M1-086M1: 数学与统计基础实验设计 (A/B)Hard
⚡闪卡盲测➔掌握度:
解释触发器分析(Trigger Analysis)与它在实验中的应用。
🎯 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
只分析'实际受处理影响'的子群(被触发器激活的用户),提升功效并聚焦机制。
📌 核心要点提炼
- •适合处理只影响部分用户的场景(如只影响特定页面)
- •需在实验前定义触发器且不能依赖处理
📐 数学机理与严密推导
问题的背景:很多处理只影响部分用户——例如'优化搜索框的排序'只影响发起搜索的用户,'改进结账页'只影响进入结账流程的用户。若对全体用户分析,大部分用户的指标不受影响(他们的指标只是噪声),导致效应被稀释(观测到的平均效应 = 真实效应 × 受影响比例),功效大幅下降。触发器分析(trigger analysis / exposed analysis) 的做法是:只在'实际受处理影响'的子群(触发器激活的用户)上分析。统计上的关键区别:触发器必须是实验前可定义的、且不受处理影响的变量(如'是否发起搜索'——用户的搜索意图与处理无关)。此时触发组内的分析是无偏的(因为触发器与处理分配独立),且功效更高(效应不被稀释)。反之,若用处理后的变量定义子群(如'是否点击了按钮'),则会产生选择偏差(处理改变了谁进入子群),这类分析被称为'条件化在结果上',是严重错误。
🏭 深度剖析与工业落地权衡
实践要点:① 触发器 vs 后分层——触发器是实验前定义的(无偏),后分层是实验后按协变量加权(也需实验前协变量);两者的共同要求是不能用处理后的变量。② 触发器 vs CUPED——触发器提升功效的方式是'剔除不受影响的样本'(提高信噪比),CUPED 是'用协变量降方差';两者可叠加。③ 触发器的常见类型——(a) 页面/功能触发(访问了被改动的页面);(b) 意图触发(发起搜索、打开结账);(c) 设备触发(移动端用户,若改动只影响移动端)。④ 报告规范——应同时报告'全体效应'与'触发组效应':全体效应反映业务总体影响(决策依据),触发组效应反映机制效应(理解为何有效);只报触发组效应会夸大业务影响。⑤ 稀释比例的估计——触发组占比可从数据估计,用于把触发组效应换算为全体效应(全体效应 ≈ 触发组效应 × 触发比例)。⑥ 陷阱——(a) 用处理后变量定义触发器(选择偏差);(b) 只报触发组效应而误导业务(夸大);(c) 触发器定义过于宽泛(稀释仍严重)或过窄(样本不足)。
⚠️ 常见面试陷阱与高频失分点
- ✕用处理后的行为(如是否点击)定义触发器(选择偏差)
- ✕只报触发组效应而不报全体效应
🎯 面试官连环追问与延伸考察
- ?触发器分析与 CUPED 的区别?
- ?如何避免用结果定义触发器?
⚡
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!