AB实验与因果推断：从原理到实践的技术解析

共计 1705 个字符，预计需要花费 5 分钟才能阅读完成。

1. 概念辨析：AB 测试与因果推断的数学定义

AB 测试（A/B Testing）和因果推断（Causal Inference）都用于评估干预效果，但两者在方法论上有本质区别：

• AB 测试 ：通过随机分配用户到实验组（A）和对照组（B），直接比较两组结果差异。数学表达为：
  $$E[Y|T=1] – E[Y|T=0]$$
  其中 $T$ 表示分组（1= 实验组，0= 对照组），$Y$ 为观测结果。

• 因果推断 ：基于反事实框架（Counterfactual Framework），定义因果效应为：
  $$Y_{1i} – Y_{0i}$$
  其中 $Y_{1i}$ 是个体 $i$ 接受干预时的潜在结果，$Y_{0i}$ 是未接受干预时的潜在结果（实际无法同时观测）。

关键差异在于：AB 测试通过随机化直接估计因果效应，而因果推断需要额外假设（如无混淆性）从观测数据中推断因果 。

2. 技术对比：RCT vs 观测性研究

3. 代码实战：DoWhy 完整流程

# 数据生成（模拟电商场景）import numpy as np
import pandas as pd

np.random.seed(42)
n_samples = 1000
price_discount = np.random.binomial(1, 0.5, n_samples)  # 随机分配折扣
user_activity = np.random.normal(5, 1, n_samples)        # 混杂因子：用户活跃度
conversion = (0.3 * price_discount 
              + 0.5 * user_activity 
              + np.random.normal(0, 0.1, n_samples)) > 2.5

df = pd.DataFrame({'discount': price_discount,
                   'activity': user_activity,
                   'conversion': conversion.astype(int)})

# 模型构建
from dowhy import CausalModel
model = CausalModel(
    data=df,
    treatment='discount',
    outcome='conversion',
    common_causes=['activity']
)

# 识别因果效应
identified_estimand = model.identify_effect()

# 估计效应（使用倾向得分匹配）causal_estimate = model.estimate_effect(
    identified_estimand,
    method_name='backdoor.propensity_score_matching'
)
print(causal_estimate)

# 验证结果（placebo 测试）refutation = model.refute_estimate(
    identified_estimand, 
    causal_estimate,
    method_name='placebo_treatment_refuter'
)
print(refutation)

4. 避坑指南

1. 混淆变量控制不足 ：未测量关键混杂因子（如用户活跃度）会导致估计偏差
2. 新奇效应（Novelty Effect）：用户因新鲜感临时改变行为，误判为长期效果
3. 样本量不足 ：小样本下随机化可能不充分，组间基线特征不平衡

5. 进阶思考：因果图应用

因果图（Causal Graph）可帮助：

• 可视化变量间的因果关系
• 识别需要控制的混杂因子集合
• 设计更复杂的多阶段实验（如网络效应场景）

延伸阅读

• Rubin, D.B. (2005). Causal Inference Using Potential Outcomes
• Pearl, J. (2009). Causal Inference in Statistics: An Overview

实际应用中，AB 测试是因果推断的特殊简单场景，理解底层原理能帮助我们设计更严谨的实验和分析更复杂的数据关系。