Causality Problems(相关不一定是因果)：
- 伪关系：Y和X只是恰巧同时发生，实际上没有明显的逻辑上的关联，如巧克力销量和诺奖得主数量
- 遗漏变量偏差：存在既影响X也影响Y的混淆变量，如年龄混淆了年收入和罹患癌症几率之间的关系
- 幸存者偏差：部分样本没有被收集到
- 反向因果
因果分析的核心：
- identification：将因果关系从关联中分割
- estimation：计算因果关系的大小
- inference：基于统计的推断（有多大的信心结果是正确的Hypothesis testing，结果会存在多大的波动Confidence interval）
- 流派：
- Potential Outcome Model：个体i的因果效应
，因为真实世界不存在平行宇宙，
(个体受到效用后的结果)或
(个体未收到效用后的结果)只有一个可以被观测到，所以需要构造合适的对照组来模拟这种情况，即counterfactual
- Graph Causal Model：
- Potential Outcome Model：个体i的因果效应
因果分析的工具：
- A/B testing:
- Matching：
- CEM
- PSM
- Fixed Effect
- Difference-in-differences：
- 是一种特殊的固定效应模型，模型简单，基本不需要算法拟合
- 核心假设：Parallel Trend
- 指标差异拆分为trend和treatment带来的差异两部分，通过平行趋势检验，利用对照组政策前后的波动差异来量化trend，从而剥离出treatment带来的独立影响（类似于“AB差异-AA差异=真实策略差异”的思想）
- Synthetic Control:
- 由于该方法对内生性控制方面的扩展不足, 比较适合外生事件的分析。内生事件的分析推荐用PSM
- 不适用于微观数据分析，原因有：不存在十年以上的微观数据 （比如说追踪调查）；该方法不适用于参照组无限大的情况 （比如说统计了上千家庭的微观截面数据 ）
- 适用于“试点项目“
- Matrix Completion
例子：一项新活动上线，评估该活动对用户价值的影响：
- 对比活动前后的用户价值：没有剥离前后两个时段的市场要素的差异；
- 对比参与活动的用户与未参与活动的用户：参与活动的用户大概率本事是忠实用户（选择偏差）；
- AB实验：一组可以看到活动，一组看不到活动，对比两组用户：可以进一步筛选出可以看到活动的用户中参与了该活动的用户，此外如果参与该活动的渗透率低，可以考虑在看不到活动的组中做matching
Reference
标签：分析,差异,用户,活动,参与,因果 来源： https://blog.csdn.net/qq_34276652/article/details/114225900
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。