缺失值类型与成因：MCAR、MAR、MNAR 定义及风控场景

在风控特征工程中，缺失值并非随机噪声，其背后往往隐藏着数据采集机制、用户行为偏好或系统处理逻辑。理解缺失值的统计分类——完全随机缺失（MCAR）、随机缺失（MAR）、非随机缺失（MNAR）——是设计巡检看板、选择填充策略的第一步。三种类型在风控场景中的含义、检测方法和处理原则截然不同。

1. 三种缺失类型的核心定义与对比

2. 完全随机缺失（MCAR）—— 系统层面的“意外”

定义： 缺失事件的发生完全独立于任何变量。数据集中某个字段是否缺失，就像抛硬币一样随机，与用户资质、行为、其他字段取值均无关。

风控场景举例：

• API 超时： 第三方征信接口在高峰时段偶发超时，导致部分用户的“多头借贷指数”字段缺失。缺失与否只取决于网络瞬时状态，与用户信用无关。
• 日志截断： 服务器日志轮转时，最后 0.5% 的用户行为记录被截断，导致“近 7 日登录次数”缺失。缺失比例固定，与用户活跃度无关。
• 随机采样测试： 风控系统 A/B 测试中，对照组 5% 的用户未采集“设备指纹”字段，缺失完全由实验分组决定。

3. 随机缺失（MAR）—— 行为分层的“痕迹”

定义： 缺失概率依赖于其他已观测到的变量，但与缺失变量自身的真实值无关。这是风控数据中最常见的缺失类型。

风控场景举例：

• 收入字段缺失： 在申请评分卡中，“年收入”字段的缺失概率与用户“职业类型”（已观测）相关。自由职业者（职业类型=4）的缺失率高达 40%，而公务员（职业类型=1）缺失率仅 5%。缺失与否由职业类型决定，而非收入本身的高低。
• 联系人信息缺失： 用户“紧急联系人手机号”的缺失概率与“是否已授信”（已观测）相关。已授信用户因已通过审核，填写意愿降低，缺失率上升。缺失由授信状态驱动，而非联系人号码本身。
• 设备信息缺失： iOS 用户因隐私权限限制，“通讯录数量”字段缺失率显著高于 Android 用户。缺失由设备类型（已观测）决定。

4. 非随机缺失（MNAR）—— 风险信号的“黑洞”

定义： 缺失概率与缺失变量自身的真实值直接相关。缺失本身就是一个强风险信号，因为用户或系统在刻意隐藏不利信息。

风控场景举例：

• 逾期历史隐瞒： 用户申请贷款时，“历史逾期次数”字段缺失。缺失的用户往往真实逾期次数很高（>5 次），他们选择不填写以规避风控拦截。缺失与高逾期值直接相关。
• 收入证明缺失： 在“税后月收入”字段中，缺失的用户真实收入通常低于当地最低工资标准。用户因无法提供证明而跳过该字段。
• 黑名单命中： 内部黑名单库查询结果字段缺失，可能是因为查询接口对命中黑名单的用户返回了空值（系统设计缺陷），缺失与“命中黑名单=是”直接关联。

5. 三种缺失类型的关系与风控决策流程

下图展示了从缺失值发现到类型判定，再到最终处理策略的完整决策路径，帮助风控数据分析师在看板中快速定位问题。

6. 风控场景中三种缺失类型的识别清单

巡检看板应内置以下识别清单，帮助分析师快速对缺失字段进行分类：