PSI在精算模型延迟尖峰中的应用 - 第4节

4.1 PSI 的数学定义与公式推导

群体稳定性指标（Population Stability Index, PSI）衡量的是两个分布之间的整体偏移程度。在精算模型中，通常比较的是模型评分在期望（开发/基准）样本与观测（当前/生产）样本上的分布差异。

4.1.1 核心公式

PSI 的计算基于信息论中的 KL 散度（Kullback-Leibler divergence）的对称化形式。其基本公式为：

PSI = Σ (P_i - Q_i) × ln(P_i / Q_i)

其中：

• P_i：第 i 个分箱中观测样本的占比（实际发生比例）
• Q_i：第 i 个分箱中期望样本的占比（基准比例）
• i：分箱索引，从 1 到 N（总箱数）

4.1.2 从 KL 散度到 PSI 的推导

KL 散度衡量两个概率分布 P 和 Q 的不对称差异：

KL(P||Q) = Σ P_i × ln(P_i / Q_i)
KL(Q||P) = Σ Q_i × ln(Q_i / P_i)

PSI 实际上是两个 KL 散度的对称化求和：

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

这种对称化使得 PSI 对分布偏移的方向不敏感，只关注整体差异幅度。

4.2 期望值与观测值的比较逻辑

PSI 的核心是比较两个时间点的分布差异。在精算模型延迟尖峰场景中，比较对象通常为：

当观测样本的分布相对于期望样本发生显著偏移时，PSI 值升高，提示模型可能面临延迟尖峰或概念漂移风险。

4.3 分箱策略

分箱是 PSI 计算的关键前置步骤。不同的分箱策略会直接影响 PSI 值的敏感性和稳定性。以下是三种主流分箱方法的对比。

4.3.1 等宽分箱（Equal Width Binning）

将评分范围划分为宽度相等的区间。例如，评分范围为 0–100，分 10 箱，则每箱宽度为 10。

箱宽 = (MaxScore - MinScore) / N
第 i 箱范围: [MinScore + (i-1)×箱宽, MinScore + i×箱宽)

优点： 实现简单，箱边界固定，易于解释。

缺点： 当数据分布不均匀时，某些箱可能包含极少量样本，导致 PSI 计算不稳定。

4.3.2 等频分箱（Equal Frequency Binning）

使每个箱包含大致相同数量的样本。基于期望样本的百分位数确定箱边界。

每箱样本数 ≈ 总样本数 / N
箱边界 = 期望样本的第 (100/N) 百分位数

优点： 每个箱都有足够的样本量，PSI 计算更稳健。

缺点： 箱边界依赖于期望样本的分布，当观测样本分布变化时，边界可能不再等频。

4.3.3 最优分箱（Optimal Binning）

基于统计准则（如卡方检验、信息价值 IV、最小熵）自动寻找最佳分箱点。常用方法包括：

• 卡方分箱： 合并相邻且分布差异不显著的箱，直到满足显著性阈值。
• 决策树分箱： 以目标变量（如是否发生延迟尖峰）为监督，递归分割评分区间。
• 基于 IV 的分箱： 最大化每个箱的信息价值，同时保证箱内样本充足。

4.4 分箱策略对比总结

4.5 PSI 计算流程与分箱策略关系图

4.6 分箱策略对 PSI 敏感性的影响

为了直观展示不同分箱策略对 PSI 计算结果的影响，以下通过一个模拟示例进行对比。

4.7 分箱数量选择建议

分箱数量 N 的选择直接影响 PSI 的统计效力。以下是精算实践中的推荐规则：

• N = 10：行业标准，适用于大多数场景，平衡了敏感性与稳定性。
• N = 5–8：当样本量较小（< 1000）时使用，避免空箱或样本不足。
• N = 15–20：当样本量很大（> 100,000）且需要高灵敏度时使用。
• 经验法则： 每箱至少包含 50 个样本，确保 PSI 贡献的统计可靠性。