实验设计 (A/B): 解释样本比例失配（SRM），如何检测与排查。

Core Concept: 实际分组比例显著偏离预期；用卡方检验检测，通常说明分流/埋点/过滤有 bug。

SRM 的检测：设预期分流比例为 p_i（如 50/50），实际观测样本量为 O_i，期望 E_i=p_i·N，则卡方统计量 χ²=Σ(O_i−E_i)²/E_i 在 H₀（分流正确）下服从 χ²(k−1)。实践中 SRM 的判定阈值比常规检验更严格（通常 p<0.001 甚至 p<0.0001），因为分流错误一旦存在就会持续影响所有实验，且会因大样本而轻易达到 p<0.05。<strong>为什么 SRM 是严重信号</strong>：若分流本身有偏，则组间差异可能来自分流偏差而非策略效果，实验结论完全不可信——所以 SRM 是'实验不可信的第一信号'，任何解读都应在确认无 SRM 之后进行。

常见成因与排查：① <strong>分流逻辑</strong>——哈希函数不均匀、盐值（salt）在不同服务间不一致、多层实验的流量冲突；② <strong>埋点与日志</strong>——某组的事件上报丢失（如客户端版本差异）、曝光时机不同（处理组多一次渲染导致曝光计数不同）、日志采样不对称；③ <strong>过滤逻辑</strong>——bot/爬虫过滤规则在两组执行不一致、异常值清洗依赖了组信息、重定向导致用户中途换组；④ <strong>时序</strong>——两组上线时间不同导致覆盖的用户群不同（如处理组先上线，早期用户被排除）。<strong>排查顺序</strong>：先看原始分流日志（是否真的按预期分流）→ 再看埋点与曝光（是否对称）→ 最后检查下游过滤逻辑。发现 SRM 后的正确做法是<strong>废弃该实验并修复基础设施</strong>，而不是'校正'数据。