影响

缺失值会直接破坏样本的代表性，导致描述性统计指标产生系统性偏差。以下表格展示了不同缺失机制下关键统计指标的变化方向：

4.2 模型训练层面的量化影响

缺失值对模型训练的影响体现在样本损失、特征权重偏移和过拟合风险三个方面。以下为量化评估矩阵：

4.3 推理预测层面的量化影响

推理阶段的缺失值会导致预测结果置信度下降和输出漂移。对于在线服务场景，影响更为直接：

• 预测值偏移：对于回归模型，缺失填充值（如均值）会使预测结果向训练集中心收缩，导致残差增大。
• 概率校准失真：分类模型中，缺失特征会使 softmax 输出概率分布趋于均匀，降低决策置信度。
• 特征交叉失效：树模型或深度模型中，缺失值会导致分裂路径改变，输出结果偏离真实分布。

量化指标采用预测稳定性系数（PSC）：

PSC = 1 - (|y_pred_缺失 - y_pred_完整|) / (σ_y + ε)

其中 σ_y 为训练集预测标准差，ε 为极小常数。PSC 越接近 1 表示越稳定，低于 0.85 视为高风险。

4.4 风险等级划分标准

综合上述三个层面的量化指标，将缺失值影响划分为四个风险等级：

4.5 缺失影响评估流程

下图展示了从数据巡检到风险定级的完整评估流程：

4.6 量化评估案例

以某信贷风控模型中的“月收入”特征为例，展示完整评估过程：

# 缺失影响量化评估示例（Python伪代码）
import numpy as np

# 输入：完整数据与缺失填充后数据
y_true = np.array([0.72, 0.85, 0.91, 0.68, 0.77])
y_pred_missing = np.array([0.70, 0.82, 0.88, 0.65, 0.74])

# 1. 统计描述偏移（RDR）
mean_true = np.mean(y_true)        # 0.786
mean_missing = np.mean(y_pred_missing)  # 0.758
RDR = abs(mean_missing - mean_true) / mean_true * 100  # 3.56%

# 2. 模型训练影响（ΔAUC）
auc_true = 0.82
auc_missing = 0.79
ΔAUC = auc_true - auc_missing  # 0.03

# 3. 推理预测稳定性（PSC）
sigma_y = np.std(y_true)  # 0.087
epsilon = 1e-6
PSC = 1 - np.mean(abs(y_pred_missing - y_true)) / (sigma_y + epsilon)  # 0.89

# 4. 风险定级
# RDR=3.56% → L2, ΔAUC=0.03 → L3, PSC=0.89 → L3
# 综合定级：L3（高风险）
print(f"风险等级：L3（高风险）—— 建议使用模型预测填充或删除该特征")