1.2.2.2 一致性与可交换性假设
文档摘要
1.2.2.2 一致性与可交换性假设 1.2.2.2 一致性与可交换性假设 想象一下，你正主导一个电商平台的推荐算法A/B测试。投放了两周后，指标显示新算法提升了点击率5%，老板拍板要全量上线。可就在部署前夕，数据科学家皱眉指出：“等等，这个结果可能有偏差。”为什么？因为你的实验组和对照组在用户行为序列上并非“公平交换”——周末流量激增恰好砸在实验组头上。更棘手的是，一致性假设悄然破裂：部分用户因外部促销“污染”了观察结果，他们看到的不是纯净的算法效果，而是算法+促销的混合体。 作为实战工程师，我见过太多这样的坑。Rubin因果模型的核心——潜在结果框架——依赖两个隐形守护者：一致性假设和可交换性假设。前者确保观察到的结果真正反映了“如果接受治疗”的潜在结局；
评论区
(0)
U