因果分析是在统计领域内建立因果关系的实验分析。在数据分析中，我们始终对因果关系问题感到困扰，通常从统计角度对可用数据进行分析。虽然知道因果关系的金钥匙是 A/B 测试，但是由于某些...
04月07日1,115评论
数据分析 36 计（25）：微软开源 DoWhy 之因果分析快速入门
04月07日1,115评论
04月07日1,115评论
数据分析 36 计（24）：因果推断结合机器学习估计个体处理效应
在商业应用中，对异质处理效应的估计可以帮助回答以下问题：对谁有大或小的处理效应？处理对哪个分组产生有利或不利影响？
02月27日2,401评论
数据分析 36 计（23）：长期转化率 A/B 实验的问题，用边际结构模型纠正后结论反转
与“理想化随机试验”相对应的 A/B 测试对比，注意到随机试验设计的观点通常过于简化。对于大规模进行的 A/B 测试，尤其是长时间进行的测试，很少能满足理想化随机试验的假设。
02月27日658评论
数据分析 36 计（22）：分析师入门常见错误 “幸存者偏差”，如何用匹配和加权法规避
这里介绍因果推断中的两个方法——匹配和逆概率加权。并将其和直接回归方法的结论进行对比，看看相关和因果的结论到底会差异多少。
02月27日1,227评论
数据分析 36 计（21）：Uber、Netflix 常用倍差法模型量化营销活动、产品改版影响效果
这篇文章将介绍倍差法和普通回归法在效应量评估上的真实差异。
02月27日428评论
数据分析 36 计（20）：优化新财年广告预算，乘法营销组合模型的 Python 实现
广告客户使用营销组合模型（MMM）来衡量其广告媒介投入如何促进销售增加，从而优化未来的预算分配。广告投入回报率（ROAS）和边际投入回报率（mROAS）是要关注的关键指标。
02月27日704评论
数据分析 36 计（19）：美国生鲜配送平台【Instacart】如何实现按时配送——使用分位数回归
在许多预测问题中，可能不仅需要平均水平。分位数回归允许近似分布的任何百分比，因此可以提供变量之间关系的更全面分析。
02月27日195评论
数据分析 36 计（18）：Shopify 如何使用准实验和反事实来优化产品
在Shopify，我们相信了解因果关系是探寻业务价值最大化的关键。由于因果关系可以验证整个业务战略是否有效，因此我们旨在识别出数据现象背后真正的原因。
02月27日391评论
数据分析 36 计（17）：Uber 的 A/B 实验平台搭建
实验是 Uber 如何改善客户体验的核心。Uber 将多种实验方法应用于各种用例，例如测试一项新功能以增强我们的应用程序设计。Uber的实验平台（XP）在此过程中扮演着重要角色。
02月27日792评论
数据分析 36 计（16）：和 A/B 测试同等重要的观察性研究：群组研究 VS 病例-对照方法
群组研究（cohort study）和 病例-对照研究（case-control study）是观察研究的两种主要类型，主要用于医学判断评估疾病和条件暴露之间的关联，同时在商业分析...
02月26日273评论