---
title: "Population Stability Index"
type: concept
tags: [model-monitoring, feature-drift, model-governance]
last_updated: 2026-04-25
---

## Definition

群体稳定性指数（Population Stability Index，PSI）是衡量两个分布（通常是开发样本 vs 实际样本）之间差异的量化指标，广泛用于监控机器学习模型输入特征和输出评分的分布漂移，是模型生命周期管理的核心监控工具。

## Algorithm

$$\text{PSI} = \sum_{i=1}^{n} (act_i - exp_i) \times \ln\left(\frac{act_i}{exp_i}\right)$$

其中：
- $act_i$ = 实际（当前）样本在分箱中的占比
- $exp_i$ = 期望（基准）样本在分箱中的占比
- 使用 **Laplace smoothing**（加 1 平滑）避免除零

## Interpretation Thresholds

| PSI Range | 判读 | 建议行动 |
|-----------|------|---------|
| < 0.10 | 🟢 无显著漂移 | 无需操作 |
| 0.10–0.25 | 🟡 中等漂移 | 调查原因，密切监控 |
| ≥ 0.25 | 🔴 显著漂移 | **立即采取行动**，考虑重训 |

## Implementation

```python
import numpy as np
import pandas as pd

def compute_psi(expected: pd.Series, actual: pd.Series, bins: int = 10) -> float:
    """
    Compute Population Stability Index between two distributions.
    Interpretation:
      < 0.10  → No significant shift (green)
      0.10–0.25 → Moderate shift, investigation recommended (amber)
      >= 0.25 → Significant shift, action required (red)
    """
    breakpoints = np.linspace(0, 100, bins + 1)
    expected_pcts = np.percentile(expected.dropna(), breakpoints)

    expected_counts = np.histogram(expected, bins=expected_pcts)[0]
    actual_counts = np.histogram(actual, bins=expected_pcts)[0]

    # Laplace smoothing
    exp_pct = (expected_counts + 1) / (expected_counts.sum() + bins)
    act_pct = (actual_counts + 1) / (actual_counts.sum() + bins)

    psi = np.sum((act_pct - exp_pct) * np.log(act_pct / exp_pct))
    return round(psi, 6)


def variable_stability_report(
    df: pd.DataFrame,
    date_col: str,
    variables: list[str],
    psi_threshold: float = 0.25,
) -> pd.DataFrame:
    """Monthly stability report for model features."""
    periods = sorted(df[date_col].unique())
    baseline = df[df[date_col] == periods[0]]

    results = []
    for var in variables:
        for period in periods[1:]:
            current = df[df[date_col] == period]
            psi = compute_psi(baseline[var], current[var])
            results.append({
                "variable": var, "period": period, "psi": psi,
                "flag": "🔴" if psi >= psi_threshold else ("🟡" if psi >= 0.10 else "🟢"),
            })

    return pd.DataFrame(results).pivot_table(
        index="variable", columns="period", values="psi"
    ).round(4)
```

## Model QA 中的应用

Model QA Specialist 将 PSI 应用于以下场景：
1. **特征稳定性监控**：每月计算所有特征的 PSI，识别漂移最早的预警信号
2. **评分分布监控**：模型输出的评分 PSI，检测整体预测分布变化
3. **分段 PSI**：在子群体上分别计算，识别特定分段的漂移（整体 PSI 掩盖的局部问题）
4. **重训触发器**：将 PSI ≥ 0.25 设为自动重训的硬触发条件

## Relationship

- **被依赖** [[SHAP]]：PSI 识别分布漂移，SHAP 分析漂移后的特征贡献变化
- **被依赖** [[Discrimination-Metrics]]：PSI 漂移通常先于 AUC/Gini 下降出现，是预警指标
- **被依赖** [[Calibration-Testing]]：特征分布漂移（PSI）是校准失效的根本原因之一
- **支撑** [[specialized-model-qa]]（Source）：Model QA Specialist 的监控框架核心指标

## Key Insights

- **方向性陷阱**：PSI 仅反映分布差异大小，不反映变化方向（高→低 或 低→高 均为漂移）
- **阈值依赖**：0.1/0.25 阈值是行业惯例，具体阈值应基于业务风险调整
- **特征 vs 评分 PSI**：特征 PSI 先于评分 PSI 变化，是更敏感的早期预警
- **监控频率**：生产模型应至少每月计算一次，关键业务模型建议每周甚至每日