2. PSI计算公式详解：分箱原理与连续变量离散化

PSI（Population Stability Index，群体稳定性指标）是衡量模型评分分布随时间或样本集变化程度的量化工具。其核心公式基于信息论中的KL散度（Kullback-Leibler divergence）对称化处理，通过逐箱比较实际分布与预期分布的差异，最终累加得到单一漂移度量值。

2.1 PSI数学公式拆解

PSI的标准计算公式如下：

PSI = Σ [ (Actual_i - Expected_i) * ln(Actual_i / Expected_i) ]

其中：
- i = 第i个分箱（bin），i = 1, 2, ..., n
- Actual_i = 第i箱中实际样本占比（如当前月份评分卡样本分布）
- Expected_i = 第i箱中预期样本占比（如模型开发时的基准分布）
- ln = 自然对数
- Σ = 对所有分箱求和

公式由三个关键部分构成：

2.2 分箱原理：为什么需要离散化

PSI的计算前提是变量已被离散化为有限个区间（分箱）。连续变量不能直接代入PSI公式，原因如下：

• 概率密度不可比： 连续变量的概率密度函数是连续的，无法直接计算“占比”这一离散概率值。
• 样本稀疏性： 连续变量的每个取值可能只对应极少数样本，直接计算会导致占比为0或极小值，使ln(0)无定义。
• 业务可解释性： 分箱后的区间（如“评分300-400”、“评分400-500”）具有明确的业务含义，便于风控人员理解漂移发生在哪个分数段。

分箱的本质是将连续变量的取值范围划分为互斥且穷尽的区间，每个区间内的样本被赋予相同的类别标签，从而将连续分布转化为离散概率分布。

2.3 连续变量离散化的常用方法

2.4 分箱数量与PSI敏感度

分箱数量直接影响PSI的计算结果和漂移检测敏感度：

• 分箱过少（如2~3箱）： 粗粒度的分箱会掩盖箱内分布变化，PSI值偏低，容易漏报漂移。
• 分箱过多（如30箱以上）： 每箱样本量减少，随机波动被放大，PSI值虚高，容易误报漂移。
• 最优区间： 经验表明，10箱等频分箱在大多数场景下能平衡敏感度与稳定性，是行业通用标准。

2.5 分箱边界对齐：跨时间漂移计算的前提

在计算PSI时，预期分布和实际分布必须使用完全相同的分箱边界。这意味着：

• 基准期（如模型开发时）确定的分箱边界（如评分区间[300,420)、[420,510)等）被固定下来。
• 监控期（如当前月份）的样本按照基准期的边界进行归箱，而不是重新分箱。
• 如果监控期样本在某箱内数量为0，则该箱的Actual_i = 0%，此时ln(0)无定义。实践中需做平滑处理（如加极小值ε）。

2.6 PSI计算示例（10箱等频分箱）

以下为一个简化的PSI计算示例，展示逐箱计算过程：

2.7 分箱中的特殊处理：零占比与极小值

当某个分箱在实际分布或预期分布中出现占比为0时，ln(0)无数学定义。常见处理方式包括：

• 加极小值平滑： 对每个占比加上一个极小常数ε（如0.0001），再计算对数。该方法简单但会引入微小偏差。
• 合并稀疏箱： 将样本量过少的箱与相邻箱合并，保证每箱占比不低于某个阈值（如1%）。
• 忽略零占比箱： 当某箱在预期和实际中占比均为0时，该箱对PSI无贡献，可直接跳过。