3. PSI阈值设定：行业通用阈值（0.1/0.25）的由来、不同业务场景下的阈值调整策略

PSI（Population Stability Index，群体稳定性指标）的阈值设定是模型监控中最具争议的话题之一。行业通用的“0.1/0.25”二分法虽然简单易用，但在实际业务中往往需要根据场景灵活调整。本节将深入剖析这两个阈值的统计学来源，并给出不同业务场景下的调整策略。

3.1 行业通用阈值（0.1/0.25）的由来

PSI的阈值体系最早源于信用评分卡领域的经验积累，后经多家金融机构和监管机构的实践验证，逐渐形成了以下共识：

0.1阈值的统计学依据：当PSI < 0.1时，两个分布之间的差异在统计上通常不显著。以二分类评分卡为例，若评分分布从A卡切换到B卡，PSI < 0.1意味着两个分布的平均分数差异通常小于5分（假设评分区间为300-850分），这种差异在业务上可接受。

0.25阈值的业务含义：PSI ≥ 0.25通常对应着分布发生了结构性偏移。例如，在信贷场景中，当PSI超过0.25时，模型对高风险客群的排序能力往往已下降10%-15%，直接导致坏账率上升。

3.2 阈值调整的核心逻辑

调整PSI阈值时，需要平衡两个核心矛盾：误报率（将稳定模型误判为漂移）与漏报率（将漂移模型误判为稳定）。下图展示了阈值调整的决策框架：

3.3 不同业务场景下的阈值调整策略

以下表格总结了六种典型业务场景的阈值调整建议，可直接作为团队内部的操作指南：

3.4 阈值调整的量化方法

除了经验法则，还可以通过以下量化方法确定适合自身业务的阈值：

1. 历史回溯法：收集过去12个月的模型表现数据，计算每个月的PSI值，并与模型效果指标（如KS、AUC、坏账率）做相关性分析。找到模型效果开始显著下降的PSI拐点，作为阈值参考。
2. 成本收益分析法：定义误报成本（错误告警导致的人力浪费）和漏报成本（未发现漂移导致的损失），通过最小化总成本来确定最优阈值。
3. 分位数法：计算历史PSI值的90%或95%分位数，作为告警阈值。这种方法适用于已有较长监控历史的成熟模型。

3.5 阈值调整的常见误区

• 误区一：阈值越低越好。过低的阈值会导致大量误报，监控团队疲于应对，最终对告警麻木，反而错过真正的漂移。
• 误区二：所有模型用同一套阈值。不同模型的风险等级、更新频率、样本量差异巨大，统一阈值会导致高风险模型漏报、低风险模型误报。
• 误区三：阈值设定后一成不变。业务环境、数据分布、模型复杂度都在变化，阈值应定期（如每季度）复盘调整。
• 误区四：只看PSI不看业务指标。PSI是分布差异的统计量，最终决策应结合模型效果指标（如KS、Lift）和业务KPI（如通过率、坏账率）综合判断。

下图展示了阈值设定不当可能导致的两种极端后果，帮助团队直观理解平衡的重要性：