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...
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?
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。
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。
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。
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。
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。
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。
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。
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...