基于casual因果推断的AB测试优化方案：从理论到工程实践

1次阅读

没有评论

共计 1689 个字符，预计需要花费 5 分钟才能阅读完成。

在电商场景中，我们经常需要评估新功能的效果，比如推荐算法的改进。传统 AB 测试假设用户是随机分组的，但在实际业务中，用户行为往往存在自选择偏差。例如：

价格敏感用户更可能点击优惠券活动
高频用户更容易被新功能曝光

这种选择偏差会导致传统 AB 测试高估或低估策略效果。我们曾遇到某促销活动在 AB 测试中显示 10% 提升，但全量上线后实际收益仅 2%，这就是典型的混杂变量干扰。

常见解决方案主要有三种：

PSM（倾向得分匹配 /Propensity Score Matching）
优点：实现简单，适合观测变量明确的情况
缺点：无法处理未观测混杂因子
DID（双重差分 /Difference-in-Differences）
优点：能消除时间不变的混杂因素
缺点：需要平行趋势假设
因果推断（Causal Inference）
优点：通过因果图显式建模变量关系
缺点：计算复杂度较高

我们选择因果推断方案，因为它能：

通过因果图识别混杂变量
计算 ATE（Average Treatment Effect/ 平均处理效应）时自动调整偏差
支持反事实推理

# 安装因果推断工具包
!pip install causalml dowhy

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 模拟电商场景数据
data = pd.DataFrame({'user_age': np.random.normal(35, 5, 1000),  # 用户年龄
    'activity_level': np.random.poisson(3, 1000),  # 活跃度
    'treatment': np.random.binomial(1, 0.3, 1000),  # 是否实验组
    'conversion': np.zeros(1000)  # 转化率(待填充)
})

# 标准化连续变量
scaler = StandardScaler()
data[['user_age']] = scaler.fit_transform(data[['user_age']])

from dowhy import CausalModel

# 定义因果图
model = CausalModel(
    data=data,
    treatment='treatment',
    outcome='conversion',
    common_causes=['user_age', 'activity_level']
)

# 可视化因果图
model.view_model()

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

# 使用线性回归估计 ATE
estimate = model.estimate_effect(
    identified_estimand,
    method_name='backdoor.linear_regression',
    control_value=0,
    treatment_value=1
)

print(f'ATE 估计值: {estimate.value:.4f}')