- 1 -
1.2
统计学的几个基本概念
1.2.1
总体和总体单位
1.
总体
(
1
)总体的概念：
总体是指客观存在的、具有某种共同性质的
许多个别
事物组成的整体；
在统计研究过程当中，
统计研究的目的和任务居于支配和主导的
地位，有
什么样的研究目的就应该有什么样的统计总体与之相适应。
例如：要研究我们学
院教师的工资情况，
那么全体教师就是研究的总
体，其中的每一位教师就是总
体单位；如果要了解某班
50
个学生的
学习情况，则总体就是该班的
50
名学
生，每一名学生是总体单位。
根据我们研究目的的不同，
我们要选取的研究对
象也就是研究总体相
应地要发生变化。
(
2
)总体的分类：
总体根据总体单位是否可以计量分为有限总体和无限
总体：
★有限总体：指所包含的单位数是有限的总体。
如一个企业的全体职
工、一个国家的全部人口等都是有限总体；
★无限总体：指所包含的单位数目是
无限的，或准确度量它的单
位数是不经济或没有必要的，这样的总体称为无限总
体。
如企业生产中连续生产的大量产品，
江河湖海中生长的鱼的尾数
等等。
划分有限总体和无限总体对于统计工作的意义就在于可以帮助
我们设计统计
调查方法。
很显然，对于有限总体，
可以进行全面调查，
也可以进行非全面调
查，
但对于无限总体不能进行全面调查，
只能抽
取一部分单位进行非全面调
查，据以推断总体。
(
3
)总体的特征：
★大量性：是指构成总体的单位数要足够的多，总体应
由大量的
单位所构成。大量性是对统计总体的基本要求。
个别单位的现象或表现有很大的偶然性，
而大量单位的现象综合
则相对稳
定。因此，现象的规律性
只能在大量个别单位的汇总综合中
才能表现出来。
只
有数量足够的多，
才能准确地反应我们要研究的总
体的特征，达到我们的研究
目的。
★同质性：指总体中各单位至少在某一个方面性质相同，使它们
可以结合起
来构成总体。同质性是构成统计总体的
前提条件
。

1 为什么要做A/B实验？

A/B实验，是一种验证假设的方法，其核心方法及原理分别是对照实验及假设检验。

在实际实验时会从总体抽取部分个体组成样本单位，并从个体实验结果推断总体结果。

 

1-1、实验原因

由于对照实验遵循单一变量原则，能通过对比发现因果性，并根据实验结果量化正向和负向的影响程度。

当实现了某个新的特性，我们无法准确预估上线后是增益还是减益，从风险和成本的角度考量，会切分小流量进行验证。

小型实验也意味着大部分能在单研发团队自助完成，时间和效率也能得到保障。

 

1-2、适用场景



A/B实验，解决的是策略优化问题，它能帮助我们从可选策略中选择最优策略。

它可以让我们在已达到的山上越来越高，却不能用它来发现一座新的山脉。

 

2 明确目的



数据分析的过程中一般的次序为：相关性>>因果性>>效果。

先通过数据分析洞察相关性，再通过实验提出假设，模糊预估其因果性。在证明成功后根据首次实验效果，持续优化时再进行清晰预估。

 

3 确认指标

1）正负指标



正向指标，一般依据实验路径制定，是策略好坏的直接评价，如：留存人数->点击人数->浏览人数->成交人数。

负向指标，适用于结果指标相近的场景，如实验策略是下发公众号模板，其中两组的成交人数相近，但实验组却致使用户取关人数激增。

如正向收益小于负向收益，则应分析问题考虑优化实验或停止实验。

2）结果、过程、观察指标



结果指标是实验目的，过程指标体现如何完成。观察指标则指的相关性指标，多用于预估上升空间，如成交人数上升，但件均金额较低或购买对象仅覆盖本人。

依据观察指标，可以预估上升空间，并设计下一个实验。这3个指标在此前《数据分析的逻辑思维及分析方法》已有较全面的描述，在这里也不再赘述了，有兴趣的朋友可以查阅该文章。

 

4 制定策略

4-1、实验类型

1）互斥实验



遵循单一变量原则的代表是互斥实验，即用户同时间仅可进行一个实验，通过流量的互斥保障实验结果不受干扰。

但当实验越来越多，同时间可进行实验的用户量减少。流量不足，样本的代表性差。如果要等待前述实验结束再进行下一实验，验证周期增长、效率降低。

2）正交实验



为了解决互斥实验的流量问题，使用的方法是正交实验，也称分层实验。在此，分层的依据是不同的实验。



正交实验能使流量共享，同时进行多个实验，但我们需保障各层的划分参数相互独立且互不影响。

如：上一层的绿色字体不能与绿色背景正交。但绿色字体可以与蓝色背景正交实验，绿色字体也可以与只能推荐正交。

最后还有一个小的细节是，实验流量的来源不仅是上一层实验。这里涉及的内容可以参考谷歌的论文《Overlapping Experiment Infrastructure》。

4-2、实验设计



实验设计须注意的点是，尽量先粗后细，尽量先追求深度再追求广度。当产品有明显不佳的体验，其实更应该迅速迭代优化，并不是每件事都要有数据、有实验证明。

 

5 选择样本

5-1、抽样的原则



1）唯一性原则

唯一性指在用户进行实验时，从始至终仅命中相同的策略。帮助我们更准确的归因并让用户维持相同的体验。

2）均匀性原则

均匀性原则有两层定义，数量的均匀和特征的均匀。

前者是为了保证组间样本数量，减少因数量小导致实验波动过大，后者则能使样本代表性更强。假设分组中的女性占比过高，则实验的结论无法推断男性在这一实验中是否有类似的行为。

特征的均匀也应与实验目的相结合，如实验指标为某按钮点击率，实验组样本的点击率已在较高的基准线上，则可能无法分析策略优劣。

5-2、抽样方法



1）完全随机分组

完全随机分组，也称CR（Complete Randomization），是最常见的随机分组方式之一。常见的实现形式为对某ID字段哈希后对10取模，根据结果值进入不同的组。

如果随机选取ID进行哈希取模，那么是简单随机抽样。如果先将ID排序，逢6取1（6、16、26...）后再进行哈希取模，我们也称之为等距抽样。

2）重新随机分组

完全随机分组，由于不考虑样本的特征是否均匀，可能会导致某组样本的结果指标偏高或者偏低。为了解决此问题，我们可以AA实验观察样本差异或使用重新随机分组（ReRandomization）。

其原理为，每次随机分组后，通过验证组间差异是否小于设定的阈值。如果差异大于阈值，则重新分组，否则则停止分组。

此方法相比完全随机分组更准确，由于缺乏重跑的依据，得到合适的样本是概率性的，也可能造成很大的耗时。一般而言样本量越大，重分的次数越少。

3）自适应分组

Adaptive自适应分组，是滴滴AI Lab团队自研的分组方法，其能够在只分组一次的情况下，让选定的观测指标在分组后每组分布基本一致。

它在每次分组的时，记录当前分配的样本数以及样本分布，并计算当前对象分配至该组后该组的特征均匀情况，从而决定应分至哪个组。

 

6 实验分析

6-1、放量/全量



A/B实验，是小流量验证的实验方式，那我们应如何放量呢？

其前提如下：

1）结果显著，至少保证95%的可信度。

2）正向指标价值＞负向指标价值

3）效果稳定，不因时间周期等元素变化剧烈波动

常见的放量方式有两种，流量开放以及实验推广。流量开放包含了实验内对照组和实验组流量的切分，也可在源头再增加样本。

实验推广，则是将此实验在其他特征、行为的群体中推广。

6-2、再实验&终止



再实验的原因，从效果的次序来看是：无法肯定是否有效果->无效果->效果不明显->负反馈。负反馈如果影响了核心流程，则应考虑终止实验。

关于这2者的分析方法和需求分析是相近的，可以参考逻辑树“自下而上”的方法，先将每1环节可能出现的问题，再依次向上聚合。

7 几个理论



1）辛普森悖论

在分组中占优势的一方，在整体中有时反而是劣势的一方。

2）幸存者偏差

只看结果，却忽略了呈现结果的用户是谁。

3）新奇效应

一开始对实验策略有较好的回应，但一段时间迅速消失。

前2者，主要用于探究样本的代表性和均匀性。新奇效应则应在单一变量下，重复、长时地进行实验，保障实验结果不受实验影响。

写在最后

这篇文章始终感觉难度很大，从双盲实验到A/B实验，这两个词已经被成千上万的文章解读过很多遍，让我甚至写不出前言。最终选择的切入点是，逻辑梳理和知识再提炼。

也因为再提炼，会根据自身的理解省略了前期建设、上线监控等环节，其中监控更适合开单章，而数学、算法原理已经有朋友总结了很全面了，有兴趣的朋友可以阅读下方的参考资料。

感谢你看到这里，谢谢。

参考资料

1、腾讯PCG-E计划：实验设计及决策基础篇

2、ABtest 和假设检验、流量分配

https://www.6aiq.com/article/1555861276270?p=1&m=0

3、假设检验的运用

https://www.cnblogs.com/wobujiaonaoxin/articles/11910326.html

4、abtest-数据分析-假设检验基础

https://cloud.tencent.com/developer/article/1427845

5、哈希表是什么

http://www.woshipm.com/pmd/805326.html

6、区块链节点间的数据验证：哈希值与非对称加密

http://www.woshipm.com/blockchain/1019704.html

7、Overlapping Experiment Infrastructure重叠的实验基础设施

https://max.book118.com/html/2018/0131/151334020.shtm

8、AB实验在滴滴数据驱动中的应用

文章目录
1.什么是Ability？
1.1 总体概述：
1.2 举个例子：
2 MyApplication
2.1 概述：
2.2 鸿蒙工程怎么知道要启动谁？
3 注意：

1.什么是Ability？
Ability是应用所具备能力的抽象，也是应用程序的重要组成部分。一个应用可以具备多种能力（即可以包含多个Ability），HarmonyOS支持应用以Ability为单位进行部署。
Ability分为两种：
FA (Feature Ability)：

  Page模板是FA唯一支持的模板，用于提供与用户交互的能力。一个Page实例可以包含一组相关页面，每个页面用一个。




PA (Particle Ability)：

  PA支持Service模板和Data模板：

   Service模板：用于提供后台运行任务的能力；

   Data模板：用于对外提供统一的数据访问抽象。



1.1 总体概述：
  Ability 是一个窗口；

  AbilitySlice 是窗口里面的一个页面。



1.2 举个例子：
  如果使用Ability切换，它会新弹出一个窗口

  如果使用AbilitySlice切换，相当于是同一个窗口，不断的切换新的页面



2 MyApplication
2.1 概述：
  MyApplication.java相当于是一个总的入口，然后去启动MAinAbility



2.2 鸿蒙工程怎么知道要启动谁？
  根据工程中config.json文件中abilities的配置，找到abilities，在找到abilities中的name属性，可以知道首先启动的是MainAbility。


3 注意：
  自己开发的xxxAbility必须要继承Ability

  自己开发的xxxAbilitySlice必须要继承AbilitySlice