2. PSI 数学原理与公式推导
群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布之间差异程度的统计量。在风控建模中，PSI 用于监控模型评分（或特征分布）在时间维度上的稳定性，即比较模型开发样本（期望分布）与当前生产样本（观测分布）的差异。
2.1 PSI 的数学公式
PSI 的计算基于将连续变量分箱（通常分为 10 组或 20 组）后的频数分布。其核心公式为：
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：第 i 个分箱中，开发样本（基准期）的样本数占总样本数的比例。
- 实际占比_i：第 i 个分箱中，当前生产样本（观测期）的样本数占总样本数的比例。
- ln：自然对数。
- Σ：对所有分箱求和。
计算要点：当某个分箱中期望占比或实际占比为 0 时，为避免对数无定义，通常采用平滑处理（如加一个小常数 0.0001），或将该分箱与相邻分箱合并。
2.2 期望值与观测值的分布对比
PSI 的本质是比较两个概率分布的差异。在风控场景中，这两个分布分别代表：
| 分布类型 | 含义 | 数据来源 |
|---|---|---|
| 期望分布 | 模型开发时的基准分布，代表模型训练集或验证集的评分分布 | 建模样本（开发集、OOT 时间切片） |
| 观测分布 | 模型上线后，当前生产环境中的评分分布 | 生产环境实时数据（月度/季度快照） |
当两个分布完全一致时，每个分箱的 (实际占比 - 期望占比) 为 0，PSI = 0。分布差异越大，PSI 值越高。
直观理解：如果模型评分在开发时集中在 600-700 分，而生产环境评分大量迁移到 700-800 分，则每个分箱的占比都会发生偏移，PSI 值显著上升。
2.3 KL 散度与 PSI 的关系
PSI 与信息论中的 KL 散度（Kullback-Leibler Divergence）有密切的数学联系。KL 散度衡量两个概率分布 P 和 Q 之间的非对称差异：
KL(P || Q) = Σ P_i * ln(P_i / Q_i)PSI 实际上是两个 KL 散度的对称化组合：
PSI = KL(实际 || 期望) + KL(期望 || 实际)展开后得到：
PSI = Σ (实际_i * ln(实际_i / 期望_i)) + Σ (期望_i * ln(期望_i / 实际_i))
= Σ (实际_i - 期望_i) * ln(实际_i / 期望_i)这与 PSI 的原始公式完全一致。因此，PSI 本质上是两个分布之间的 对称化 KL 散度，具有以下性质：
- 非负性：PSI ≥ 0，当且仅当两个分布完全相同时取 0。
- 对称性：PSI 在交换期望和实际分布后值不变（因为公式本身对称）。
- 无量纲：PSI 是一个纯数值，不受样本量大小直接影响（但样本量影响估计精度）。
注意：KL 散度本身是非对称的（KL(P||Q) ≠ KL(Q||P)），而 PSI 通过对称化处理，使其更适合作为风控场景中无方向性的稳定性度量指标。
2.4 PSI 的数值区间含义
在风控实践中，PSI 的数值大小对应不同的稳定性等级。以下是行业通用的判断标准：
| PSI 数值区间 | 稳定性等级 | 业务含义 | 建议行动 |
|---|---|---|---|
| PSI < 0.10 | 稳定 | 模型评分分布无显著变化，模型表现与开发时一致 | 无需干预，持续监控 |
| 0.10 ≤ PSI < 0.25 | 轻度偏移 | 分布出现一定变化，需关注原因 | 排查客群结构变化、数据源变更等 |
| PSI ≥ 0.25 | 严重偏移 | 分布发生显著漂移，模型可能失效 | 立即触发预警，启动模型重训或校准 |
阈值说明：上述阈值是行业经验值，实际应用中可根据业务风险容忍度调整。例如，在信贷审批场景中，PSI > 0.20 即可能触发模型下线审查；而在营销评分场景中，阈值可放宽至 0.30。
理解 PSI 的数值含义时，还需注意以下几点：
- 分箱数量影响：分箱越多，PSI 对细微分布变化越敏感，但过细的分箱可能导致稀疏问题。通常建议 10 箱（等宽或等频）。
- 样本量影响：小样本下 PSI 估计方差较大，建议观测期样本量不低于 1000 条。
- 趋势判断：单次 PSI 高值可能是偶发波动，连续多期上升趋势才是真正的稳定性恶化信号。
常见误区：PSI 只衡量分布差异，不区分差异方向。例如，评分整体升高和整体降低都可能产生相同的 PSI 值，需要结合均值、标准差等统计量综合判断。