3、混淆偏差：什么是混淆变量？辛普森悖论在电商中的体现
3.1 先讲个让我翻车的故事
几年前我接手一个项目，分析「发优惠券是否提升了复购率」。数据一看，发券用户复购率 35%，没发券的只有 20%。我差点直接写结论：「发券有效，建议加大力度」。
还好多问了一句：这些用户是怎么选的？
运营同事告诉我，券是发给「近30天活跃但未下单」的用户。说白了，这批人本身就是高潜力用户。而那些没发券的，很多是已经流失的老客或者新注册的僵尸号。
你看，这里就藏着一个典型的混淆变量——用户活跃度。它同时影响了「是否发券」和「是否复购」。如果不控制它，结论就是错的。
核心定义：混淆变量（Confounder）是指既影响处理变量（Treatment），又影响结果变量（Outcome）的第三方变量。它会扭曲我们对因果关系的判断。
3.2 混淆变量的三个特征
我习惯用一个简单框架来识别混淆变量。你想想看，一个变量要成为混淆变量，必须同时满足三个条件：
- 影响处理变量——它决定了谁被干预、谁没被干预
- 影响结果变量——它本身就能解释结果的变化
- 不在因果路径上——它不是处理变量到结果变量的中间环节
举个例子，分析「广告曝光是否促进购买」：
- 用户历史购买行为 → 既影响广告是否曝光（算法会优先推给高潜用户），又影响是否购买 → 是混淆变量
- 广告素材质量 → 影响曝光效果，但不影响曝光分配 → 不是混淆变量
- 用户点击广告 → 这是曝光到购买的中间环节 → 不是混淆变量，是中介变量
避坑指南：我曾经把中介变量当混淆变量处理，结果把广告的真实效果给「控制掉了」。记住，混淆变量是外生的，中介变量是内生的。
3.3 辛普森悖论：数据会骗人
说到混淆变量，就绕不开辛普森悖论。这个悖论说的是：分组看趋势，和合并看趋势，结论完全相反。
为什么会这样？说白了，就是分组后混淆变量的分布被改变了。
我拿电商场景给你拆解一下。假设我们分析「新推荐算法是否提升了点击率」：
| 用户群体 | 旧算法曝光量 | 旧算法点击率 | 新算法曝光量 | 新算法点击率 |
|---|---|---|---|---|
| 高活跃用户 | 1000 | 10% | 500 | 12% |
| 低活跃用户 | 500 | 2% | 1000 | 3% |
| 合计 | 1500 | 7.3% | 1500 | 6% |
你看，每个群体内部，新算法点击率都更高（10%→12%，2%→3%）。但合并一看，新算法反而低了（7.3%→6%）。
原因很简单：新算法被更多地投放给了低活跃用户（500 vs 1000），而低活跃用户本身点击率就低。这个「用户活跃度」就是混淆变量。
注意：辛普森悖论不是数据错误，而是告诉我们：不加控制地看总体数据，很容易被误导。我见过不少运营同学拿着总体数据就拍脑袋做决策，结果上线后效果惨淡。
3.4 电商中常见的混淆变量
根据我的经验，电商场景里这几个混淆变量最常出现：
- 用户历史价值（LTV）：高价值用户更容易被特殊对待，也更容易产生购买
- 活跃度/访问频次：活跃用户看到更多活动，也更容易转化
- 季节/促销节点：双11期间所有指标都会涨，但不是因为你的策略有效
- 渠道来源：搜索来的用户意图强，社交来的用户意图弱，直接比转化率不公平
- 设备/平台：APP用户粘性高，小程序用户流失快，不能混为一谈
3.5 怎么处理混淆变量？
嗯，这里要注意，处理混淆变量没有银弹。我常用的方法有几种：
- 分层分析：按混淆变量分组，每组内比较。简单直观，但变量多了就不好使
- 倾向性评分匹配（PSM）：给每个样本算一个「被处理的概率」，然后匹配处理组和对照组。我在做优惠券效果评估时常用
- 逆概率加权（IPW）：用倾向性评分的倒数做权重，让样本分布更均衡
- 回归调整：直接把混淆变量作为协变量放进回归模型
我的建议：刚开始做因果推断时，先试试分层分析。虽然粗糙，但能帮你快速建立直觉。等数据量大了、变量多了，再上PSM或IPW。
3.6 知识框架图
下面这张图总结了混淆偏差的核心逻辑，我画出来方便你理解：
3.7 实战中的避坑建议
最后分享几个我踩过的坑：
- 不要只看总体指标——我见过太多人拿个总体转化率就下结论，结果被辛普森悖论坑了
- 先画因果图——动手分析前，先画出变量之间的关系图，能帮你提前发现混淆变量
- 敏感性分析要做——即使控制了已知的混淆变量，也要考虑是否存在未观测到的混淆变量
- 业务理解比模型重要——最好的模型也弥补不了对业务逻辑的误解
一个小技巧：我每次做分析前，都会问自己三个问题：谁被干预了？谁没被干预？为什么？这三个问题基本能帮你定位出主要的混淆变量。
公众号:蓝海资料掘金营，微信deep3321