Линеаризация. Увеличиваем мощность А/Б тестов с метрикой отношения / forpes.ru

Главная
Линеаризация. Увеличиваем мощность А/Б тестов с метрикой отношения

Линеаризация. Увеличиваем мощность А/Б тестов с метрикой отношения +4

18.06.2026 09:00

nnazarov 0 2700 Источник

Хабр, привет! В одной из прошлых статей мы обсуждали метрики отношения и разбирали, как оценивать эксперименты с помощью дельта-метода и бутстрепа. Сегодня рассмотрим ещё один подход — линеаризацию.

Линеаризация переводит метрику отношения в обычную пользовательскую метрику и позволяет легко применять техники повышения чувствительности, например CUPED и стратификацию. Разберём пример оценки эксперимента с помощью линеаризации. Посмотрим, к чему приводит изменение распределения знаменателя. Покажем как применять линеаризацию с CUPED.

Меня зовут Коля, я работаю аналитиком данных в X5 Tech. Мы с Сашей продолжаем писать серию статей по А/Б тестированию. Предыдущие статьи можно найти в описании профиля.

Линеаризация

В ходе А/Б теста мы воздействуем на объекты, проводим измерения, вычисляем по ним метрику эксперимента и оцениваем значимость отличий. Метрики отношения возникают, когда с одного объекта мы получаем не строго одно измерение, а несколько.

Например, проводим эксперимент в онлайн-магазине. Объекты — покупатели магазина, на которых мы воздействуем рассылкой push-уведомлений и выжидаем неделю. За это время одни покупатели ничего не купят, другие совершат одну покупку, третьи — несколько покупок. Метрика эксперимента — средний чек, то есть отношение суммы стоимостей покупок к их количеству:

$\mathfrak{R} = \dfrac{X_1 + \ldots + X_N}{Y_1 + \ldots + Y_N}$

где — общая сумма покупок -го покупателя, — количество его покупок, а— количество покупателей в эксперименте.

Чтобы лучше почувствовать разницу, приведём пример обычной пользовательской метрики. Для неё с каждого объекта получаем одно измерение, считаем измерения независимыми и применяем к ним обычные статистические тесты. Например, можно посчитать среднюю сумму покупок пользователя за неделю:

$\mathfrak{M} = \dfrac{X_1 + \ldots + X_N}{N}$

Чтобы оценить эксперимент с метрикой отношения с помощью линеаризации, нужно выполнить следующие шаги:

Вычисляем точечную оценку метрики отношения по данным контрольной группы:

$\kappa = \mathfrak{R}_A = \frac{\sum_{u\in A} X_u}{\sum_{u\in A} Y_u}$

где— множество покупателей, попавших в контрольную группу.

Для каждого объекта вычисляем линеаризованное значение:

$L_u = X_u - \kappa Y_u$

Применяем t-тест к линеаризованным значениям метрики. Получаем p-value и точечное значение эффекта и принимаем решение согласно дизайну эксперимента.

Почему линеаризация работает с теоретической точки зрения, подробно разобрано в оригинальной статье Consistent Transformation of Ratio Metrics for Efficient Online Controlled Experiments.

Доверительный интервал

Описанный выше алгоритм проверяет гипотезу о равенстве средних линеаризованных метрик:

$H_0: \mathfrak{L}_A = \mathfrak{L}_B,\ \text{ где }\ \mathfrak{L}_A = \frac{\sum_{u\in A} L_u}{N}\ \text{ и }\ \mathfrak{L}_B = \frac{\sum_{u\in B} L_u}{N}$

Для приращения линеаризованной метрики $\Delta \mathfrak{L} = \mathfrak{L}_B - \mathfrak{L}_A$ можно построить доверительный интервал с уровнем значимости $\alpha$ :

$\mathbb{P}(l \le \Delta \mathfrak{L} \le r) = 1-\alpha$

Покажем, что приращение линеаризованной метрики $\Delta \mathfrak{L}$ и приращение исходной метрики отношения $\Delta \mathfrak{R}$ линейно связаны. Обозначим средние значения пользовательских метрик контрольной и экспериментальных групп как $\overline{X}_A$ , $\overline{X}_B$ , $\overline{Y}_A$ , $\overline{Y}_B$ .

$\begin{align} \Delta\mathfrak{R} &= \mathfrak{R}_B-\mathfrak{R}_A= \frac{\overline{X}_B}{\overline{Y}_B} - \frac{\overline{X}_A}{\overline{Y}_A} \\ \Delta\mathfrak{L} &= \mathfrak{L}_B-\mathfrak{L}_A= \left(\overline{X}_B - \kappa \overline{Y}_B\right) - \left(\overline{X}_A - \kappa \overline{Y}_A\right) = \\ &= \overline{X}_B-\frac{\overline{X}_A}{\overline{Y}_A} \overline{Y}_B = \overline{Y}_B\ \Delta\mathfrak{R} \end{align}$

Подставим получившееся выражение в формулу с границами доверительного интервала:

$P(l \le \overline{Y}_B \cdot \Delta R \le r) = 1 - \alpha$

Если $\overline{Y}_B$ положительное, то, поделив на $\overline{Y}_B$ все части неравенства, получим доверительный интервал для приращения исходной метрики отношения $\Delta\mathfrak{R}$ : $[l/\overline{Y}_B,\ r/\overline{Y}_B]$ .

Пример применения линеаризации

Оценим эксперимент с метрикой отношения. Проверяем гипотезу о равенстве средних чеков. Сгенерируем данные двух групп по 100 покупателей. Для каждого покупателя случайно определим количество совершённых покупок от 1 до 5 и среднюю стоимость покупки в диапазоне от 600 до 1400. Добавив случайный шум со стандартным отклонением 200, получим стоимости покупок пользователей. После этого применим к данным описанный выше алгоритм линеаризации и получим p-value.

from collections import defaultdict
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def generate_data(sample_size=100, y_min=1, y_max=5, mean_v=1000, range_v=400, noise_std=200):
    """Генерирует данные со стоимостью покупок.
    
    sample_size - размер групп
    y_min - минимальное количество покупок пользователя
    y_max - максимальное количество покупок пользователя
    mean_v - среднее значение среднего чека пользователей
    range_v - разброс среднего чека пользователей
    noise_std - разброс стоимости покупок

    return: матрица из двух столбцов с метриками X и Y. 
    """
    v_min, v_max = mean_v - range_v, mean_v + range_v
    base = np.random.uniform(v_min, v_max, (sample_size, 1))
    Y = np.random.randint(y_min, y_max+1, sample_size)
    noise = np.random.normal(0, noise_std, (sample_size, y_max))
    mX = (base + noise).astype(int)
    data = np.array([[x[:y].sum(), y] for x, y in zip(mX, Y)])
    return data

def check_linearization(a, b):
    """Проверяет гипотезу с помощью линеаризации.

    a, b - np.array матрицы из двух столбцов с метриками X и Y,
        содержащие данные контрольной и экспериментальной групп.

    return: pvalue
    """
    a_x, a_y = a.T
    b_x, b_y = b.T
    kappa = np.sum(a_x) / np.sum(a_y)
    a_lin = a_x - kappa * a_y
    b_lin = b_x - kappa * b_y
    _, pvalue = stats.ttest_ind(a_lin, b_lin)
    return pvalue

a = generate_data(mean_v=mean_v)
b = generate_data(mean_v=mean_v)
pvalue = check_linearization(a, b)
print(f'pvalue = {pvalue:0.3f}')
# pvalue = 0.823

Проверка корректности

Теперь проверим, что линеаризация работает корректно. Для этого проведём по 10000 синтетических А/А и А/Б экспериментов и построим распределения p-value.

Пример кода

def plot_pvalue_distribution(dict_pvalues):
    """Рисует графики распределения p-value."""
    X = np.linspace(0, 1, 1000)
    for key, pvalues in dict_pvalues.items():
        Y = [np.mean(pvalues < x) for x in X]
        plt.plot(X, Y, label=key)
    plt.plot([0, 1], [0, 1], '--k', alpha=0.8)
    plt.title('Оценка распределения p-value', size=16)
    plt.xlabel('p-value', size=12)
    plt.legend(fontsize=12)
    plt.grid()
    plt.show()

mean_v = 1000
effect = 60

dict_pvalues = defaultdict(list)
for _ in range(10000):
    a = generate_data(mean_v=mean_v)
    b = generate_data(mean_v=mean_v)
    pvalue = check_linearization(a, b)
    dict_pvalues['AA'].append(pvalue)
    b = generate_data(mean_v=mean_v+effect)
    pvalue = check_linearization(a, b)
    dict_pvalues['AB'].append(pvalue)

plot_pvalue_distribution(dict_pvalues)

Распределение p-value на А/А тестах близко к равномерному, а на А/Б тестах выпукло вверх. Критерий работает корректно.

Изменение распределения знаменателя

В теоретическом обосновании линеаризации есть ряд предположений. Одно из них состоит в том, что распределение знаменателя не должно сильно меняться.

Проверим, что будет, если нарушить условие. Изменим распределение количества покупок в группах. В контрольной группе покупатели совершают от 1 до 5 покупок, а в экспериментальной от 3 до 5. При этом средняя стоимость покупки остаётся одинаковой для обеих групп. В такой постановке средние чеки на самом деле равны, поэтому p-value должен быть распределён равномерно. Проверим это на синтетических A/A-экспериментах.

dict_pvalues = defaultdict(list)
for _ in range(10000):
    a = generate_data(y_min=1, y_max=5)
    b = generate_data(y_min=3, y_max=5)
    pvalue = check_linearization(a, b)
    dict_pvalues['change Y'].append(pvalue)
plot_pvalue_distribution(dict_pvalues)

На графике видно, что p-value распределено неравномерно. Хотя средние чеки в группах равны, критерий чаще получает маленькие p-value и чаще ошибочно находит эффект там, где его нет.

Получается, изменение распределения знаменателя ломает критерий. Это нужно учитывать при дизайне эксперимента.

CUPED

Основное преимущество линеаризации при оценке метрик отношения в том, что после неё можно удобно применять техники повышения чувствительности. Поэтому разберём, как оценить эксперимент с метрикой отношения, используя линеаризацию с CUPED. В качестве ковариаты для CUPED возьмём линеаризованные метрики пользователей, посчитанные на данных до эксперимента.

Алгоритм оценки выглядит так:

Считаем линеаризованные значения метрик пользователей во время эксперимента и до эксперимента;
Применяем CUPED, используя линеаризованные метрики до эксперимента в качестве ковариат;
Получаем p-value и точечную оценку эффекта, после чего принимаем решение.

Часто возникает вопрос, какое значение параметра kappa использовать для вычисления линеаризованных метрик ковариаты. В линеаризации мы используем одно значение kappa для обеих групп, поэтому может показаться, что для ковариаты можно взять то же самое значение. Но kappa для линеаризации ковариаты нужно вычислять отдельно, по данным до эксперимента. Это позволяет не подглядывать в будущее и гарантировать независимость ковариаты от влияния эксперимента, как этого требует CUPED.

Проверим, что линеаризация с CUPED даёт бо́льшую мощность, чем линеаризация без CUPED. Для этого будем генерировать данные, в которых средний чек пользователя до эксперимента коррелирует со средним чеком во время эксперимента. Затем оцениваем эксперименты двумя способами. Сначала используем линеаризацию без CUPED, затем линеаризацию с CUPED. Проведём синтетические А/Б тесты и построим распределения p-value.

Пример кода с CUPED

def generate_data_2(
        sample_size=100,
        y_min=1,
        y_max=5,
        mean_v=1000,
        range_v=400,
        noise_std=200,
        effect=0
):
    """Генерирует данные со стоимостью покупок до и во время эксперимента.
    
    sample_size - размер групп
    y_min - минимальное количество покупок пользователя
    y_max - максимальное количество покупок пользователя
    mean_v - среднее значение среднего чека пользователей
    range_v - разброс среднего чека пользователей
    noise_std - разброс стоимости покупок
    effect - размер эффекта

    return: две матрицы с данными до и во время эксперимента.
        Каждая матрица состоит из двух столбцов с метриками X и Y. 
    """
    v_min, v_max = mean_v - range_v, mean_v + range_v
    base = np.random.uniform(v_min, v_max, (sample_size, 1))
    res = []
    for _ in range(2):
        Y = np.random.randint(y_min, y_max+1, sample_size)
        noise = np.random.normal(0, noise_std, (sample_size, y_max))
        if _ == 0:
            mX = (base + effect + noise).astype(int)
        else:
            mX = (base + noise).astype(int)
        data = np.array([[x[:y].sum(), y] for x, y in zip(mX, Y)])
        res.append(data)
    return res

def check_linearization_cuped(a, b, a_cov, b_cov):
    """Проверяет гипотезу с помощью линеаризации и CUPED.

    a, b - np.array матрицы из двух столбцов с метриками X и Y,
        содержащие данные контрольной и экспериментальной групп
        во время эксперимента.
    a_cov, b_cov - np.array матрицы из двух столбцов с метриками
        X и Y, содержащие данные контрольной и экспериментальной
        групп до эксперимента.

    return: pvalue
    """
    # линеаризуем метрику
    a_x, a_y = a.T
    b_x, b_y = b.T
    kappa = np.sum(a_x) / np.sum(a_y)
    a_lin = a_x - kappa * a_y
    b_lin = b_x - kappa * b_y
    
    # линеаризуем ковариату
    a_cov_x, a_cov_y = a_cov.T
    b_cov_x, b_cov_y = b_cov.T
    kappa_cov = np.sum(a_cov_x) / np.sum(a_cov_y)
    a_cov_lin = a_cov_x - kappa_cov * a_cov_y
    b_cov_lin = b_cov_x - kappa_cov * b_cov_y

    # cuped
    metric = np.hstack([a_lin, b_lin])
    cov = np.hstack([a_cov_lin, b_cov_lin])
    covariance = np.cov(metric, cov)[0, 1]
    variance = np.var(cov)
    theta = covariance / variance
    
    a_cuped = a_lin - theta * a_cov_lin
    b_cuped = b_lin - theta * b_cov_lin
    _, pvalue = stats.ttest_ind(a_cuped, b_cuped)
    return pvalue


effect = 60

dict_pvalues = defaultdict(list)
for _ in range(10000):
    a, a_cov = generate_data_2()
    b, b_cov = generate_data_2(effect=effect)

    pvalue = check_linearization(a, b)
    dict_pvalues['without cuped'].append(pvalue)
    pvalue = check_linearization_cuped(a, b, a_cov, b_cov)
    dict_pvalues['with cuped'].append(pvalue)

plot_pvalue_distribution(dict_pvalues)

Распределение p-value у линеаризации с CUPED выпукло вверх сильнее, чем у линеаризации без CUPED. CUPED позволяет увеличить мощность критерия.

Итоги

Линеаризация — это практичный способ оценки А/Б тестов с метрикой отношения, который позволяет легко применять техники повышения чувствительности. Мы рассмотрели, как работает линеаризация и как её применять вместе с CUPED.

Важно помнить, что метод имеет границы применимости. Одна из них — распределение знаменателя — не должно сильно изменяться. При сильном изменении распределения знаменателя вероятность ошибок увеличивается.

Также можно прочитать статьи о том, как честнее и быстрее оценивать эффекты в экспериментах:

– Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке X5 Digital
– Проксируй это: как ускорить A/B-тесты и не попасть в ловушку метрик