📈 DS 数据科学家ID: ds-srm-sample-ratio-mismatch-detection

样本比例失衡 SRM 卡方检测排查

Q: 写出计算 50/50 分流下 SRM 卡方统计量 $\chi^2 = \frac{(N_T - N/2)^2}{N/2} + \frac{(N_C - N/2)^2}{N/2} = \frac{(N_T - N_C)^2}{N_T + N_C}$ 的简化公式？

【样本比例失衡 SRM 卡方检测排查 核心考点 1】写出计算 50/50 分流下 SRM 卡方统计量 $\chi^2 = \frac{(N_T - N/2)^2}{N/2} + \frac{(N_C - N/2)^2}{N/2} = \frac{(N_T - N_C)^2}{N_T + N_C}$ 的简化公式？。技术解析：定义: 样本比例失衡 (Sample Ratio Mismatch, SRM) 卡方拟合优度检验与全链路根因排查体系 (Sample Ratio Mismatch Detection, Chi-Square Goodness-of-Fit & Root-Cause Debugging) 是工业 A/B 实验平台最核心、最高优先级的“健康红线卫士”；定义：当实验实际分流进对照组与实验组的样本数量比例（观测频数 O_T, O_C），与预先配置的理论分流比例（期望频数 E_T, E_C，如 50%:50%）在统计学上发生极显著偏离时，即触发 SRM 报警；检测... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-srm-sample-ratio-mismatch-detection

Q: SRM 排查四大根因分类：1) 埋点丢失 (Tracking Loss)；2) 客户端崩溃过滤 (Crash Bias)；3) 延迟超时 (Performance Dropout)；4) 爬虫机器人过滤 (Bot Skew)，如何逐一排查？

【样本比例失衡 SRM 卡方检测排查 核心考点 2】SRM 排查四大根因分类：1) 埋点丢失 (Tracking Loss)；2) 客户端崩溃过滤 (Crash Bias)；3) 延迟超时 (Performance Dropout)；4) 爬虫机器人过滤 (Bot Skew)，如何逐一排查？。技术解析：定义: 样本比例失衡 (Sample Ratio Mismatch, SRM) 卡方拟合优度检验与全链路根因排查体系 (Sample Ratio Mismatch Detection, Chi-Square Goodness-of-Fit & Root-Cause Debugging) 是工业 A/B 实验平台最核心、最高优先级的“健康红线卫士”；定义：当实验实际分流进对照组与实验组的样本数量比例（观测频数 O_T, O_C），与预先配置的理论分流比例（期望频数 E_T, E_C，如 50%:50%）在统计学上发生极显著偏离时，即触发 SRM 报警；检测... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-srm-sample-ratio-mismatch-detection

Q: 为什么当实验组网页加载变慢导致 SRM 时，简单的均值比较会产生“幸存者偏差 (Survivorship Bias)”从而得出完全相反的错误结论？

【样本比例失衡 SRM 卡方检测排查 核心考点 3】为什么当实验组网页加载变慢导致 SRM 时，简单的均值比较会产生“幸存者偏差 (Survivorship Bias)”从而得出完全相反的错误结论？。技术解析：定义: 样本比例失衡 (Sample Ratio Mismatch, SRM) 卡方拟合优度检验与全链路根因排查体系 (Sample Ratio Mismatch Detection, Chi-Square Goodness-of-Fit & Root-Cause Debugging) 是工业 A/B 实验平台最核心、最高优先级的“健康红线卫士”；定义：当实验实际分流进对照组与实验组的样本数量比例（观测频数 O_T, O_C），与预先配置的理论分流比例（期望频数 E_T, E_C，如 50%:50%）在统计学上发生极显著偏离时，即触发 SRM 报警；检测... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-srm-sample-ratio-mismatch-detection

Q: 触发事件后分流 (Trigger-based Analysis): 为什么必须在进入实验触发点 (Trigger Point) 时才进行样本分配记录，而不是在全量 App 启动时记录？

【样本比例失衡 SRM 卡方检测排查 核心考点 4】触发事件后分流 (Trigger-based Analysis): 为什么必须在进入实验触发点 (Trigger Point) 时才进行样本分配记录，而不是在全量 App 启动时记录？。技术解析：定义: 样本比例失衡 (Sample Ratio Mismatch, SRM) 卡方拟合优度检验与全链路根因排查体系 (Sample Ratio Mismatch Detection, Chi-Square Goodness-of-Fit & Root-Cause Debugging) 是工业 A/B 实验平台最核心、最高优先级的“健康红线卫士”；定义：当实验实际分流进对照组与实验组的样本数量比例（观测频数 O_T, O_C），与预先配置的理论分流比例（期望频数 E_T, E_C，如 50%:50%）在统计学上发生极显著偏离时，即触发 SRM 报警；检测... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-srm-sample-ratio-mismatch-detection

Q: 当排查发现 SRM 确实存在时，是否可以通过“倾向得分加权 (Propensity Weighting)”挽救数据？为什么工业界金标准坚持直接报废并重新修复上线？

【样本比例失衡 SRM 卡方检测排查 核心考点 5】当排查发现 SRM 确实存在时，是否可以通过“倾向得分加权 (Propensity Weighting)”挽救数据？为什么工业界金标准坚持直接报废并重新修复上线？。技术解析：定义: 样本比例失衡 (Sample Ratio Mismatch, SRM) 卡方拟合优度检验与全链路根因排查体系 (Sample Ratio Mismatch Detection, Chi-Square Goodness-of-Fit & Root-Cause Debugging) 是工业 A/B 实验平台最核心、最高优先级的“健康红线卫士”；定义：当实验实际分流进对照组与实验组的样本数量比例（观测频数 O_T, O_C），与预先配置的理论分流比例（期望频数 E_T, E_C，如 50%:50%）在统计学上发生极显著偏离时，即触发 SRM 报警；检测... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-srm-sample-ratio-mismatch-detection

SRM Detection & Chi-Square Diagnostics

🎯核心定义

样本比例失衡 (Sample Ratio Mismatch, SRM) 卡方拟合优度检验与全链路根因排查体系 (Sample Ratio Mismatch Detection, Chi-Square Goodness-of-Fit & Root-Cause Debugging) 是工业 A/B 实验平台最核心、最高优先级的“健康红线卫士”；定义：当实验实际分流进对照组与实验组的样本数量比例（观测频数

O_T, O_C

），与预先配置的理论分流比例（期望频数

E_T, E_C

，如 50%:50%）在统计学上发生极显著偏离时，即触发 SRM 报警；检测方法：采用皮尔逊卡方检验 (Pearson's

\chi^2

Test):

\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}

（自由度

df = 1

），若

\chi^2 > 3.84

（

p < 0.001

工业严苛红线），则实验结论 100% 作废，严禁上线；SRM 绝大多数情况下意味着严重的工程 bug（如重定向丢失埋点、客户端崩溃过滤、机器人爬虫异常分流、或者特定网络延迟导致慢用户超时断开）。

💡使用场景

A/B 测试平台自动化实验健康度巡检、实验数据有效性前置防御、复杂工程分流 Bug 排查。

⚡解决的核心痛点

很多团队看到实验指标暴涨 20%，却不知是因为实验组前端报错导致弱网低消费用户全部闪退漏斗只剩下高净值用户（假繁荣）；SRM 拦截了所有由于分流偏差导致的虚假结论。

🎯5 个高频面试考点 (Exam Points)

写出计算 50/50 分流下 SRM 卡方统计量

\chi^2 = \frac{(N_T - N/2)^2}{N/2} + \frac{(N_C - N/2)^2}{N/2} = \frac{(N_T - N_C)^2}{N_T + N_C}

的简化公式？

SRM 排查四大根因分类：1) 埋点丢失 (Tracking Loss)；2) 客户端崩溃过滤 (Crash Bias)；3) 延迟超时 (Performance Dropout)；4) 爬虫机器人过滤 (Bot Skew)，如何逐一排查？

为什么当实验组网页加载变慢导致 SRM 时，简单的均值比较会产生“幸存者偏差 (Survivorship Bias)”从而得出完全相反的错误结论？

触发事件后分流 (Trigger-based Analysis): 为什么必须在进入实验触发点 (Trigger Point) 时才进行样本分配记录，而不是在全量 App 启动时记录？

当排查发现 SRM 确实存在时，是否可以通过“倾向得分加权 (Propensity Weighting)”挽救数据？为什么工业界金标准坚持直接报废并重新修复上线？

🔗核心前置底层技术卡片 (点击穿透复习)

📐[Math]假设检验与 p 值→🏗️[System_Design]特征存储一致性保证→

📖 关联深度指南:📄 ds-ab-testing-case-studies →

更新于 2026-08-14

🎯

检验攻克程度：针对「样本比例失衡 SRM 卡方检测排查」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点CUPED 方差缩减严格数学推导下一个知识点 →A/A 测试防膨胀与分流哈希均匀性

🔗 更多 DS 数据科学家知识点卡片

假设检验、两类错误与功效权衡样本量公式严格推导与 MDE 估算 P-hacking 偷窥与序贯检验 mSPRT 多重比较校正：Bonferroni vs FDR

样本比例失衡 SRM 卡方检测排查

🔗 更多 DS 数据科学家 知识点卡片

🔗 更多 DS 数据科学家知识点卡片