作者介绍
1）异常归因
指标环比波动归因。比如，周报的环比波动原因分析
两组样本的指标差异原因定位。比如，a广告和b广告的ctr差异原因分析
要求：诊断出与核心指标呈【因果关系】的根因，并量化给出贡献度。
2）收益评估
有该策略 vs 无该策略，真实收益是否为正？—— 把纯粹【因为该策略导致的】业务收益，剥离出来
真实收益有多大？ROI多高？比如，老用户拉活广告对于DAU的增量贡献、增量ROI评估
相关性：两个变量的趋势相同或者相反，则认为呈现相关性。评估方法：散点趋势图、回归系数法、IV值、TGI值
因果性：“因”的发生直接导致了“果”的发生。评估方法：AB实验、构造对照组
相关性不等于因果性的例子：
比如，从相关性来看，高个子学生的数学强，看上去身高和数学成绩相关。但这并不意味着，身高就是数学强的原因，这可能是由其他因素造成的。比如他们可能有更好的教育资源或者更高的自我学习动力等。
痛点：现实中，我们往往不知道两个变量之间是否有因果性？以及因果性有多强？因此需要通过实验或者数据分析方法，去刻画因果性的强弱
怎样证明某个变量，与因变量有因果性？—— 控制变量
如果两组样本，其他条件都完全相同，只有施加的变量不同，且发现结果变量也不同，则认为结果差异是因为该策略导致的
常用方法
随机分流AB实验
不能做AB实验——因果推断（构造近似对照组）
给每一个实验组（施加了策略的群体）的用户 ID，从非实验组中 找出1个或者多个 与其相似（或者完全相同）的双胞胎兄弟，作为对照组用户，并计算实验组和对照组的 delta 差异。
样本：总样本为1w人
上大学的用户（即实验组）1000人
未上大学的用户（非实验组）9000人
评估指标：人均收入
干扰变量：
父母收入
学历
性别
年龄
...
步骤1:如何匹配？
（1）干扰变量匹配：从匹配范围，划分为几种方法：
完全匹配：比如年龄、性别、父母学历、父母收入、出身城市等变量完全一致
最邻近匹配：比如对于某个实验组用户，找出与其【欧氏\马氏距离】最近的非实验组用户作为对照组
卡阈值匹配：比如对于某个实验组用户，找出与其【欧氏\马氏距离】小于某阈值的用户作为对照组
（2）倾向性得分匹配（PSM，Propensity Score Match）
倾向性得分计算：将实验组用户作为正样本，非实验组样本作为负样本，是否上大学作为因变量，干扰变量作为自变量，输入逻辑回归模型后，输出所有样本的概率值Propensity Score 。
匹配方法同（1）
【注意事项】：
a、并非所有实验组用户，都能找到对照组用户。此时，计算算总体delta时，将该实验组样本丢弃处理。但建议输出报告中，需体现未匹配比例。比如实验组样本共1000个，匹配成功的样本占（至少1个匹配结果）占97%
b、如果匹配比例较低，需要调整匹配方法（完全匹配→ 卡阈值匹配），或者将特征离散化处理（比如，城市离散化为省份；父母收入离散为区间段）
（1）干扰变量匹配：从匹配范围，划分为几种方法：
完全匹配：比如年龄、性别、父母学历、父母收入、出身城市等变量完全一致
最邻近匹配：比如对于某个实验组用户，找出与其【欧氏\马氏距离】最近的非实验组用户作为对照组
卡阈值匹配：比如对于某个实验组用户，找出与其【欧氏\马氏距离】小于某阈值的用户作为对照组
（2）倾向性得分匹配（PSM，Propensity Score Match）
倾向性得分计算：将实验组用户作为正样本，非实验组样本作为负样本，是否上大学作为因变量，干扰变量作为自变量，输入逻辑回归模型后，输出所有样本的概率值Propensity Score 。
匹配方法同（1）
【注意事项】：
a、并非所有实验组用户，都能找到对照组用户。此时，计算算总体delta时，将该实验组样本丢弃处理。但建议输出报告中，需体现未匹配比例。比如实验组样本共1000个，匹配成功的样本占（至少1个匹配结果）占97%
b、如果匹配比例较低，需要调整匹配方法（完全匹配→ 卡阈值匹配），或者将特征离散化处理（比如，城市离散化为省份；父母收入离散为区间段）
匹配后，实验组vs对照组 ，各个干扰变量分布是否有差异？
举例：性别分布是否有显著差异（如表）
统计量SMD(standard mean difference)可以衡量平衡性。
SMD =（实验组均值 - 对照组均值）/ 实验组标准差。
一般如果一个变量的 SMD 不超过 0.1，一般就可以认为这个变量的matching质量可以接受。
当一个变量的 SMD 超过 0.1 的时候，需要凭经验确认一下那个变量是不是没有那么重要
问题：如果1个实验组用户，匹配出多个双胞胎对照组用户，保留1个还是全部保留？i. 随机保留一个，1对1匹配：
delta = 收入（实验组-对照组）= 900 -800
未匹配比例：xx%
ii. 全部保留，1对n匹配：
（1）适用场景
样本充足、样本的关键干扰变量可观测。比如站内活动效果评估（比如Push效果评估、拉活广告效果评估、滴滴优惠券发放效果评估）
（2）不足
相比AB实验，无法穷尽所有混淆变量
可能存在某些实验样本，无法匹配到对照组样本的case，需要统计占比
（3）优势
相比DID这种群体间的对比分析，match方法从个体视角出发 进行匹配评估，评估结果更精确
