因果推断实战：基于AUCC指标的业务场景分析与优化

1次阅读

没有评论

共计 2170 个字符，预计需要花费 6 分钟才能阅读完成。

在业务场景中，AB 测试（Randomized Controlled Trial）常被用来评估策略效果。但实际落地时会遇到两个核心问题：

混杂变量（Confounding Variables）干扰：例如在电商优惠券发放场景中，高价值用户可能更易被选中，导致效果评估混入用户自身特征的影响
无法全域随机化：某些场景（如政策调整）无法进行随机分组，只能依赖观测数据（Observational Data）

这种情况会导致传统指标如转化率提升（Lift）无法反映真实因果效应。举个典型案例：某金融 APP 发现推送理财广告后，点击用户的人均投资额反而下降——这其实是高净值用户天然回避广告推送导致的伪结论。

ATE（Average Treatment Effect）：全体用户的平均干预效应，计算式为 E[Y(1)-Y(0)]
ATT（Average Treatment Effect on the Treated）：仅针对受干预群体的平均效应，计算式为 E[Y(1)-Y(0)|T=1]

AUCC（Area Under the Causal Curve）通过以下方式提升评估精度：

绘制干预组与对照组的效应量随倾向得分（Propensity Score）变化曲线
计算曲线下面积消除局部偏差
特别适合存在显著选择偏差的场景（如营销中的主动领取优惠券用户群）

import pandas as pd
from sklearn.model_selection import train_test_split

# 模拟电商优惠券数据集（特征含用户活跃度、历史消费等）data = pd.read_csv('coupon_data.csv')

# 划分干预组 (T=1) 和对照组(T=0)
treated = data[data['received_coupon']==1]
control = data[data['received_coupon']==0]

from sklearn.ensemble import GradientBoostingClassifier
from causalml.propensity import ElasticNetPropensityModel

# 使用梯度提升树估计倾向得分
ps_model = GradientBoostingClassifier()
ps_model.fit(data[['activity','history_purchase','age']], 
             data['received_coupon'])

data['propensity_score'] = ps_model.predict_proba(data[['activity','history_purchase','age']])[:,1]

from causalml.metrics import aucc

# 1:1 最近邻匹配
matched = aucc.get_matched_samples(
    treatment_df=treated,
    control_df=control,
    propensity_score_col='propensity_score'
)

# 计算 AUCC 值
effect_size = aucc.calc_aucc(matched['treatment_outcome'],
    matched['control_outcome'],
    matched['propensity_score']
)
print(f'AUCC 指标值：{effect_size:.3f}')

现象：干预组样本量远小于对照组（如仅 5% 用户收到优惠券）

解决方案：

采用过采样（Oversampling）或 SMOTE 方法平衡数据
改用 Causal Forest 等对样本不平衡鲁棒的方法

现象：用户特征维度高（>50 维）导致倾向得分估计不准

解决方案：

先通过 PCA/Lasso 进行特征选择
使用深度学习模型（如 MLP）建模高维非线性关系

现象：节假日等时间因素影响用户行为

解决方案：

在特征中加入时间哑变量（Dummy Variable）
采用双重差分法（DID）剥离时间趋势

分层抽样：按倾向得分百分位分层，确保各层都有代表样本
Caliper Matching：设置得分匹配阈值（如±0.1），避免低质量匹配

from joblib import Parallel, delayed

# 并行计算各分位点效应
def calc_quantile_effect(q):
    return aucc.calc_aucc(...)

results = Parallel(n_jobs=4)(delayed(calc_quantile_effect)(q) 
    for q in np.linspace(0,1,10)
)

当完全无法进行随机实验时，可考虑：