Come stimare gli effetti causali quando non è possibile randomizzare il trattamento
20 ore fa
I test A/B sono lo standard d’oro dell’inferenza causale perché ci consentono di fare affermazioni causali valide con presupposti minimi, grazie a randomizzazione. Infatti, assegnando casualmente a trattamento (un farmaco, una pubblicità, un prodotto, …), siamo in grado di confrontare i risultato di interesse (una malattia, i ricavi dell’azienda, la soddisfazione del cliente, …) in tutto soggetti (pazienti, utenti, clienti, …) e attribuiscono la differenza media nei risultati all’effetto causale del trattamento.
Tuttavia, in molti contesti, lo è non è possibile randomizzare il trattamento, per ragioni etiche, legali o pratiche. Un’impostazione online comune sono le funzionalità su richiesta, come abbonamenti o abbonamenti premium. Altre impostazioni includono funzionalità per le quali non possiamo discriminare i clienti, come i contratti assicurativi, o funzionalità così profondamente codificate che un esperimento potrebbe non valere la pena. Possiamo ancora fare un’inferenza causale valida in questi contesti?
La risposta è sì, grazie a variabili strumentali e il corrispondente disegno sperimentale chiamato progettazione di incoraggiamento. In molte delle impostazioni sopra menzionate, non possiamo farlo in modo casuale assegnare trattamento, ma possiamo incoraggiare i clienti a prenderlo. Ad esempio, possiamo offrire uno sconto sull’abbonamento o modificare l’ordine in cui vengono presentate le opzioni. Sebbene i clienti mantengano l’ultima parola sull’assunzione del trattamento, siamo comunque in grado di stimare un effetto causale del trattamento. Vediamo come.
Nel resto dell’articolo utilizzeremo un esempio di giocattolo. Supponiamo di essere un’azienda di prodotti che avvia una attività settimanale notiziario per promuovere aggiornamenti di prodotti e funzionalità. Vorremmo capire se la newsletter vale la pena e se alla fine riesce ad aumentare saldi. Sfortunatamente, non possiamo eseguire un test A/B standard poiché non possiamo obbligare i clienti a farlo sottoscrivi alla newsletter. Significa che non possiamo valutare la newsletter? Non esattamente.
Supponiamo di aver eseguito anche un test A/B su un file new notifica sulla nostra app mobile che promuove la newsletter. Un campione casuale dei nostri clienti ha…
Fonte: towardsdatascience.com
