Ожидаемое разбиение — 50/50. По логам экспозиций видно N_treat / N_control = 1.30. Какой вывод и следующий шаг наиболее корректны?
AОбъяснимо статистическим шумом при большой выборке: дисперсия в назначении групп даёт подобные перекосы естественным образом
BПохоже на
SRM или баг назначения/логирования: проверять bucketing, фильтры экспозиции и путь до лог-событияCПерекос в
treat означает, что bucketing корректно отнёс более активных пользователей в тестовую группу для чистотыDДождаться завершения эксперимента и пересчитать
ratio на финале: промежуточный перекос обычно исчезает по мере набораПравильный ответ. Заметный перекос
N_treat / N_control часто сигнализирует SRM (Sample Ratio Mismatch) и требует проверки механики назначения и учета экспозиций.Разбор
SRM (Sample Ratio Mismatch) означает, что фактическое распределение по группам отличается от ожидаемого сильнее, чем можно объяснить случайностью. Причина может быть в баге bucketing (разбивка пользователей на группы), в некорректных фильтрах (например, разные условия попадания в лог экспозиции) или в проблемах идентификации. Правильный шаг — сверить распределение на уровне факта назначения и отдельно на уровне экспозиций, а также проверить SRM (Sample Ratio Mismatch) внутри ключевых сегментов. До выяснения причин интерпретировать эффект опасно.
Можно заниматься бесплатно
Готовим вопросы…
Три вопроса по теме этой страницы, с объяснениями.
Ещё вопросы по теме «Дизайн эксперимента и рандомизация»
- Вы тестируете новый экран оплаты. Пользователь может заходить в приложение много раз. Метрика — конверсия в покупку за 7 дней на уровне `user_id`. Какую единицу рандомизации выбрать, чтобы минимизировать смешение вариантов?
- Эксперимент рандомизируется по `user_id`, а вы считаете метрику на уровне `session_id` (например, длительность сессии) и сравниваете сессии как независимые наблюдения. Что здесь главное методологическое последствие?
- В тесте нового реферального механизма пользователь из тестовой группы отправляет приглашения друзьям, которые попадают в контрольную и тоже меняют поведение. Какое допущение нарушается и почему это важно?
- Эксперимент меняет алгоритм распределения заказов между курьерами. Курьеры обслуживают сразу нескольких пользователей, и решение для одного заказа влияет на время доставки других. Какой подход к рандомизации чаще всего лучше уменьшит взаимное влияние групп?
- Вы делаете разбивку пользователей на группы как `hash(user_id + day) % 2`, где `day` — текущая дата. Что самое вероятное следствие для эксперимента?
- Все вопросы по «Дизайн эксперимента и рандомизация» →