共计 1449 个字符，预计需要花费 4 分钟才能阅读完成。
电商案例：传统 AB 测试的局限性
假设某电商平台优化了新用户注册流程（实验组 B），希望对比旧流程（对照组 A）的转化率提升。传统 AB 测试直接比较两组转化率差异，但可能忽略以下问题：
- 新流程上线时段恰逢节假日，自然流量激增
- 实验组用户多来自高消费地区
- 对照组包含大量历史低活跃用户
这些 混杂变量（Confounders）会导致误判改版效果，需引入因果推断方法控制变量干扰。
随机实验 vs 观察性研究
- 随机对照试验(RCT)：通过随机分配消除混杂（如传统 AB 测试）
- 优点：$E[Y(1)-Y(0)|T=1]=ATE$ 成立
-
缺点：实际业务常无法满足完全随机
-
观察性研究：基于现有数据推断因果
- 挑战：需满足条件独立假设 $Y(1),Y(0) \perp T|X$
- 核心问题：如何构建可比的对照组？
倾向得分匹配 (PSM) 技术实现
数学原理
倾向得分定义为：
$$e(X) = P(T=1|X)$$
通过 Logistic 回归估计得分后，匹配实验组与对照组中 $e(X)$ 相近的样本。ATT（平均处理效应）计算公式：
$$ATT = E[Y(1)|T=1] – E[Y(0)|T=1]$$
Python 代码示例
from causalml.match import NearestNeighborMatch
from sklearn.linear_model import LogisticRegression
# 假设 df 包含特征 X、处理标签 T、结果 Y
ps_model = LogisticRegression().fit(df[X_cols], df['T'])
df['ps_score'] = ps_model.predict_proba(df[X_cols])[:,1]
# 最近邻匹配（caliper=0.2 表示最大得分差限制）matcher = NearestNeighborMatch(
caliper=0.2, # 经验值：建议取倾向得分标准差的 20%
replace=False # 防止对照组样本重复使用
)
matched_df = matcher.match(data=df, treatment_col='T', score_cols=['ps_score'])
# 计算 ATT
att = matched_df[matched_df['T']==1]['Y'].mean() - \
matched_df[matched_df['T']==0]['Y'].mean()评估指标验证
- 共变量平衡检验：匹配后各 X 的标准化均值差应 <0.1
from causalml.metrics import smd smd_values = smd(matched_df[X_cols], matched_df['T']) - 支持域检查：确保倾向得分分布重叠
import seaborn as sns sns.kdeplot(data=df, x='ps_score', hue='T')
避坑实践指南
- 非重叠支持域 处理：
- 裁剪（Trimming）极端得分样本
-
使用核匹配替代最近邻
-
隐藏偏差 应对：
- 加入代理变量（如用户设备类型）
-
敏感性分析（Rosenbaum 边界检验）
-
大数据优化：
- 分层匹配：先按关键变量分桶再匹配
- 近似算法：如 Propensity Score Stratification
进阶思考
当实验组 / 对照组样本量差异较大时，可尝试：
– 逆向概率加权(IPW)：$w_i = T_i/e(X_i) + (1-T_i)/(1-e(X_i))$
– 熵平衡：直接优化协变量矩条件
– 双重稳健估计：结合倾向得分与结果模型
通过系统控制混杂因素，我们能更准确地评估 AB 测试中的真实因果效应，避免被表面相关性误导。
正文完
