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
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。
处理这类问题可沿着四步展开：先确认数据生成与业务目标，再写出假设或公式；随后用独立验证数据检查结论，最后把监控、回滚和成本纳入上线方案。
画出采样流程，比较入样率和覆盖率；若选择概率可估计，用逆概率加权或分层重采样，并用目标总体的独立数据验证。
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。
诊断时，训练一个入样模型估计 P(S=1|X)，检查不同人群覆盖和权重分布。极端权重提示重叠性不足，估计方差会爆炸。
一个具体判断是：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%，直接平均会高估满意度。
核心表达可以写成：
weighted risk = Σ L_i / propensity_i面试中还应主动补充边界：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。
完整版教学
一、问题本质与使用动机
这道题的核心是进入训练样本的机制与目标总体不一致。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。
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。
分析时先写清输入、监督信号、预测时刻和业务动作，再判断当前假设是否满足。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
可以用下面的关系抓住进入训练样本的机制与目标总体不一致的约束：
weighted risk = Σ L_i / propensity_i公式中的每个量都必须对应可观测或可估计的数据，而不能只停留在符号层面。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。
因此检查重点不是“有没有算出结果”，而是训练目标、统计假设和决策口径是否同向。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。
三、带数字的推演
考虑这个场景：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%，直接平均会高估满意度。
诊断不能只看汇总值。训练一个入样模型估计 P(S=1|X)，检查不同人群覆盖和权重分布。极端权重提示重叠性不足，估计方差会爆炸。
选择方案时要把统计收益与实施代价放在一起。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。
四、从数据到上线的执行流程
推荐按以下链路实施进入训练样本的机制与目标总体不一致：
定义目标与时点
↓
冻结数据切分和基线
↓
训练或估计关键参数
↓
分群、时间外与压力验证
↓
灰度发布 → 监控 → 回滚或迭代其中最关键的工程动作是：画出采样流程，比较入样率和覆盖率；若选择概率可估计，用逆概率加权或分层重采样，并用目标总体的独立数据验证。
工程闭环不能省略：记录抽样规则、响应率与每条样本权重。线上目标总体变化后，旧 propensity 模型也要更新和验证。
五、方案对比与选择边界
| 维度 | 随机缺失 | 非随机选择机制 |
|---|---|---|
| 主要目标 | 建立直接、低成本的基线 | 更贴合进入训练样本的机制与目标总体不一致的实际约束 |
| 优点 | 实现简单，便于解释和排错 | 能减少假设失配带来的系统误差 |
| 风险 | 容易忽略分布、成本或时间边界 | 需要额外数据、调参与监控 |
| 选择依据 | 数据少、关系简单、风险较低 | 证据表明简单方案已产生稳定偏差 |
对比不能停在“哪个更先进”。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。
记忆钩子：先核对问题的统计前提，再看离线数字，最后问线上决策会不会改变数据。模型只是链路中的一环。
六、诊断、监控与故障处置
诊断时，训练一个入样模型估计 P(S=1|X)，检查不同人群覆盖和权重分布。极端权重提示重叠性不足，估计方差会爆炸。
记录抽样规则、响应率与每条样本权重。线上目标总体变化后，旧 propensity 模型也要更新和验证。
若异常出现，先冻结新版本并与最近稳定基线做同请求回放，再按特征和人群定位差异。证据不足时优先降级或回滚，不要用连续热修复掩盖根因。
七、常见误区与追问
- 误区：离线指标提高就代表方案一定更好。 还要核对切分、统计前提、线上成本和人群切片，防止虚假提升。
- 误区：复杂方法天然优于简单基线。 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。
- 误区：训练过程收敛就证明模型正确。 优化器只能解决既定目标，不能修复错误标签、时间穿越或目标错配。
- 追问：为何更多同来源数据无用？ 它只更精确地描述被选择人群，不能补回从未进入样本的群体。
- 追问：线上结果与离线不一致怎么办？ 回放线上请求，逐项核对特征值、阈值、采样机制和业务干预，再判断是实现偏差还是分布变化。
- 追问：数据量变大后结论会变吗？ 会；方差、可用容量和估计稳定性都可能变化，应重新选择超参数而不是机械复用旧配置。
- 追问：什么时候不该使用当前方法？ 当前提明显不成立、关键区域缺少数据，或引入的维护成本超过可验证收益时，应选择更稳健的替代方案。
八、加强记忆
把进入训练样本的机制与目标总体不一致串成一条检查链：先定义目标和数据时点，再写清假设与公式；用带数字的基线验证机制，以独立切分检查泛化；上线前加入成本、容量和公平边界，上线后同时监控输入变化与真实结果。
答题时抓住“定义—机制—证据—边界—处置”五个锚点。定义说明讨论对象，机制解释为什么，证据用数字落地，边界防止过度承诺，处置体现工程能力；这比孤立背诵名词更接近真实建模工作。