A/A 测试防膨胀与分流哈希均匀性

A/A 空白对照测试 (A/A Testing / Placebo Experiment) 与基于 MurmurHash/MD5 的正交分流分桶哈希均匀性校验 (Orthogonal Hash Bucketing & Uniform Traffic Partitioning) 是保障实验平台分流无偏差、第一类错误不膨胀的核心基准测试；A/A 测试机制：将完全相同的对照策略（无任何功能改动）同时分发给两个独立分桶 $A_1$ 与 $A_2$；三大核心验证指标：1) 第一类错误率校验：在名义显著性水平 $\alpha=0.05$ 下，运行 1000 次模拟 A/A 测试，$p < 0.05$ 的比例应严格接近 $5\%$；2) $p$ 值均匀性检验：在零假设下，$p$ 值应服从 $[0, 1]$ 上的标准均匀分布 (Uniform Distribution $U(0, 1)$)，可通过 KS 检验 (Kolmogorov-Smirnov Test) 进行拟合度验证；3) 分流哈希均匀性：采用 `MurmurHash3(User_ID + Salt) % 10000` 实现分层正交实验网络，杜绝多重实验之间的跨层干涉与桶间固有方差不平衡。

实验平台上线前基础设施验收、底层分流算法质量审查、消除桶间先天性固有差异 (Baseline Imbalance)。

若分流哈希函数存在缺陷或分桶存在历史残留偏置，实验还未开始两个桶就已经存在天然指标差异；A/A 测试彻底排除了实验系统本身的系统性偏差。

如何使用 Kolmogorov-Smirnov (KS) 检验验证 1000 次 A/A 实验生成的 $p$ 值序列是否严格服从 $U(0, 1)$ 均匀分布？

多层正交实验分流架构 (Google Overlapping Experiment Infrastructure): 如何通过为每一层赋予独立 Salt (`hash(user_id + layer_salt)`) 实现跨层完全独立？

桶间先天不平衡 (Pre-existing Baseline Differences): 如果 A/B 实验开始前发现两组在过去 30 天均值已有 0.5% 的差异，应如何利用差分法 (Difference-in-Differences) 或 CUPED 校正？

重随机化 (Re-randomization): 在样本量较小的高风险实验中，如何通过在实验前检查协变量平衡性并拒绝不平衡分流方案？

离线回放 A/A 测试 (Simulated / Offline A/A): 如何利用历史日志数据无需耗费真实流量即可在 1 分钟内完成上万次分流算法的 Monte Carlo 压力测试？