nexus/wiki/concepts/Hosmer-Lemeshow-Test.md

title, type, tags, sources, last_updated

title	type	tags	sources	last_updated
Hosmer-Lemeshow Test	concept	model-evaluation calibration-testing goodness-of-fit	specialized-model-qa	2026-05-29

Definition

Hosmer-Lemeshow（HL）检验是一种评估二分类模型预测概率校准程度的拟合优度检验，通过比较预测概率分箱后的观测正例数与期望正例数，判断模型预测与实际结果之间是否存在显著差异。p-value < 0.05 时拒绝原假设（模型校准良好），认为模型存在显著的校准偏差。

Algorithm

1. 将样本按预测概率从小到大分箱（默认 10 箱，或自定义 g 组）
2. 对每箱计算：
   • 观测正例数 O_g = \sum_{i \in \text{group } g} y_i
   • 期望正例数 E_g = \sum_{i \in \text{group } g} \hat{p}_i
   • 样本数 n_g
3. 计算 HL 统计量：

H = \sum_{g=1}^{G} \frac{(O_g - E_g)^2}{E_g (1 - E_g / n_g)}

4. 自由度 $df = G - 2$（减去截距和斜率估计参数）
5. 与 \chi^2(df) 分布比较，p = 1 - F_{H}(H)

Interpretation

from scipy.stats import chi2

def hosmer_lemshow_test(y_true: pd.Series, y_pred: pd.Series, groups: int = 10) -> dict:
    data = pd.DataFrame({"y": y_true, "p": y_pred})
    data["bucket"] = pd.qcut(data["p"], groups, duplicates="drop")

    agg = data.groupby("bucket", observed=True).agg(
        n=("y", "count"),
        observed=("y", "sum"),
        expected=("p", "sum"),
    )

    hl_stat = (
        ((agg["observed"] - agg["expected"])**2) /
        (agg["expected"] * (1 - agg["expected"] / agg["n"]))
    ).sum()

    dof = len(agg) - 2
    p_value = 1 - chi2.cdf(hl_stat, dof)

    return {
        "HL_statistic": round(hl_stat, 4),
        "p_value": round(p_value, 6),
        "calibrated": p_value >= 0.05,  # True = well calibrated
        "dof": dof,
        "groups_used": len(agg),
    }

p-value	判读
≥ 0.05	🟢 模型校准良好，无显著证据表明预测概率偏离实际频率
< 0.05	🔴 拒绝原假设，模型存在显著校准偏差

Limitations

1. 分组方式敏感：不同分箱数量/方法导致不同结果，10 等分是惯例但非最优
2. 样本量敏感：大样本下即使微小偏差也能导致显著 p-value（实际影响可能很小）
3. 掩盖子群体问题：整体通过 HL 检验不等于所有子群体都校准良好
4. 序贯分组问题：qcut 在重复值多时可能合并箱子，需检查 groups_used

Alternatives

• Brier Score：无需分组，对样本量稳健，但只能给出误差量级而非定位
• Spiegelhalter's Z-test：基于 Brier Score 的统计检验
• Reliability Curves：可视化诊断，比 HL 检验提供更多信息
• Expected Calibration Error (ECE)：量化平均校准误差，解释性更强

Model QA 中的应用

Model QA Specialist 将 HL 检验用于：

1. 模型上线前验证：新模型上线必须通过 HL 检验（p ≥ 0.05）
2. 定期监控：在 OOT 窗口上重复执行，监控校准随时间恶化趋势
3. 子群体分层测试：在关键子群体（高风险/低风险/新客户）上分别执行
4. Champion-Challenger：对比 champion model vs challenger model 的 HL 结果

Relationship

• 被依赖 Calibration-Testing：HL 检验是 Calibration Testing 的核心统计工具之一
• 依赖 Discrimination-Metrics：先确认模型有区分能力（AUC/Gini 达标），再讨论校准
• 依赖 Population-Stability-Index：PSI 漂移往往是 HL 检验失败的前兆
• 依赖 SHAP：HL 检验发现校准问题后，用 SHAP waterfall 诊断具体原因
• 支撑 specialized-model-qa（Source）：Model QA Specialist 校准测试步骤的核心工具