[TOCE] 10 P1-C3-S2 Twyman 定律与实

Trustworthy Online Controlled Experiments Part 1 Chap 3

可能影响实验内部有效的因素

内部有效性指的是实验本身正确与否， 并不涉及到将实验结论外推到其他情况。

违反 SUTVA

Stable Unit Treatment Value Assumption (SUTVA) ： 实验对象的行为必须独立， 实验对象之间不能互相影响。

在以下情况下， SUTVA 可能会被违反：

• 社交网络， 在这种环境中， 一个用户的行为会很容易影响到另外一个人。
• 即时通讯工具（微信）， 一对一的交流中， 用户也会互相影响。
• 多人在线编辑工具（Google doc）
• 双向市场环境 （淘宝，滴滴，京东，ebay，Airbnb） 一个产品降价会影响到另外一个产品。
• 共享资源： CPU， Memory。 另外，如果 Control group 和 Treatment group 在一个机器上， 一个软件崩溃造成机器瘫痪也会影响到另外一台机器。

幸存者偏误

分析活跃一段时间（例如两个月）的用户的实验会引入生存偏差。一个著名的例子来自第二次世界大战，当时美国决定增加装甲轰炸机。美军记录了飞机遭受最大伤害的部位，军方自然想在飞机受伤最厉害的部位增加装甲。亚伯拉罕·瓦尔德（Abraham Wald）指出，这是添加装甲的最糟糕的方案。由于子弹孔几乎均匀分布，因此应在没有子弹孔的地方添加装甲，因为那些部位被击中的飞机很少能飞回来， 也就不会被检查到。（ Denrell 2005，Dmitriev等人2016）。

意向性治疗（Intention-to-Treat）

在某些实验中，变体存在非随机损耗。例如，在医疗环境中，如果“治疗”中的患者有副作用，则可能会停止服用该药物。在在线世界中，你可能会为所有广告客户提供优化其广告的机会，但是只有一些广告客户选择进行建议的优化。如果仅分析那些实验参加者，会导致选择偏见，从而会夸大治疗效果。Intention-to-Treat 问题指的是：如果我们不去考察实验对象到底是否采用了Treatment ，那么我们比较的可能只是 “想要参与实验” 或者 “被安排参与实验” 的参实验者之间的差异。 我们需要确保， 在 治疗组中的人切切实实的获得了“治疗”。

Sample Ratio Mismatch (SRM) 实验样本不平衡

如果用户比例（或任何随机单位）不接近设计比例，则该实验将遭受“样本比例不匹配”（SRM）。例如，如果实验设计是一对一的比例（均等的控制和治疗），那么实验中用户实际比例的偏差可能预示着需要调试（请参阅第21章）。下面的例子。

如果实验设计的 Control 和 Treament 组的比率是 1， 那么如果当实际样本比例在 （0.99 ， 1.01） 以外时，就要小心。 同时， 如果比例的 p-value 低于0.001 时， 就要停止实验。

"注释" 这里作者主要指的是实验人数无法预先设定的实验， 这里说的 “实验设计的 Control 和 Treament 组的比率是 1” 只是按照理论推导出来的。 如果是医药实验， Control 和 Treatment 都预先选好了就不会有这样的问题。 对于在线实验， 比如A ， B两个网页， 研究者只能说预期两个页面访问量是 1：1 ， 这个可能是从过往经验中得到的。

如先前所定义，p值意味者如果 Null 假设为真时，观察和当前情况一样极端或者更加极端的情况。如果实验设计是对两个变量均等地分配，那么通过设计，应该获得接近1.0的比率，即Null假设应该是正确的。因此，p值表示我们观察到的比率（或更极端的比率）与我们的实验系统的设计一致的概率。这项简单的测试可以确定实验中的许多问题，其中许多问题一开始看起来就很糟糕， 符合Twyman定律。以下是一些例子：

• 网页重定向
  -实施A / Btest的一种非常常见且实用的办法是将“Treament” 组重定向到另一个页面。像许多想法一样，它简单，优雅且错误；几种不同的尝试表明，这始终会导致SRM。有几个原因：

  • 延时： 重定向过程可能需要数百毫秒， 这段延时将对用户体验造成巨大影响。
  • 爬虫： 不同的爬虫对重定向解释不同， 一些爬虫会以为重定向网页是新网页，然后进行重度爬取， 从而导致虚假访问上升。
  • 非对称： 有时候用户会把重定向网页直接收入收藏夹，或者推荐给朋友，这回造成非Treatment 用户也会产生影响（本来只有被重定向进入新网页的用户才会被统计）， 从而污染实验。
    重定向会造成一些列问题， 需要从服务器端来对访问进行控制。如果做不到的花， 那么就需要让Control 和 Treatment 都使用重定向，以平衡影响。

• 受损的实验工具
  点击跟踪通常是使用网络信标（1像素的GIF图片）来完成的，已知该信息是有损的（即不会记录用户所有的点击行为）。这通常不是问题，因为所有的损失都是相似的，但是有时候Treatment 会影响损失率，导致用户看起来并不是很活跃并导致SRM。另外，将网络信标放置在页面的其他区域时，会导致计时偏差。

• 残留效应
  新的实验通常涉及新的代码，并且错误率往往更高。新实验通常会引起一些意想不到的严重问题，并为了快速修复错误而中止或继续运行。修复错误后，实验继续进行，但是一些用户已经受到影响。在某些情况下，这种残留效应可能会很严重并持续数月（Kohavi等，2012； Lu和Liu，2014）。这就是为什么要运行A / A测试（请参阅第19章）， 并主动重新随机化用户很重要的原因，同时也要认识到在某些情况下重新随机化会破坏用户的一致性，因为某些用户一开始在Control 组，之后被分配到 Treatment 组，反之亦然。在LinkedIn上，对新版本的“您可能认识的人”算法进行了评估，结果证明该算法非常有用，可以增加用户访问量。当实验停止并重新开始时，先前实验产生了显着的残留效应，该效应足以创建SRM并使结果无效（Chen，Liu和Xu 2019）。
  浏览器cookie中的残留信息也可能会影响实验。以一个教育活动为例，该活动向“治疗”中的用户显示一条消息，但是为了避免给用户造成麻烦，该消息仅显示三次。这个方案使用浏览器cookie，该cookie计算消息显示的次数。如果实验重新开始，那么某些Treatment用户的cookie计数> 0，因此会看到消息，或者根本看不到消息，从而稀释了Treatment效果或造成了SRM（Chen et al.2019）。

• 坏的哈希函数，或者随机化机制
  Zhao et al. (2016）描述了Yahoo!的 Treatment 任务是如何完成的！该实验使用Fowler-Noll-Vo散列函数，该函数可用于单层随机化，但是当将系统推广到重叠实验时， 该函数却无法在多个并发实验中正确分配用户. MD5等加密散列函数很好（Kohavi et al.2009）， 但是比较慢; Microsoft使用 Jenkins Spooky Hash 这个非加密函数。

• 治疗组的触发机制
  通常只选一部分用户进入实验。例如，只在某个国家（例如美国）触发用户。然后将这些用户随机分为多个组。如果根据随时间变化的属性进行触发，则必须确 Treatment 不会影响用于触发的属性。例如，假设一个电子邮件活动，该活动触发了三个月不活动的用户。如果活动有效，则这些用户将变为活动状态， 那么紧接着的实验就会被影响（一些潜在用户都已经被激活了）。

• 时间因素
  这里用发送电子邮件的 A/B 测试举例。 比如一个实验， 使用不同的电子邮件正文， 然后希望看到人们的打开率如何。 一个长期跟踪发现邮件打开率会出现“聚团” 的情况， 后来发现， 为了实现的方便， 系统先发送 Control group 的邮件， 然后发送 Treatment group 的邮件。 这样就导致 Control group 的邮件在工作时间被发送， 而 Treatment group 的邮件在下班以后才被发现。

• Data pipeline （数据管道）被 Treatment 影响
  MSN门户（www.msn.com）的“信息窗格”区域具有多个旋转的“幻灯片”和一个指示每个的点的页面滑动。MSN OEC的关键指标是每个用户的点击次数，表示用户参与度。团队进行了一项实验： 增加了信息窗格中的幻灯片数量，从12至16。
  

  image.png

初始结果显示该治疗的用户参与度显着降低，但该实验具有SRM：该比率为0.992而不是1.0。在每个组中有超过800,000个用户，这种比例的p值为0.0000007，这意味着，即使设计是针对相等的分组，这种分组的概率也是偶然发生的。调查发现，由于“治疗”中的用户参与度增加，因此，一些参与度最高的用户被归类为机器人（系统日常的Pipeline 中对机器人的过滤机制被触发），并从分析中删除。纠正此机器人过滤条件后，结果显示了相反的“治疗效果”：“治疗”中的用户参与度提高了3.3％！

机器人过滤是一个很严重的问题， 在美国50% 的访问量来自于机器人， 而在中国和俄罗斯，这一比例高达 90%。

SRM检查至关重要。如最后一个示例所示，即使很小的不平衡也会导致治疗效果的逆转。 SRM通常是由于极端用户而造成的，这些用户要么非常好（例如重度使用用户），要么非常糟糕（这些用户没有点击计数）。这表明即使人口差异看起来很小，也可能导致结果显着偏斜。