TikTok 的未来尘埃落定

做了上面的处理，我还存在疑问：

• 幸存者偏差仍存在，到底还存在多少？

• 排除幸存者偏差、红包的干扰，依赖主观判断，还有没有其他因素的干扰？如何证明？

• 评估方法个性化，可否抽象为通用方法？

思考：差分计算和按红包分组，本质上排除各种因素干扰，尽可能构建平行世界，说白了，我们在寻找特征相同的用户群，因此，在方法层面也许可以统一

按照上面的思路，我们引入了协变量的概念，这个概念借鉴了因果推断算法

方法如下：

• 通过多种特征，寻找特征相同的用户群（寻找协变量，协变量非常关键，后文会提到几个原则）

• 每个群内，按照是否参与活动分为2组（构建平行世界），对比参与与未参与的差异，计算每个群组的贡献

• 为了增强可解释性和可读性，简化分组，例如：合并小的分组（如合并同特征分段），较少部分特征，原则是简化分组不影响整体结论，同时简化分组也有利于解决过拟合问题

• 对于部分分组，仍存在较强的幸存者偏差，做特殊标注（这样至少可以量化得到范围）

• 将各个分组的贡献相加，得到量化贡献范围（说明，虽结果不准确，但有一定的范围，也可以供部门决策，数据分析的很重要作用就是辅助决策）

核心流程如下：

 

这个时候我们是用cut为自变量，残差为因变量进行了作图，也就是看一看抠掉了carat对price的效应后，cut对price的实际的关系，可以看到这回随着cut越来越好，price也愈来愈高，这下就对了。

实际上，上面的过程就是一个统计控制的过程，我们在看cut对price的关系的时候需要控制掉carat对price的关系，这样得到的结果才是纯净的结果，有兴趣的同学还可以去看一看控制变量和混杂变量的区别，嘿嘿。

小结

今天用一个实际的例子给大家写了统计控制，感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python和R的，加油。

（编辑：潍坊站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!