상관 관계 및 원인 및 영향
상관 관계 및 원인 및 영향
상관 관계는 변수의 공동 변경 사항을 캡처합 원인은 질문에 대답합니다. 우리가 개입하면 어떻게됩니까? 분석, 제품 및 위험 관리에서 가치는 인과 적 영향을 정확하게 제공합니다. 이를 통해 연관성뿐만 아니라 솔루션의 증분을 평가할 수 있습니다.
1) 기본 개념
상관 관계 (연관): "왜" 를 해석하지 않는 통계적 관계. "일반적인 원인, 역 원인 또는 우연으로 인해 발생할 수 있습니다.
치료 효과: "중재" 와 "중재없이" 세계의 예상 차이.
반 사실: 불가능한 관찰 "충격없이 같은 물체에 일어날 일".
설립자: 원인과 결과 모두에 영향을 미치는 변수는 잘못된 관계를 만듭니다.
충돌기: 원인과 결과 모두에 영향을받는 변수; 충돌기 상태는 연관을 왜곡시킵니다.
심슨 역설: 숨겨진 변수/세그먼트를 고려한 후 효과 방향이 변경됩니다.
2) 상관 관계가 충분하지 않은 경우
설명 분석, 모니터링, EDA: 상관/순위/히트 맵 → 가설과 위험을 감지합니다.
의사 결정 및 영향 평가: 인과 방법 (실험 또는 준 실험) 이 필요합니다.
예측 모델: 상관 관계는 유용하지만 ROI/정책에는 인과 적 추정치 또는 향상 모델로 이동합니다.
3) 실험: 금 표준
A/B 테스트 (무작위 화): 혼란을 제거하고 그룹을 비교할 수 있습니다.
가드 레일: 한 번의 행동주기, 안정적인 노출, 계절 제어 및 간섭 (스필 오버) 기간
측정 항목: 효과, 신뢰 구간, MDE/전력, 세그먼트 별 효과의 이질성 (이종 치료 효과).
실습: 카나리아 릴리스, 단계별 롤아웃, 분산을 줄이기위한 CUPED/공변량 제어.
4) 실험이 불가능한 경우: 준 실험
차이 차이 (DiD): "테스트" 와 "제어 사이의 변경 전/후의 차이. "핵심 가정은 개입 전의 병렬 추세입니다.
합성 제어: 우리는 기증자 그룹의 가중 혼합물로서 "합성" 제어를 구축합니다. 다른 추세 역학에 저항합니다.
지역 불연속 (RDD): 영향 할당을위한 임계 값 규칙; 임계 값의 양쪽에 대한 비교. 중요: 임계 값의 "조작" 이 없습니다.
도구 변수 (IV): 변수는 "치료" 에 영향을 주지만 결과에는 직접적인 영향을 미치지 않습니다 (치료를 제외하고). 필수: 계측기의 관련성 및 유효성.
PSM/일치: 유사한 공변량으로 테스트 및 제어; 사전 처리로 유용하지만 숨겨진 혼란을 제거하지는 않습니다.
ITS (Interrupted Time Series): 다른 충격이없는 경우 정책 시점에서 추세 중단 평가.
5) 인과 그래프 및 "구멍" 기준
DAG (방향 비순환 그래프): 인과 관계의 시각적 맵. 모니터링 할 변수를 선택하도록 도와줍니다.
백도어 기준: 모든 후방 경로 (혼란) 를 차단합니다. 편향되지 않은 효과 추정치를 얻습니다.
정문 기준: 숨겨진 혼란을 우회하기 위해 완전히 영향을 미치는 중개자를 사용합니다.
결과의 충돌기 및 자손을 제어하지 마십시오. 변위를 생성합니다.
연습: 먼저 도메인 전문가와 DAG를 그린 다음 최소 공변량 세트를 선택하십시오.
6) 잠재적 결과 및 효과 추정치
ATE/ATT/ATC: 모든/처리/제어에 걸친 평균 효과.
CATE/HTE: 세그먼트 별 효과 (국가, 채널, 위험 클래스).
향상 모델링: 이벤트의 초기 확률이 아니라 개입으로부터의 예상 증가에 의해 객체의 순위를 매기도록 모델을 가르칩니다.
7) 빈번한 함정
역 인과 관계: "수요 감소에 따른 할인 증가" -할인은 하락에 반응하지만 그 반대도 마찬가지입니다.
누락 된 변수: 보고되지 않은 주식/계절성/지역 변경.
생존자 편견: "남은 자" 만 분석합니다.
누출: 교육/평가에서 향후 정보 사용.
혼합 메트릭: 비즈니스 효과 (Goodhart) 대신 프록시 메트릭을 최적화합니다.
평균으로의 회귀: 자연은 트렌드 마스크 "효과" 로 돌아갑니다.
8) 제품, 마케팅 및 위험의 인과 관계
마케팅/캠페인: 향상 타겟팅, 차별화 된 접촉 빈도, 인과 LTV 평가, DiD/합성 제어 ROMI.
가격/판촉: RDD (임계 값 규칙), SKU/지역 샘플링 실험.
권장 사항: 비 정책 평가 (IPS/DR) 및 도적; 간섭을 설명합니다.
사기 방지/RG 정책: 인과 관계에주의-변화 행동 및 데이터를 잠급니다. FPR에서 준 실험과 난간을 사용하고 호소하십시오.
운영 관리: 릴리스 및 사고에 대한 ITS; RCA에 대한 인과 그래프.
9) 분석 절차: 가설에서 솔루션으로
1. "수평선 T에서 Y에 대한 X의 영향은 무엇입니까?"
2. DAG 그리기: 도메인과 조정, 마크 혼란/중재자/충돌기.
3. 선택 설계: RCT/A-B, DiD, RDD, IV, 합성 제어, 일치.
4. 메인 (효과), 가드 레일 (품질/윤리/운영), CATE 세그먼트 정의 메트릭.
5. 데이터 준비: 시점, 공변량은 "전" 영향, 달력 및 계절성입니다.
6. 평가 효과: 기준 모델 + 로바 스트 테스트 (위약 테스트, 민감도).
7. 견고성 확인: 대체 사양, 용의자 공변량 제외, 일회성 출발.
8. 표류 할 때 정책/롤아웃, SLO, 모니터링 및 재 테스트.
10) 강력한 관행 및 검증
사전 추세 점검 (DiD): 테스트/제어 추세는 중재 전에 유사합니다.
위약/순열: "가상 날짜" 또는 "가상 그룹" -효과가 사라져야합니다.
민감도 분석: 숨겨진 혼란이 결과를 얼마나 왜곡시킬 것인가.
경계/pi 간격: 부분적으로 식별 가능한 모델 → 신뢰 범위.
여러 세그먼트에 대한 다중 테스트 -BH/Holm 조정.
외부 유효성: 다른 시장/채널에 미치는 영향의 이식성 (메타 분석).
11) 효과보고 메트릭
절대 효과: 단위 (pp, cu, 분).
상대 효과:% ~ 기준선.
NNT/NNH: 하나의 결과/해를 달성하기 위해 얼마나 많은 객체를 처리해야합니까?
비용 효율성: 효과/비용; 예산의 우선 순위.
Uplift @ k/Qini/AUUC: 표적 개입.
12) ML 연습의 인과 관계
인과 적 특징: 항상 예측 정확도를 향상시키는 것은 아니지만 정책에 더 적합합니다.
Causal Forest/Meta-learners (T/X/S-Learner): CATE 점수 및 개인 향상.
반 사실적 공정성: 인과 경로를 고려한 모델의 공정성; "불공평 한" 경로를 차단합니다.
Do-op vs 예측: "예측" 과 "완료되면 어떻게됩니까?" "두 번째는 인과 모델/에뮬레이터가 필요합니다.
13) 인과 점검표
- 질문은 개입/정책 효과로 구성됩니다
- DAG에 의해 구축되고 동의; 공변량 최소 세트 (백도어) 선택
- 선택된 디자인 (RCT/준 실험) 및 테스트 된 주요 가정
- 적시 데이터; 제외 된 얼굴; 달력/계절성을 고려합니다
- 효과 및 신뢰 구간 계산; 로버트 점검이 수행되었습니다
- 효과 이질성 (CATE) 및 위험 (가드 레일) 평가
- 가치 디지털화 (ROI, NNT/NNH, 오류 비용)
- 구현 및 모니터링 계획; 다시 테스트 기준
14) 미니 용어집
백도어/프론트 도어: 효과 식별을위한 공변량 선택 기준.
IV (도구 변수): 치료를 "레버" 변경하지만 직접 결과는 나타나지 않습니다.
DiD: 그룹 간 변경 전/후의 차이.
RDD: 규칙 임계 값 근처의 효과 추정치.
합성 제어: 공여자의 가중 조합으로서의 제어.
HTE/CATE: 세그먼트 별 이기종/조건부 효과.
향상: 이벤트 가능성이 아니라 영향으로 인한 예상 증가.
결과
상관 관계는 가설을 찾는 데 도움이되고 인과 관계는 결정을 내리는 데 도움이됩니다. DAG를 구축하고, 적절한 설계 (실험 또는 준 실험) 를 선택하고, 가정과 견고성을 테스트하고, 이기종 효과를 측정하고, 결론을 가드 레일 및 모니터링을 통해 정책으로 변환하십시오. 따라서 분석은 "연결에 대한" 것을 중단하고 변화의 엔진이됩니다.