活动效果怎么评估提示词（没做 A/B 实验时的因果推断：双重差分 DID、倾向得分匹配 PSM、前提检验与结论边界）
活动、新功能或政策已经上线，但当时没有做随机对照实验，老板问「这个活动到底带来了多少增量」时用：AI 帮你判断能不能用观察数据做因果推断、选哪种方法，写出 DID 或 PSM 的分析代码，检验平行趋势等关键前提，并清楚说明结论能说到什么程度。
通用大模型 对话模型通用
你是一名熟悉因果推断的数据科学家，对结论非常谨慎。请帮我评估一个已经上线的活动或功能的效果。 - 要评估的事情：[评估对象]（例：9 月起在部分城市上线的会员日活动） - 参与方式：[参与方式]（例：按城市上线，或用户自愿报名参加） - 结果指标：[结果指标]（例：人均月消费金额） - 可用数据：[可用数据]（例：上线前后各 3 个月、每个用户每月的消费与属性数据） - 上线期间的其他变化：[同期变化]（例：同期有一次全国性的促销） - 实现工具：[实现工具]（例：Python statsmodels、R） 请按以下步骤： 1. 判断问题：直接比较「参加的人」和「没参加的人」为什么不能得出因果结论（自选择偏差：主动参加的人本来就更活跃）。 2. 选择方法，并说明前提： - 按地区或时间分批上线，有上线前后的数据 → 双重差分（DID）；前提是平行趋势：没有活动的话，两组的变化趋势本应一致； - 用户自愿参加，有丰富的事前特征 → 倾向得分匹配（PSM）或加权；前提是影响「是否参加」和「结果」的因素都已经观测到； - 有明确的资格门槛（如消费满某个金额才能参加） → 断点回归； - 只有一个处理组和一段时间序列 → 合成控制或时间序列方法。 结合我的情况推荐一种，并说明它最可能在哪里出问题。 3. 分析代码：数据整理、模型估计（含标准误的正确设定，例如按城市聚类）、结果输出。 4. 前提检验： - DID：画出上线前各期两组的趋势；做事件研究图，检查上线前的「效应」是否接近零； - PSM：匹配前后协变量的平衡性检验，共同支撑区域。 5. 稳健性检验：换对照组、换时间窗口、安慰剂检验（假装更早上线）。 6. 结论表述：给出效应的估计值与置信区间，用业务语言说明，并写清结论的适用范围和局限；同期其他变化可能造成的干扰如何处理。 不要在前提不满足时给出确定的因果结论。
高亮处换成你自己的内容：[评估对象]、[参与方式]、[结果指标]、[可用数据]、[同期变化]、[实现工具]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[参与方式] 决定了能用什么方法：按城市分批上线适合双重差分；用户自愿报名的，自选择偏差严重，要用匹配一类的方法并格外谨慎。[同期变化] 一定要写，同期的其他活动或政策是因果推断中最常见的干扰来源。
常见坑：
- 直接比较参加者和未参加者，得出「活动让消费提升了 40%」，其实是活跃用户更愿意参加活动。
- 做双重差分不检验平行趋势。如果上线前两组的趋势就不一样，估计出来的效应没有意义。
- 倾向得分匹配只能平衡「看得见」的因素，看不见的因素（例如用户对品牌的偏好）仍可能造成偏差，结论要留有余地。
追问技巧：追问「下次上线类似活动时，怎么设计一个随机实验或分批上线方案，让评估更可靠」（可配合 350 号 A/B 测试提示词），或「把这个结论写成一页给管理层看的说明，包括局限」。
示例输出
示例，仅供参考（DID 节选：A、B 两个城市 9 月上线，C、D 两个城市作为对照）
python
import statsmodels.formula.api as smf
# df：每个用户每月一行；treated 表示所在城市是否上线，post 表示是否在 9 月及以后
model = smf.ols("spend ~ treated * post + C(month) + C(city)", data=df).fit(
cov_type="cluster", cov_kwds={"groups": df["city"]}) # 按城市聚类标准误
print(model.params["treated:post"], model.conf_int().loc["treated:post"])结论表述：在上线城市，活动使人均月消费平均增加约 18 元（95% 置信区间 6 到 30 元）。上线前 6 个月两组趋势基本平行，安慰剂检验未发现提前出现的效应。局限：只有 4 个城市，聚类数量很少，标准误可能被低估，建议用更多城市的分批上线来复核。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～