M1-083M1: 数学与统计基础实验设计 (A/B)Medium
⚡闪卡盲测➔掌握度:

解释分层随机化与它何时必要。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-084 →
📐 核心数学机理公式
stratified:randomize within each stratum s\text{stratified}: \text{randomize within each stratum } s
⚡ 一句话直击要害答案
在已知的重要协变量层内独立随机化,保证各层内处理/对照平衡;小样本或强预测协变量时必要。

📌 核心要点提炼

  • •
    保证每层的组间平衡(降低方差)
  • •
    层数过多会导致层内样本过少

📐 数学机理与严密推导

分层随机化的做法:按一个或多个实验前协变量(如地区、设备类型、用户活跃度分位)把样本划分为若干层(stratum),在每层内独立进行随机化(保证各层内处理/对照比例符合预期)。为什么有效:① 保证平衡——若某协变量与指标强相关,完全随机化在小样本下可能产生组间不平衡(如处理组恰好包含更多高活跃用户),分层消除了这种风险;② 降低方差——分层估计量 = Σ(层权重 × 层内效应),其方差 ≤ 完全随机化的方差(因为消除了层间差异的贡献),这与 CUPED 的目标一致(都是用协变量降方差)。何时必要:① 样本量小——随机化本身无法保证平衡时;② 协变量与指标强相关——不平衡会显著偏倚结果;③ 需要按层分析——如关心不同地区的效应(分层保证每层都有足够样本);④ 分层是业务流程要求——如按地区分批上线。

🏭 深度剖析与工业落地权衡

实践要点:① 分层 vs 后分层(Post-stratification)——分层在随机化时使用协变量(需在实验前可知);后分层在分析时按协变量加权调整(可用于实验后才获得的协变量,如用户历史行为);两者都能降方差,后分层更灵活但需保证各层有足够样本。② 分层 vs CUPED——两者都降方差但机制不同:分层用于离散协变量(层内完全平衡),CUPED 用于连续协变量(回归调整);实践中可叠加(先分层再 CUPED)。③ 层数的权衡——层数多则每层样本少(随机化不平衡风险再现)、分析复杂;通常 2–5 个分层变量、每层至少数百样本。④ 分层的正确性——分层变量必须是实验前确定的(不能被处理影响),否则会引入偏差;常见错误是用'实验期行为'分层。⑤ 分析——分层实验应用分层估计量(层内效应按层权重加权),而非简单合并所有样本(后者会引入 Simpson 悖论风险);也可用带层固定效应的回归。⑥ 与分组随机化的区别——分层是对个体按协变量分组后随机化;集群随机化是对整组随机化(处理干扰);两者常结合(分层集群随机化)。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    用实验期行为做分层变量(引入偏差)
  • ✕
    分层实验用简单合并分析(丢失分层收益)
🎯 面试官连环追问与延伸考察
  • ?
    分层随机化与后分层的区别?
  • ?
    分层与 CUPED 如何配合?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-082: 解释 block bootstrap 与它在时间序列中的作用。📋 返回题库下一题 →M1-084: 解释 switchback 实验与它的适用场景。