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 2480 个字符，预计需要花费 7 分钟才能阅读完成。

在电商大促期间，我们经常遇到这样的困惑：明明是同一个 AB 测试方案，在手机端和 PC 端却得出完全相反的结论。比如给用户发放优惠券的实验组，在手机端显示 ROI（投资回报率）提升 15%，但在 PC 端却下降 8%。

这种情况往往源于混杂变量（Confounding Variables）的干扰。举个例子：

手机端用户更多是年轻群体，对价格敏感度高
PC 端用户包含大量企业采购人员，决策流程复杂
平台默认给高价值用户更多曝光机会（选择偏差）

传统 AB 测试的随机分组在这些场景下容易失效，就像用抛硬币决定谁吃降压药——如果高血压患者恰好更多分到对照组，实验就会得出 ” 降压药有害健康 ” 的错误结论。

原理：给每个样本计算进入实验组的概率，匹配相似概率的对照组
优点：实现简单，R/python 都有成熟库
缺点：依赖强可忽略性假设（所有混杂变量可观测）

原理：比较实验组 / 对照组在干预前后的变化差异
优点：能消除时间不变混杂因素
缺点：需要严格平行趋势假设

通过因果图（Causal Graph）显式建模变量关系
计算 ATE（Average Treatment Effect/ 平均处理效应）时自动调整混杂因子
支持观察性数据（非随机实验）分析

核心优势 ：
– 可处理未观测混杂（通过工具变量等技术）
– 可视化展示因果路径
– 提供效应量不确定性估计

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

# 导入关键库
import pandas as pd
from causalml.inference.meta import LRSRegressor
from dowhy import CausalModel

# 模拟电商场景数据（真实项目需替换为业务数据）def generate_data(n=10000):
    age = np.random.normal(35, 5, n)  # 用户年龄
    device = np.random.binomial(1, 0.3, n)  # 0=PC 端, 1= 手机端
    spending = 200 + 10*age + 50*device + np.random.normal(0, 20, n)

    # 混杂变量：高价值用户更可能被推荐商品
    high_value = (spending > np.percentile(spending, 70)).astype(int)
    treatment = np.random.binomial(1, 0.2 + 0.6*high_value)  # 实验组概率

    # 处理效应：优惠券真实提升消费 50 元（但会被混杂变量掩盖）outcome = spending + 50*treatment + np.random.normal(0, 10, n)

    return pd.DataFrame({
        'age': age, 
        'device': device,
        'high_value': high_value,
        'treatment': treatment,
        'outcome': outcome
    })

df = generate_data()

# 定义变量因果关系
model = CausalModel(
    data=df,
    treatment='treatment',
    outcome='outcome',
    common_causes=['age', 'device', 'high_value']
)

# 可视化因果图
model.view_model()
# 输出：treatment <- high_value -> outcome
#             ↑          ↑
#             age, device

# 方法 1：双重机器学习
lr = LRSRegressor()
ate = lr.estimate_ate(X=df[['age', 'device', 'high_value']],
    treatment=df['treatment'],
    y=df['outcome']
)
print(f"校正后的 ATE: {ate[0]:.1f}")  # 应接近真实值 50

# 方法 2：DoWhy 框架
identified_estimand = model.identify_effect()
estimate = model.estimate_effect(
    identified_estimand,
    method_name="backdoor.linear_regression"
)
print(estimate)  # 查看效应量和置信区间