[[338523]]

 A/B測試，簡而言之就是通過創(chuàng)建可信的克隆來研究因果關系，即兩個相同的項目(或者更典型的是兩個統(tǒng)計上完全相同的組)，然后觀察不同處理它們的效果。

兩個相同的項目不是僅僅相似的就可以了，我的意思是比下面圖片上的兩只貓還要相同，關鍵是找到“可信的克隆體”，或者讓隨機化和大樣本量為你創(chuàng)建出來。

科學的、受控的實驗是極佳的工具：它允許人們討論原理和成因。如果沒有它們，那么人們了解的只是相關性，這通常對決策沒有什么幫助?？梢哉f，實驗是在文明對話中使用“因為”一詞的許可證。

但令人痛心的是，貪戀結果而不愿付出、對推理的質量自欺欺人、在沒有做適當實驗就聲稱自己是科學實驗的情況是很普遍的。如果出現(xiàn)不確定的情況，除非存在以下所有三個原因，否則你所做的將不算實驗：

· 運用了不同的方法

· 方法隨機分配

· 經過科學檢驗的假設(查看我的解釋：http://bit.ly/quaesita_damnedlies)

想要知道為什么實驗被用作推斷因果關系的工具，請看最簡單的實驗之一——A/B測試——背后的邏輯。

簡要說明

如果不想閱讀詳細的示例，請查看此GIF，然后跳到最后一部分(“秘密在于隨機性”)。

詳細說明

想象一下，你的公司有灰色徽標已經用了好幾年了?，F(xiàn)在，你的所有競爭對手也都使用了灰色徽標(模仿是最真誠的奉承)，你的高管堅持要求將品牌重塑為更明亮的顏色……但是，換成什么顏色的呢?

雖然你的用戶看到的徽標是灰色的，但這即將改變。

在仔細評估了貴公司網(wǎng)站配色方案的實用性之后，你的設計團隊確定了僅有的兩個可行的候選顏色：藍色和橙色。

CEO最喜歡的顏色是藍色，因此她選擇批準藍色作為默認方案。換句話說，她認為如果沒有其他原因的話，她很樂意偏向選擇藍色。但幸運的是，她是一位由數(shù)據(jù)驅動的強大領導者，并且愿意在數(shù)據(jù)驅動下將她的想法變?yōu)槌壬?/p>

但CEO要看到切實的數(shù)據(jù)才愿意妥協(xié)，她要求提供證據(jù)表明橙色徽標在當前的用戶群體中，可以使網(wǎng)站的特定部分產生更多的點擊量(相對于藍色)。

你是公司的高級數(shù)據(jù)科學家，到你搬磚的時刻了，你立即確定CEO的決策方法符合頻率統(tǒng)計中的框架。在仔細聽了她的話之后，你確定了她的零假設和備擇假設與因果關系有關，這意味著需要做個實驗?？偨Y一下她告訴你的內容：

• 默認方案：批準藍色徽標。
• 替代方案：批準橙色徽標。
• 零假設：橙色徽標不會比藍色徽標多點擊至少10%。
• 備擇假設：橙色徽標的點擊率至少比藍色徽標高10%。

對于這樣的設置，A/ B測試是理想的實驗設計。(對于其他因果決策，可能需要其他設計。盡管在這里我僅介紹A/B測試，但更復雜的設計背后的邏輯是相似的。)

實時交通實驗

有多種方法可以運行A/B測試。在心理學實驗室(和焦點小組研究)中，我們看到的往往是邀請人們走到街上，向不同的人隨機展示不同的刺激因素，然后向他們提問。

但是CEO想要的東西難度更大。她的問題只能通過實時流量實驗來回答：當不同的用戶在你網(wǎng)站上進行日常業(yè)務時，為他們提供不同版本的徽標。

實驗基礎架構

如果想進行實時流量實驗，那么你需要一些特殊的基礎架構。與工程師合作，建立為不同用戶隨機提供不同待遇的能力，以及根據(jù)待遇條件跟蹤CEO期望指標(某些網(wǎng)站元素的點擊率)的能力。

為什么人們不常做實時流量實驗，答案通常與高昂前期成本有關。就像Google甚至在我們不知道要進行哪些實驗之前，就和在我們的大多數(shù)系統(tǒng)中構建實驗基礎架構一樣，傳統(tǒng)公司可能一開始會忘記添加此功能，進而會發(fā)現(xiàn)自己落后于更懂技術的競爭對手。但要注意，如果你想進入應用的ML /AI游戲，那么就必須具備實驗基礎架構。

示例

你非常謹慎，不想因為突然出現(xiàn)新徽標而嚇到用戶。更明智的做法是對一部分用戶進行實驗抽樣，然后進行逐步部署(如果更改造成無法預料的壞結果，那么可以選擇將其還原為灰色)。

控制

如果想了解用戶對新奇事物的反應(他們是否會因為徽標的更改而點擊更多)可以將灰色徽標處理用作對照組。但這不是的CEO想要回答的答案，她的關注點在于單獨的橙色相對于藍色的因果影響，因此，考慮到她制定決策的方式，對照組應該是顯示藍色徽標的用戶。

首先，你的系統(tǒng)嘗試將藍色徽標基準應用于樣本中的所有用戶。

但是，在系統(tǒng)實際向用戶顯示藍色徽標之前，實驗基礎架構會翻轉虛擬硬幣，以隨機將一些用戶重新分配給橙色處理，向他們顯示橙色。

然后隨機向某一些戶顯示橙色版本，而不向其他用戶顯示。

如果隨后觀察到橙色版本的平均點擊率較高，則可以說是橙色方案導致了行為上的差異。如果統(tǒng)計上的差異高于10%，那么CEO會很樂意按照她的承諾改成橙色。如果沒有，那么她會選擇藍色。

為什么是10%?因為這是CEO愿意接受的最小效應量。如果決策者關心效應量，那么應該將其納入假設檢驗中。檢驗“無差異”的零假設是一個明確的陳述，即你不會對效果大小有所懷疑。

如果處于橙色處理狀態(tài)的用戶對控制條件的反應不同，那么可以說顯示橙色版本導致點擊次數(shù)多于藍色版本。

秘密在于隨機性

如果不是隨機執(zhí)行此操作，例如，如果向所有登錄用戶提供了橙色方案，同時向其他所有人(游客)顯示藍色方案，那么就不能說是橙色方案導致了區(qū)別。因為不管使用哪種顏色的徽標，也許登錄的用戶對你們公司的忠誠度更高也更喜歡你們的產品。無論以何種顏色顯示，登錄的用戶都可能有較高的點擊傾向。

隨機化是關鍵，是讓你得出因果關系的結論，這就是為什么隨機性如此重要的原因。樣本量大(沒有大量統(tǒng)計能力的情況下無法進行實驗)，隨機選擇會創(chuàng)建差異較大的組。從統(tǒng)計學上講，兩組是彼此可信的克隆體。

決策標準越直接，樣本量越大，實驗設計就越不需要復雜。A/B測試很棒，但是更多的高級實驗設計使你可以明確控制一些混雜因素(例如2x2設計，可以將已登錄的用戶與未登錄的用戶分開，并在每個組中運行微型A/B測試，以讓隨機性為你處理其余的工作)。當你很想知道橙色徽標對登錄用戶的影響有何不同，并且希望將其納入決策時，這個功能特別有用。無論哪種方式，隨機選擇都是必須的。

依靠隨機選擇，A/B測試的藍色和橙色條件下的用戶組在所有方面都一直相似(總體而言)，傳統(tǒng)上人們會考慮挑選參與者以平衡他們的研究：如性別、種族、年齡、受教育程度、政治觀點、宗教信仰等。

但我們通常難以控制的其他方面，隨機選擇會使它們也保持相似：如喜歡貓的人、喝茶的人、游戲玩家、哥特人，高爾夫球手、擁有尤克里里的人、慷慨給予的人、游泳好的人、暗中討厭配偶的人、幾天沒有洗澡的人、對橙子過敏而又沒有意識到的人，等等。

這就是大樣本量加上隨機選擇的優(yōu)點，不必依靠自己的聰明才智來考慮要控制的正確混雜因素。當使用隨機數(shù)創(chuàng)建兩個大組時，你將獲得一個統(tǒng)計空白的畫布——兩個組在統(tǒng)計上都是相同的，唯一的不同是將要對它們進行的操作。

如果觀察到兩組結果之間存在實質性差異，那么你就可以說發(fā)生的差異正是由于你的操作造成的，這就是實驗的驚人力量!

探究因果關系是一場挑剔的游戲——這是科學家們也會做的事，如果提出兩個偽劣的“克隆體”，并試圖將不同的結果歸咎于不同的方案方法，如果沒有大樣本，你怎么知道影響結果的不是它們鼻子下方(這兩只小貓咪)的小斑點呢?

本文轉載自微信公眾號「讀芯術」，可以通過以下二維碼關注。轉載本文請聯(lián)系讀芯術公眾號。