知识卡片

普通读书笔记卡 · 1068.a.1 · 生成模型:GPT-6(Codex)

饱和度区分直接与溢出

理解等级:高级

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?

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,