拒绝推断与样本偏差：你看不见的那批人，正在悄悄废掉你的模型

拒绝推断与样本偏差：你看不见的那批人，正在悄悄废掉你的模型

上一篇我们用 Champion/Challenger 解决了”怎么知道策略在变好”。这一篇要处理一个更底层的问题：你的模型训练数据本身就是残缺的，而它残缺的方式恰好是系统性的。

事情的起点很简单。你训练一个申请评分卡，用的样本是”来了、被放款、然后表现出了好坏”的这批人。但被拒的那批人，你没有他们的结果。 不是数据丢了，是他们在定义上就不存在——因为你的策略决定了不给他们放款，所以他们永远不会有还款表现。

这就是样本选择偏差（sample selection bias）。它看起来像一个技术细节，实际上是风控模型最容易被忽略、破坏力又最持久的失效来源。

一、偏差是怎么产生的：一个自我强化的闭环

先把机制说清楚。

假设你有一个模型，它在某个分数段拒了 20% 的人。这 20% 里，有一部分确实是坏人（拒对了），也有一部分其实是好人（误杀）。但你只能观察到被放款那 80% 人的表现。

于是下一轮你拿这 80% 的数据重新训练模型。新模型学到的是”在被放款的这批人里，什么样的特征对应坏账”，而不是”在全部申请人里，什么样的特征对应坏账”。 这两件事在数学上是不同的。被拒的那批人被你的旧策略系统性地筛掉了，他们的特征分布和结果分布都消失了。

更麻烦的是，这个偏差会自我强化。模型越收紧，被拒的人越多，训练样本就越向”容易通过”的人群收敛，模型对边缘人群的判断能力就越差，下一轮收紧时误杀就越多。最终模型会进入一个稳定的、看起来很健康的状态：AUC 漂亮、KS 稳定、坏账率很低——因为它根本没见过那些真正会让它出错的样本。

有一项 2026 年的研究把这层机制讲得更透彻：在一个自然的”放款—观察—重训”循环里，模型会出现”准确率提升但召回率崩塌”的假性进步。因为标准评估指标会系统性地奖励那些放大样本偏差的策略——你用被自己筛过的数据评估自己，当然只会得分越来越高。

研究者还给出了一个反直觉的结论：在一组实验里，”完全基于偏差样本”的基线模型，在准确率指标上甚至优于那个能看见全部数据的”上帝视角”模型。这不是说偏差样本更好，而是说准确率这个指标本身在这个场景下是失真的。

出海团队对这个问题的感受会更强烈。因为海外现金贷单市场样本量小，一旦通过率收紧到 30% 上下，训练样本相对全量申请人就只剩三分之一，偏差的放大效应比大市场明显得多。

二、主流的三条修正路线

学术界和业界围绕拒绝推断（reject inference）积累了几十年方法。工程上可用的主要三类，各自适用场景不同。

第一类：硬切分增补（hard-cutoff augmentation）。 做法是给被拒样本按分数设一个切点，切点以下的一律标为”坏”、以上的一律标为”好”，然后把两批样本合起来重新训练。

这个方法简单到几乎不需要工程投入，但它有一个明显的问题：它假设了被拒人群的坏账率一定高于被放款人群，而且用一个确定的标签去承载一个不确定的判断。 切点选高一点，你就人为制造了一批”坏样本”；选低一点，你又在削弱修正的效果。

第二类：模糊增补（fuzzy augmentation）。 这是对硬切分的改良：不给每个被拒样本硬贴标签，而是先用仅有放款样本训练出的模型给被拒样本打分，然后把每个被拒样本复制成两条观察——一条按”坏”的概率加权、一条按”好”的概率加权，再合并训练。它的好处是保留了不确定性，而不是假装知道答案。

第三类：逆概率加权（inverse probability weighting, IPW）。 思路完全不同：不给被拒样本编造标签，而是给每个被放款样本一个权重，权重等于”这个人被放款的概率的倒数”。直观理解是——如果一个特征的人只有 20% 会被放款，那么每个被观察到的这种人就代表 5 个人，权重给 5。

2026 年一项对比研究给出了这三类方法的关键结论：修正方法的效果，取决于样本缺失的机制，而不取决于方法族。

具体来说，研究模拟了两种选择机制：一种是”随机缺失”（MAR，缺失只与可观测变量相关），另一种是”非随机缺失”（MNAR，缺失直接与那个你观察不到的隐藏结果相关——比如审批员根据经验做了一笔模型看不见的判断）。结论是：

• 在 MAR 情况下，不做任何修正的基线模型已经接近”全标签”的上帝模型，修正带来的变化很小，最大的一个也只有 0.018 的下降。这印证了那个经典发现：当选择是可忽略的，拒绝推断的收益有限。
• 在 MNAR 情况下，基线模型会显著退化，而且没有任何一种修正方法能完全恢复。 更关键的是，退化在”薄档案”（thin-file，没有征信记录、没有足够历史数据）的申请人身上最集中——在 MNAR 下，他们的预测违约率被低估了一半以上。

这一段对海外现金贷的意义非常直接。 出海市场里，薄档案人群占比极高，而人工审批环节（审批员凭经验放行或拒绝）在早期业务里普遍存在——这正好是 MNAR 的典型形态。也就是说，你的模型最需要准确定价的那批人，恰恰是被偏差伤害最重的那批人。

还有一类更新的思路值得一提：加权重标定（calibration）路线。 它不去猜测被拒样本的结果，而是把”被放款的样本”看作一个已知总体的非随机子样本，通过给样本加权重把它重新校准到总体分布上。理论上它能在模型设定有误时仍然估计出总体最优参数，且在最差情况下退化为基线（因为把所有权重设为 1 就是原模型），因此不会比不做修正更差。但研究者也明确指出了它的两个失败条件：无法恢复 MNAR 机制下的偏差，且需要被接受与被拒人群之间有共同支撑（common support）。

把这四条放在一起，实务上的判断就清晰了：先判断你自己的缺失属于哪种机制，再决定要不要投入修正。 这个判断往往比选哪套算法更重要。

三、最容易被忽略的方法：主动探索

前面三类方法有一个共同特点：它们都在从已有数据里推断。但如果数据里根本没有关于被拒人群的信息，任何推断都是在猜测之上叠加猜测。

2026 年的研究给出了一条假设更少的路：受控探索（controlled exploration）。

逻辑很朴素：既然你缺的是被拒人群的真实表现，那就主动放一小部分被拒的人，然后观察他们的真实结果。

研究做了一个反直觉的设计并给出了三点结论：

• 在真实放款场景里，一个”准确率提升但召回率崩塌”的循环是结构性的，不是偶然。 标准评估指标会奖励那些放大偏差的策略，所以团队会误以为系统在变好。
• 准确率和”拒绝质量”（正确筛掉违约者的能力）对探索的反应方向是相反的。 全探索下准确率更低，但拒绝质量更高。一个只在自己组装的数据池上优化准确率的放款方，找不到任何一种能提升它的探索率，因此会选择不探索——而这恰恰是对学习最差的选择。
• 极低的探索率就够用。 实验显示，2% 至 5% 的探索率就足以诊断出反馈闭环的严重程度，成本几乎可以忽略。

对出海团队的实务含义：不需要为了做拒绝推断而大规模放开审核。在通过率上留出 2% 至 5% 的”探索额度”，专门用于给边缘分数段的申请人放款并收集真实表现，就能持续校准你的模型偏差。这批探索样本的预期损失本身就是”数据采购成本”，应该作为风控预算的一部分来管理，而不是当作坏账来看。

同时要提醒一个度量上的陷阱：不要用准确率判断模型在偏差环境下的好坏。 应该看的是分客群的违约率校准度（预测违约率与真实违约率是否吻合），而不是总体分类准确率。

四、出海现金贷场景下的四个具体坑

坑一：用审批员的判断当作”真相”。 很多团队在早期阶段会有一个人工审批环节，审批员凭经验放行一部分模型建议拒绝的申请。这批数据的标签是”审批员的判断”，不是”真实结果”。 而审批员的经验判断正是 MNAR 偏差的典型来源——如果直接把它们当作干净的标签并入训练集，等于把偏差写进了模型。正确做法是把人工放行样本单独标记，作为探索样本单独分析，而不是混入主训练集。

坑二：在通过率收紧时不做偏差评估。 当业务从”宽松获客”转向”精细化筛选”，通过率可能从 60% 降到 30%。这个过程中，训练样本的覆盖率直接腰斩，偏差会跳变。 很多团队在收紧策略后会发现模型表现”变好了”——AUC 上升、坏账下降——然后误以为是策略调整的功劳，实际上是偏差加深导致的指标失真。通过率每发生一次显著变化，就应该重做一次偏差评估。

坑三：把首贷客群的表现外推到全体申请人。 海外现金贷的老客复借占比往往很高。如果模型训练样本里大部分是老客（有历史表现、风险可预测），而目标应用人群里有大量首贷户（无历史、薄档案），那这个模型的偏差不只是选择偏差，还叠加了客群结构差异。 这两种偏差叠加起来会非常隐蔽，因为离线指标看起来是好的。

坑四：样本量不足时强行做拒绝推断。 拒绝推断方法本身需要样本量支撑——模糊增补要给每个被拒样本生成两条加权观察，逆概率加权要估计倾向得分模型，这些在小样本下都会引入新的噪声。如果单市场月度申请量只有几千笔、被拒样本只有几百笔，正确做法是先攒数据、同时用受控探索低成本地补充真实标签，而不是硬套一个复杂的拒绝推断模型。在这个阶段，方法论上的简洁比先进性更重要。

五、落地路径：先做诊断，再做修正

给一条可执行的顺序。

第一步，量化偏差的存在。 把你的申请人按分数分层，看每一层的通过率是多少。如果最高分段通过率是 95%、最低分段是 5%，那偏差是剧烈的；如果分布比较平缓，偏差就相对可控。这一步不需要任何建模，只需要一张交叉表。

第二步，判断缺失机制。 关键问题是：拒绝决策在多大程度上依赖了模型看不到的信息？如果拒绝完全由模型分数决定，那缺失是 MAR；如果人工审批、渠道偏好、业务判断参与了决策，那大概率是 MNAR。这一步决定后面要不要投入。

第三步，建立受控探索机制。 在通过率上固定留出 2% 至 5% 的探索额度，专门放行边缘分数段的申请。把这批样本单独建库、单独追踪表现，作为模型校准的基准数据。这是成本最低、假设最少的一步，也是最推荐最先做的一步。

第四步，在探索数据积累到一定量之后，再评估要不要上修正方法。 如果探索数据证明被拒人群的违约率确实显著高于放款人群，可以用它来校验修正模型的效果；如果探索数据证明偏差不大，那就应该把资源投到别处。先有基准，再有修正——反过来做就是拿猜测去修正猜测。

第五步，把偏差监控做成常态指标。 每次模型重训前，固定输出一份偏差诊断：通过率分层表、训练样本对申请总体的覆盖率、探索样本的实际表现与模型预测的差异。这份诊断应该和模型版本一起归档，因为它直接关系到模型的可解释性与合规自证——在监管问到”你们的模型是怎么验证的”时，一份能说明偏差处理过程的诊断报告，比一堆离线指标更有说服力。

小结

拒绝推断要解决的是一个很朴素的问题：你怎么知道自己不知道什么？

模型只用被放款的人训练，被拒的人就成了一个盲区。而这个盲区不是随机的——它恰好是你的策略主动筛掉的那部分，是模型最需要学习的那部分客户。偏差的危险不在于它让模型变差，而在于它让模型看起来很健康。

三类主流修正方法各有适用边界，但它们共同的局限是”从缺失的数据里推断缺失的答案”。在海外现金贷这种样本量小、薄档案占比高、人工审批普遍存在的场景里，成本最低、假设最少、也最应该优先做的，是主动探索：用 2% 至 5% 的通过率额度，把盲区变成可观测的数据。

先诊断，后修正。先有基准，再做推断。这个顺序反了，出力越多，偏得越远。

下篇预告

下一篇（233）讲额度策略：初始额度怎么定、动态额度怎么调、提额与降额的触发逻辑应该建在什么信号上，以及为什么”给得越少越安全”是一个代价高昂的误判。