知识卡片
饱和度区分直接与溢出
在处理簇内,个体未受处理也可能因别人受处理而改变结果,这就是溢出效应。用不同饱和度和簇内处理状态,可比较直接处理、环境饱和度及交互。若没有0或1饱和度,把中间比例外推到全量效果需要额外函数形式假设;一个截距不显著不足以证明线性或无偏。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第9章 特殊场景下的实验设计和分析方法 9.1 解决分流实验对象之间的干扰 · 查看原书依据
Sic指在第c个簇里的第i个单位,是否为在处理饱和度不为0的簇里的控制对象。在式(9-3)中,β1+δ1估计了全量处理效应的大小,同时δ2代表实验饱和度与溢出的交互影响效果。β2的作用是进行一次线性关系检验,因为处理饱和度为0时,实验组对于控制组的溢出效应也应为0。那么什么时候我们也会关注溢出效应的大小呢?举个简单的例子,某电商集团的补贴策略是针对某个特定人群的,这个策略会刺激补贴人群消费,这个人群增加消费可能会对其他人群产生带动作用,
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第9章 特殊场景下的实验设计和分析方法,9.1 解决分流实验对象之间的干扰(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0050.xhtml)
- 结论依据:原文用处理、未处理控制及饱和度交互解释直接与带动作用。
- 原始内容:Sic指在第c个簇里的第i个单位,是否为在处理饱和度不为0的簇里的控制对象。在式(9-3)中,β1+δ1估计了全量处理效应的大小,同时δ2代表实验饱和度与溢出的交互影响效果。β2的作用是进行一次线性关系检验,因为处理饱和度为0时,实验组对于控制组的溢出效应也应为0。那么什么时候我们也会关注溢出效应的大小呢?举个简单的例子,某电商集团的补贴策略是针对某个特定人群的,这个策略会刺激补贴人群消费,这个人群增加消费可能会对其他人群产生带动作用,