4. PSI（群体稳定性指标）基础：定义、计算公式与业务含义
群体稳定性指标（Population Stability Index, PSI）是模型监控中最常用的量化指标之一。它衡量的是模型评分或预测概率在两个不同样本群体（通常是建模样本与当前生产样本）之间的分布偏移程度。PSI 值越大，说明模型所依赖的特征分布发生了越显著的变化，模型失效的风险也就越高。
4.1 PSI 的定义与核心思想
PSI 本质上是一种基于分箱的分布距离度量，它通过比较每个分数区间内样本占比的变化，来量化整体分布的偏移程度。其核心思想可以概括为：
- 分箱对齐：将模型输出（如预测概率、信用评分）划分为若干个等宽或等频的区间（通常为 10 或 20 个分箱）。
- 占比对比：分别计算每个分箱在基准样本（建模样本）和当前样本（生产样本）中的样本占比。
- 差异累积：将每个分箱的占比差异与对数变换相结合，累加得到最终的 PSI 值。
关键前提：PSI 要求基准样本与当前样本使用完全相同的分箱边界。如果分箱方式不一致，计算出的 PSI 将失去可比性。
4.2 PSI 的计算公式
PSI 的标准计算公式如下：
PSI = Σ [ (P_actual_i - P_expected_i) * ln(P_actual_i / P_expected_i) ]
其中：
- i 表示第 i 个分箱（i = 1, 2, ..., n）
- P_expected_i = 基准样本（建模样本）在第 i 个分箱中的占比
- P_actual_i = 当前样本（生产样本）在第 i 个分箱中的占比
- ln 表示自然对数计算步骤可以分解为以下流程：
- 确定分箱边界：基于基准样本的分数分布，将分数范围划分为 n 个区间（通常 n=10）。
- 计算基准占比：统计基准样本落在每个分箱内的样本数量，除以基准样本总数，得到 P_expected_i。
- 计算当前占比：使用相同的分箱边界，统计当前样本落在每个分箱内的样本数量，除以当前样本总数，得到 P_actual_i。
- 计算每个分箱的贡献：对每个分箱计算 (P_actual_i - P_expected_i) * ln(P_actual_i / P_expected_i)。
- 求和：将所有分箱的贡献值相加，得到最终的 PSI 值。
边界处理：当某个分箱的 P_actual_i 或 P_expected_i 为 0 时，直接计算会导致对数无定义。实际应用中，通常会对占比进行微小平滑处理（如加 0.0001），或将该分箱与相邻分箱合并。
4.3 PSI 的业务含义与判断阈值
PSI 的值本身没有上限，但在实际业务中，通常使用以下经验阈值来判断模型稳定性：
| PSI 值范围 | 稳定性等级 | 业务含义与建议 |
|---|---|---|
| PSI < 0.1 | 稳定 | 模型评分分布无显著变化，模型可以继续使用，无需干预。 |
| 0.1 ≤ PSI < 0.25 | 轻度偏移 | 分布出现一定程度的漂移，建议深入排查特征变化原因，加强监控频率。 |
| PSI ≥ 0.25 | 严重偏移 | 分布发生显著变化，模型可能已失效，需要立即进行模型重训或重构。 |
阈值并非绝对：上述阈值是行业通用经验值，具体业务场景可能需要调整。例如，在风控领域，PSI 阈值可能更严格（如 0.05 即触发预警）；而在营销场景中，阈值可以适当放宽。
4.4 PSI 计算过程可视化
下面的 SVG 图展示了 PSI 计算的核心流程，从分箱到最终指标输出：
4.5 PSI 与特征漂移的关系
PSI 是一个宏观指标，它反映的是模型输出层的整体稳定性。当 PSI 出现异常时，通常意味着底层的一个或多个特征发生了分布漂移。下表总结了 PSI 与特征漂移之间的对应关系：
| PSI 状态 | 可能的特征漂移原因 | 排查方向 |
|---|---|---|
| PSI 小幅上升（0.1-0.15） | 个别特征均值或方差轻微变化 | 检查单变量分布（如年龄、收入） |
| PSI 中等上升（0.15-0.25） | 多个特征同时漂移，或某个重要特征发生结构性变化 | 计算各特征的 PSI 或 KS 统计量 |
| PSI 大幅上升（>0.25） | 数据采集逻辑变更、客群结构突变、外部环境剧变 | 回溯数据管道，检查特征工程逻辑 |
实践建议：在模型监控体系中，PSI 应作为第一道防线。当 PSI 触发预警后，再逐层下钻到特征级别的漂移分析（如特征 PSI、特征 KS 检验），从而快速定位问题根源。
4.6 PSI 的局限性
尽管 PSI 应用广泛，但在使用时需要注意以下几点：
- 分箱敏感性：分箱数量、分箱方式（等宽 vs 等频）会直接影响 PSI 值。建议在建模阶段就固定分箱策略，并在监控中保持一致。
- 无法定位原因：PSI 只能告诉你“模型输出变了”，但不能告诉你“为什么变”。需要结合特征漂移分析、SHAP 值变化等可解释性工具进行归因。
- 对极端值不敏感：如果漂移仅发生在极少数高分箱或低分箱，且样本占比很小，PSI 可能无法及时捕捉到变化。
- 不适用于分类输出：PSI 主要针对连续型评分或概率输出。对于离散的分类结果，应使用混淆矩阵、准确率偏移等指标。