什么是样本选择偏差？如何修正？
简化版
当样本被观察或入选的概率同时与特征、标签有关时，训练分布不能代表目标总体；缺失并非随机时，仅增加样本量不会消除偏差。
回答时应把“进入训练样本的机制与目标总体不一致”讲清，再说明如何验证和落地；关键边界是：重加权会在入样概率很小时放大方差；目标区域完全没有样本时无法靠权重凭空恢复信息。
详细版
样本选择偏差发生在进入训练集的概率与特征或结果有关，缺失并非随机时，增加同来源样本只会更精确地学习偏差。若给定 X 后选择 S 与 Y 独立，可估计 propensity 并做逆概率加权；若选择仍依赖未观测结果，则需要额外假设或新采集。
先训练入样模型检查目标人群是否有共同支持，极端权重意味着重叠不足、估计方差会爆炸。截断权重、分层和双重稳健方法可以改善稳定性，却不能在目标区域完全无样本时凭空恢复信息。
完整版教学
一、问题本质与使用动机
样本选择偏差的关键是先明确目标总体，再说明哪些机制决定一条记录能否进入训练与评估数据。
选择变量 S 决定样本能否被观察。若给定 X 后 S 与 Y 独立，可按 propensity 修正；若仍依赖未观测 Y，则需要额外假设或新数据。
可做截断权重、分层匹配或双重稳健估计，但完全未覆盖区域必须主动采样。修正方法不能替代采集设计。
二、机制与数学表达
在相应可交换与重叠假设下，可用入样概率构造加权风险：
weighted risk = Σ L_i / propensity_i重加权会在入样概率很小时放大方差；
三、带数字的推演
例如满意度只调查响应问卷的 20% 用户，而不满意用户响应率 5%、满意用户 40%，直接平均会高估总体满意度。
可以训练入样模型估计 P(S=1|X)，再检查不同人群覆盖和权重分布；极端权重提示重叠不足，估计方差会迅速增大。
四、从数据到上线的执行流程
修正流程应从目标总体定义开始：
定义目标总体 → 建模入样概率 → 检查共同支持 → 加权/匹配 → 目标分布验收画出完整采样流程，比较入样率和覆盖率；选择概率可估计且假设合理时，才使用逆概率加权或分层重采样，并用目标总体独立数据验证。
记录抽样规则、响应率与每条样本权重；线上目标总体或采集机制变化后，旧 propensity 模型也要重新验证。
五、方案对比与选择边界
| 条件 | 可用方法 | 关键风险 |
|---|---|---|
| S ⟂ Y | X | 逆概率加权 |
| 重叠较弱 | 截断/匹配/分层 | 方差与外推 |
| 无共同支持 | 重新采集 | 无法从现有数据识别 |
方法能否识别目标量取决于选择机制、重叠与模型假设，而非算法复杂度。
六、加权何时能识别目标风险
令 S=1 表示样本被观察。若给定已观测协变量 X 后，选择与结果独立，即 S ⟂ Y | X，且目标区域都有正的入样概率，则可用逆概率权重恢复目标分布期望。实践还要区分训练总体与部署总体，并把归一化方式写清。
若入样概率为 0.01，权重约 100，一条样本就可能主导估计。裁剪权重能降方差却引入偏差，必须报告裁剪前后、权重分布和有效样本量。若某区域从未被采集，任何权重都不能恢复其标签，只能新采样或缩小结论范围。
七、怎样诊断与验证修正
先画出从目标总体到入样的每一步，比较各人群响应率和覆盖；训练选择模型得到 propensity 后，检查重加权是否让可观测协变量接近目标总体。平衡改善仍不能证明所有未观测混杂已消除，可做敏感性分析和不同采集机制对照。
例如不满意用户响应率 5%、满意用户 40%，直接对问卷平均会高估满意度。若响应率来自真实设计或可验证模型，可按逆概率校正；若“是否满意”本身在控制 X 后仍影响响应，常规 MAR 加权假设不成立，需要跟访、随机激励或额外选择模型假设。
重加权只能修正已观测且有重叠支持的选择机制；目标人群完全缺失的区域无法凭权重创造证据。
八、常见误区与追问
- 误区：样本越多选择偏差越小。 同一有偏机制只会让错误估计更稳定。
- 误区：重加权后协变量平衡就证明无偏。 只能验证已观测变量，未观测选择因素仍可能存在。
- 误区：极端权重越大越忠实。 它提示重叠不足并放大方差，应考虑裁剪、分层或补采。
- 追问：选择偏差和类别不平衡相同吗？ 不同；前者是入样机制不代表目标总体，后者只是标签比例不均。
- 追问：无共同支持怎么办？ 新采集目标区域、改变策略或限制模型适用范围，不能外推冒充证据。
- 追问：双重稳健是什么意思？ 在相应条件下，结果模型或 propensity 模型至少一个正确即可保持一致性，但仍依赖可交换性和重叠等假设。
九、加强记忆
先问“谁有机会进入样本”，再看选择在给定 X 后是否还依赖 Y。可估计且有重叠才谈加权；极端权重是缺数据的报警，不是把权重继续放大的理由。