因果推断入门到用户增长归因

📚 共计 30 章节

因果推断导论

什么是因果推断，为什么做用户增长需要因果推断，相关关系与因果关系的区别。

基础核心概念

潜在结果框架

个体处理效应、平均处理效应(ATE)、条件平均处理效应(CATE)。

随机对照试验(RCT)

黄金标准，AB测试原理，随机化的作用与局限性。

AB测试黄金标准

观察性研究中的偏差

选择偏差、混杂偏差、测量偏差，辛普森悖论。

偏差辛普森悖论

有向无环图(DAG)

图模型基础，节点与边，后门准则与前门准则。

用DAG识别混杂因子，用d-separation判断条件独立性。

实战d-separation

倾向性得分匹配(PSM)，近邻匹配，卡钳匹配。

逆概率加权(IPW)

基于倾向性得分的加权估计，稳定权重。

按倾向性得分分层，Mantel-Haenszel估计量。

双重差分法(DID)

平行趋势假设，经典DID模型，事件研究法。

工具变量法(IV)

工具变量的三个条件，两阶段最小二乘法(2SLS)。

断点回归设计(RDD)

精确断点与模糊断点，带宽选择。

合成控制法(SCM)

合成控制构建，安慰剂检验。

因果树与因果森林

基于树模型的异质性处理效应估计。

因果森林HTE

S-Learner、T-Learner、X-Learner、R-Learner。

Meta-LearnerCATE

增量响应模型，Uplift树，条件平均处理效应估计。

用户增长归因概述

归因的挑战，单触点归因，多触点归因。

Shapley值归因

合作博弈论基础，Shapley值计算，渠道贡献度。

马尔可夫链归因

转移概率，移除效应，渠道重要性。

马尔可夫移除效应

基于因果推断的归因

反事实归因，DoWhy框架介绍。

构建因果模型，识别因果效应，估计与验证。

CausalNex实战

基于贝叶斯网络的因果发现与归因。

贝叶斯网CausalNex

用户生命周期价值(LTV)因果推断

因果LTV估计，留存率提升归因。

A/B测试进阶

网络效应，干扰项处理，方差缩减技术。

多臂老虎机(MAB)与因果推断

探索与利用，汤普森采样。

因果推断中的敏感性分析

E值，边界分析，隐混杂检验。

时间序列因果推断

格兰杰因果检验，向量自回归模型。

时间序列格兰杰

因果推断与机器学习融合

表示学习，反事实预测，泛化能力。

用户增长归因实战案例

某电商App新用户激活归因分析。

课程总结与未来展望

因果推断前沿，用户增长新范式。