AB实验高端玩法系列

Meta Learner属于间接估计模型的一种。它并不直接对treatment effect进行建模，而是通过对target进行建模，用预估target变化作为HTE的估计~

HTE旨在量化实验对不同人群的不同影响，进而通过人群定向进行差异化干预。Double Machine Learning把Treatment作为特征，通过估计特征对Y的影响来计算实验的差异效果。

CACE全称Compiler Average Casual Effect，或Local Average Treatment Effect。往往和IV结合使用，这里我们聊聊CACE对AB的启发

都说随机是AB实验的核心，那随机究竟是如何定义的？以及当随机性不满足时，我们如何得到无偏的ATE估计呢？这一章我们聊聊如何通过Propensity score在观测实验中计算实验效应

如果你的产品改进方案本来就没啥效果当然怎么开实验都没用，但如果方案有效，请不要让 statistical Hack 浪费一个优秀的idea. 如果预期实验效果比较小，有哪些基础操作来增加实验显著性呢？

这篇论文是在Causal Tree的基础上加入了两个新元素： Trigger对不同群体的个性化阈值， 以及新的Node Penalty

这篇是treatment effect估计相关的论文系列第一篇所以会啰嗦一点多给出点背景。 其他相关模型详见AB实验的高端玩法系列1 - 人群定向/HTE/Uplift 论文github收藏

AB是因果推断最完美的试验场。这个系列我们会围绕个体影响差异性展开，细数经典的uplift模型和方案~