M1-085M1: 数学与统计基础实验设计 (A/B)Hard
⚡闪卡盲测➔掌握度:
解释网络效应/干扰下为什么个体随机化会失效,以及如何应对。
🎯 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
📐 核心数学机理公式
⚡ 一句话直击要害答案
个体处理会影响他人(溢出),违反 SUTVA;用集群随机化、switchback 或专门的干扰感知设计。
📌 核心要点提炼
- •干扰导致效应被稀释或放大(方向不定)
- •干扰越强,个体随机化的偏差越大
📐 数学机理与严密推导
干扰的机制:标准 A/B 要求 SUTVA(个体 i 的结果只依赖自己的处理 Tᵢ),但在以下场景被违反——① 社交网络:处理组用户的行为会影响其好友(如分享、跟风),使对照组也被'间接处理';② 双边市场:买家实验改变需求,影响卖家行为与另一侧用户体验;③ 共享资源:处理组占用更多库存/运力,挤压对照组(如打车平台的补贴实验);④ 竞争/学习:同一关键词的广告预算实验会互相竞价。后果:个体随机化测到的是'直接效应 + 部分溢出效应'的混合——若溢出是正的(对照组也受益),则处理效应被低估;若是负的(对照组被挤压),则被高估。且干扰强度越大、偏差越大;严重时甚至符号翻转。
🏭 深度剖析与工业落地权衡
应对策略:① 集群随机化(Cluster Randomization)——以'无干扰的单元'为随机化单位(如地理区域、社交社区、城市);优点是保留个体层面数据(功效高于 switchback);代价是有效样本量降为集群数(集群内相关导致方差膨胀,需用 ICC(组内相关系数) 校正:设计效应 = 1+(m−1)·ICC),且集群数需足够(通常 ≥40)。② Switchback(时间轮换)——把干扰限制在时间窗内(见上题);适合无法按空间划分的场景。③ 饱和设计(Saturation Design)——刻意让部分集群的处理比例不同(如 0%、50%、100%),通过对比不同饱和度的集群估计溢出效应;这是 Facebook 研究社交影响的标准方法。④ 双向随机化(Bipartite/Two-sided)——对市场两侧分别随机化并联合分析。⑤ 检测干扰——比较不同饱和度/集群大小的效应估计(若随饱和度变化则存在干扰);或用'影子对照'(未暴露于任何处理的全隔离组)。⑥ 实践建议——先评估干扰强度(小规模集群实验),若干扰弱可用个体随机化 + 稳健标准误,若干扰强必须用集群/switchback;且应报告'干扰下的效应解读'(是直接效应还是总体效应)。
⚠️ 常见面试陷阱与高频失分点
- ✕在有网络效应的场景用个体随机化
- ✕集群随机化忽略 ICC 导致方差低估
🎯 面试官连环追问与延伸考察
- ?如何检测干扰的存在?
- ?集群随机化的代价是什么?
⚡
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!