难于预测|归因分析指南v1.0( 四 )
简单来说，同一组数据，整体的趋势和分组后的趋势完全不同。从统计学家的观点来看，出现辛普森悖论的原因是因为这些数据中潜藏着一个魔鬼——潜在变量lurking variable。
文章图片
最著名的辛普森悖论的实例，就是1973年加利福尼亚大学伯克利分校性别歧视案的例子。如果只看整体录取率，那么男生的录取率是44%，女生的是35%。而如果拆开来看，在6个院系的4个里，女生的录取率大于男生。如果按照这样的分类，女生实际上比男生的录取率还高一点点。在这个案例中，辛普森悖论出现的原因是，女生更愿意申请那些竞争压力很大的院系（比如英语系），但是男生却更愿意申请那些相对容易进的院系（比如工程学系）。这不就是归因所要挖掘的洞见吗？
文章图片
不少统计学家认为，辛普森悖论的存在，提醒我们不可能光用统计数字来推导准确的因果关系。因为数据可以用各种各样的方式分类，然后再进行比较，所以理论上潜在变量无穷无尽，你总是可以用某个潜在变量得到某种结论。
我们能做的，就是仔细地研究分析各种影响因素，把各种分类方式（不同模型）对比研究分析。
以上为全文，总结下：
归因是描述因果关系的一种分析方法，我们需要明确影响因素，在影响因素的范围下进行归因分析。
各个领域的应用，需要结合业务具体的情况，设定一些基本的假设，例如数字营销有点击归因等模型，投资决策有分配、选择、相互作用的模型。
产品上，不仅仅是归因，还要解决洞察问题。洞察实际上就是有趣的结论，我们可以使用机器学习自动挖掘到有趣的结论（结合洞察分类）
产品最小闭环：度量-优化-计划。
归因除了基于规则的实现，还有机器学习的实现方式，称为算法归因。
归因也可以从辛普森悖论里获得结论。
参考文献：
https://agencyanalytics.com/blog/marketing-attribution-models
https://zhuanlan.zhihu.com/p/90165817
https://arxiv.org/pdf/1703.01365.pdf
https://www.microsoft.com/en-us/research/uploads/prod/2016/12/Insight-Types-Specification.pdf
https://www.microsoft.com/en-us/research/uploads/prod/2019/05/QuickInsights-camera-ready-final.pdf
相关链接、更多资料查阅
???
「 Mix+人工智能 」 专刊
每期由mixlab社区精选。收录人工智能的相关内容，包括AI产品、AI技术、AI场景、AI投资事件、AI的思维方式等，MIX的主题包括：AR、VR、计算设计、计算广告、智能设计、智能写作、虚拟偶像等。
智能时代，人与人之间的差距，体现在AI使用能力上
To Be Continued
【 难于预测|归因分析指南v1.0】……
推荐阅读
- 西门子智能家居智能家居产品|AWS助西门子打造全新智能家居系统 2020智能家居市场竞争格局及供需分析预测
- OLEDOLED面板出货量|2020年全球OLED市场发展现状和供需分析预测 全球OLED面板预期出货4.65亿片
- 照亮灯光|彩票是否真的可以推算预测出来？
- 小番健康|乙肝恩替卡韦4年试验和独立预测HCC因子分析
- 选手|创造营2020总决赛，15强选手最终大排名大预测
- 电视剧|《猎狐》：杨建群的结局曝光，四种预测全部猜错
- 2100年|研究人员预测2100年世界人口88亿 中国降至7.3亿
- 研究人员预测2100年世界人口88亿|研究人员预测2100年世界人口88亿 我国处于人口红利下行期
- 量子|英国国防科学与技术实验室预测量子技术应用前景
- 四轮不败|英超37轮：托特纳姆热刺VS莱斯特城比分预测