CUPED 方差缩减严格数学推导

微软提出的大规模受控实验方差缩减技术 CUPED (Controlled-experiment Using Pre-Experiment Data / Deng et al. 2013) 及其最优系数严格数学推导 (CUPED Variance Reduction & Optimal Theta Derivation) 是现代大厂 A/B 实验平台将实验灵敏度提升数倍、将所需样本量或运行天数砍半的“统计核武器”；数学建模：设目标指标为 $Y$（实验期指标），寻找一个在实验开始前测量、且绝对不受实验处理影响的伴随协变量 $X$（如实验前 7 天的历史同口径指标，满足 $\mathbb{E}[X_T] = \mathbb{E}[X_C]$）；构造无偏调整估计量：$\tilde{Y} = Y - \theta (X - \mathbb{E}[X])$；对其方差展开求导：$\text{Var}(\tilde{Y}) = \text{Var}(Y) + \theta^2 \text{Var}(X) - 2\theta \text{Cov}(Y, X)$；对 $\theta$ 求导并令一阶导为 0，解出最优回归投影系数：$\theta^* = \frac{\text{Cov}(Y, X)}{\text{Var}(X)}$；代入后得到缩减后的最小方差：$\text{Var}(\tilde{Y}^*) = \text{Var}(Y) \cdot (1 - \rho_{XY}^2)$（其中 $\rho_{XY}$ 为 $X$ 与 $Y$ 的皮尔逊相关系数）；当相关性 $\rho = 0.7$ 时，方差直接降低 $51\%$，等价于实验所需样本量缩减一半！

顶级大厂（微软、Meta、字节跳动、快手）A/B 实验平台底层核心方差缩减引擎、微小指标增益挖掘。

很多成熟业务指标提升幅度仅有 0.2%~0.5%，常规 A/B 测试需要跑数月才能达到显著性；CUPED 在不增加任何额外用户流量的前提下，通过消除用户自身固有历史方差，使实验周期缩短 50% 以上。

现场完整书写 CUPED 目标函数方差对 $\theta$ 的求导过程，严格推导出最优解 $\theta^* = \frac{\text{Cov}(Y, X)}{\text{Var}(X)}$ 与方差缩减比例 $(1 - \rho^2)$？

协变量 $X$ 的强外生性要求：为什么协变量 $X$ 必须严格在实验上线前采集？如果采集了实验期间的特征作为 $X$ 会导致什么严重的因果推断灾难（内生性吸收因果效应）？

多协变量多元 CUPED 扩展：如何使用 OLS 线性回归 $\tilde{Y} = Y - X \beta$ 同时纳入多个历史特征（历史点击、历史留存、用户设备类型）？

新用户冷启动无历史数据时的处理：针对实验期间注册的全新用户（无实验前 7 天数据），工程上应如何给其赋默认值（如赋 0 或总体均值 $\bar{X}$）而不破坏估计无偏性？

非线性 CUPED 与 ML 辅助方差缩减 (Machine Learning-Assisted Variance Reduction / XGBoost 预测)：如何利用 GBDT 预测 $\hat{Y} = f(X_{\text{pre}})$ 构建残差？