2. PSI 数学原理：公式推导、分箱方法与 KL 散度关系
群体稳定性指标（Population Stability Index, PSI）是风控模型监控中最核心的量化指标之一。它通过比较两个样本群体在特征或分数上的分布差异，来判断模型或特征是否发生显著偏移。本节将从数学公式推导、分箱方法选择以及信息论关联三个层面，深入剖析 PSI 的计算原理。
2.1 PSI 计算公式推导
PSI 的计算基于“期望分布”与“实际分布”在每个分箱中的占比差异。其标准公式如下：
PSI = Σ (实际占比_i - 期望占比_i) * ln(实际占比_i / 期望占比_i)其中：
- 期望占比_i：模型开发或基准时期，第 i 个分箱中样本数占总样本数的比例。
- 实际占比_i：当前监控时期，第 i 个分箱中样本数占总样本数的比例。
- ln：自然对数。
- Σ：对所有分箱求和。
公式的推导逻辑可以拆解为三个步骤：
- 分箱：将连续变量或分数划分为 K 个离散区间。
- 计算占比：分别计算基准期和监控期在每个区间内的样本占比。
- 加权求和：对每个区间计算 (实际占比 - 期望占比) * ln(实际占比 / 期望占比)，并累加所有区间。
⚠️ 避坑提示： 当某个分箱的期望占比或实际占比为 0 时，ln(0) 无定义。实际工程中，通常会对占比进行平滑处理（如加一个小常数 ε = 1e-6），或直接将该分箱与相邻分箱合并。
2.2 分箱方法：等频与等距
分箱是 PSI 计算的前置步骤，分箱方式直接影响 PSI 值的敏感度和稳定性。常用的分箱方法有两种：等频分箱和等距分箱。
| 分箱方法 | 原理 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 等频分箱 | 每个分箱包含大致相同数量的样本 | 避免空箱；对分布密集区域自动细化 | 边界值可能不直观；对极端值敏感 | 评分卡分数、概率输出等分布不均匀的变量 |
| 等距分箱 | 每个分箱的数值区间宽度相同 | 边界清晰、可解释性强 | 容易产生空箱或样本极少的箱子 | 年龄、收入等均匀分布的连续变量 |
📌 工程建议： 在风控模型监控中，推荐优先使用 等频分箱（通常分 10 箱）。等频分箱能保证每个箱子都有足够的样本量，避免因空箱导致的 PSI 计算异常。如果特征分布极度偏斜，可适当减少分箱数（如 5 箱）。
2.3 PSI 与 KL 散度的关系
从信息论角度看，PSI 与 KL 散度（Kullback-Leibler Divergence） 有着紧密的数学联系。KL 散度衡量的是两个概率分布 P 和 Q 之间的差异：
KL(P || Q) = Σ P_i * ln(P_i / Q_i)对比 PSI 公式：
PSI = Σ (实际_i - 期望_i) * ln(实际_i / 期望_i)
= Σ 实际_i * ln(实际_i / 期望_i) - Σ 期望_i * ln(期望_i / 实际_i)
= KL(实际 || 期望) + KL(期望 || 实际)由此可见，PSI 实际上是两个 KL 散度的对称和：
- KL(实际 || 期望)：从期望分布到实际分布的 KL 散度。
- KL(期望 || 实际)：从实际分布到期望分布的 KL 散度。
🔍 关键洞察： 由于 KL 散度是非对称的（KL(P||Q) ≠ KL(Q||P)），PSI 通过取两个方向的和，实现了对称性。这使得 PSI 在衡量分布差异时更加稳定，不会因为“方向”不同而给出不同的结果。这也是 PSI 在工业界广泛使用的原因之一。
下表总结了 PSI 与 KL 散度的核心区别：
| 指标 | 对称性 | 取值范围 | 实际含义 |
|---|---|---|---|
| KL 散度 | 非对称 | [0, +∞) | 衡量用一个分布近似另一个分布时的信息损失 |
| PSI | 对称 | [0, +∞) | 衡量两个分布的双向差异，常用于模型监控 |
💡 记忆技巧： 可以把 PSI 理解为“双向 KL 散度”。当 PSI = 0 时，表示两个分布完全相同；PSI 越大，分布差异越大。在风控场景中，通常以 PSI < 0.1 作为稳定、0.1 ~ 0.25 作为需关注、> 0.25 作为严重偏移的阈值参考。