Python-100-Days

8.5 KiB

Raw Blame History

相关和回归

我们知道，可以通过对指标的维度拆来解寻找指标变化的原因。当我们找到问题的原因时，自然会进一步思考一个问题：指标变化的原因这么多，其中的关键因素又是哪个呢？例如，我们在工作场景中时不时会讨论这些问题：

电商类产品想知道哪个品类销售对整体销售贡献更大；
渠道运营想知道哪个渠道的用户对整体活跃作用更大；
负责留存的想知道哪个客群对整体的留存关系更大；
产品想知道到底哪些维度（城市、年龄、接入设备等）会影响整体活跃。

还有很多类似的场景，在这种情况下我们不仅要要找到数据变化的原因，还需要明确出不同原因的重要性。因为实际工作中可用资源有限，只能集中优势资源解决核心问题。

相关分析基本概念

相关性分析，指对两个或多个指标进行分析，评估它们两两之间联系或相互影响的程度。相关性分析不仅可以分析出多个指标间是否存在相关关系，还能给出相关程度的量化值。在进行相关性分析时，我们会使用“相关系数”定量给出几个指标间联系和影响的程度，通常用 \rho 来表示，计算公式为：


\rho = \frac {cov(X, Y)} {\sqrt{var(X) \cdot var(Y)}}

需要注意的是，\rho 只能用来度量线性关系，它的取值在 [-1, 1] 之间。数据中的离群值会对 \rho 产生影响，在计算时必须先剔除，实际使用相关关系时，还需要关注相关关系的稳定性。

我们用 \rho 值判断指标的相关性时遵循以下两个步骤。

判断指标间是正相关、负相关，还是不相关。
- 当 \rho \gt 0，认为指标间是正相关，也就是两者的趋势一致。如果指标 A 与指标 B 的 \rho \gt 0，那么指标 A 上涨，指标 B 也会上涨；反之亦然。
- 当 \rho \lt 0，认为指标间是负相关，也就是两者的趋势相反。如果指标 A 与指标 B 的 \rho \lt 0，那么指标 A 上涨，指标 B 会下降；反之亦然。
- 当 \rho = 0，认为指标间是不相关的，但并不代表两个指标是统计独立的。
判断指标间的相关程度。
- 当 \rho 的值在 [0.5,1] 之间，认为指标间是强相关，指标间的业务联系非常紧密。
- 当 \rho 的值在 [0.1,0.5) 之间，认为指标间是弱相关，指标间的业务联系不太紧密。
- 当 \rho 的值在 [0,0.1) 之间，认为指标间是无相关，指标间的业务联系无任何联系，也就是说当我们去运营指标 A 时，指标 B 不会产生相应的变化。

Excel计算相关系数

方法一：使用 CORREL 函数。
方法二：使用“数据分析”模块的“相关系数”功能。

相关分析案例

分析哪个客群的留存对整体留存贡献更大

留存的运营中我们最常看的就是新客的留存和活跃客群的留存，用来评估哪个客群的留存与整体的留存联系更紧密，以便制定后续运营的策略。

利用Excel进行相关分析的结果如下所示。

可以看出，活跃访客的留存率与整体留存率的相关是强相关；而新增访客的留存率与整体留存率的相关是弱相关，所以如果要提升整体留存率，我们的产品运营资源应当更多地投放给活跃用户，以提升整体的留存率；而新增访客，虽然不会拿到很多运营资源，但是我们也要去深入分析为什么新增访客的留存的贡献比较小，适时做一些提升这部分客群与整体留存的策略。

案例2：找出对购买转化率贡献最高的渠道

基本上电商运营会同时部署多个渠道，包括线上电商平台以及线下的门店。由于现有某产品从各个渠道获客的用户在产品上的购买转化率，需要评估哪些渠道的用户对整体购买转化率贡献最大，后续将重点营销此渠道。

案例3：分析哪些因素对 DAU 的影响更大

我们分析 DAU 时常会将它拆解为各种维度来分析，这里我们分析与 DAU 联系最紧密的维度到底是哪些，以帮助我们制定针对性的运营策略，如下图所示。

对于这样的报表，我们需要找出到底是哪几个城市、哪个操作系统，以及哪个年龄段的用户对于 DAU 的影响最大。如果能找出来这个关系，那么后续要提升 DAU，就有非常清晰的方向。

线性回归

如果只有一个自变量 X，而且因变量 Y 和自变量 X 之间的数量变化关系呈现近似的线性关系，就可以建立一元线性回归方程，通过自变量 X 的值来预测因变量 Y 的值，这就是所谓的一元线性回归预测，回归方程如下所示：


Y = aX + b

我们可以通过历史数据（已知的 X 和 Y ），确定参数 a 和 b 的值，还原出回归方程，从而实现预测。很显然，a和 b 的取值可以有很多种选择，那么什么才是最好的 a 和 b 呢？如果把真实值记为 y，把预测值记为 \hat{y}，那么让 SSR 值最小的 a 和 b 就是最好的 a 和 b ，称之为最小二乘解，其中SSR 值计算公式如下所示：


SSR = \sum_{i=1}^{n}(y_i - \hat{y_i})^2

损失函数是凹函数，找到使函数最小的a和b的值，可以通过向凹函数的拐点进行逼近的方式来找到更好的a和b的值，具体的公式如下所示：


a^\prime = a + (-1) \times \frac {\partial loss(a, b)} {\partial a} \times \Delta \\
b^\prime = b + (-1) \times \frac {\partial loss(a, b)} {\partial b} \times \Delta

对于上面的求 SSR 的函数来说，可以用下面的公式计算偏导数：


f(a, b) = \frac {1} {N} \sum_{i=1}^{N}(y_i - (ax_i + b))^2  \\
\frac {\partial {f(a, b)}} {\partial {a}} = \frac {2} {N} \sum_{i=1}^{N}(-x_iy_i + x_i^2a + x_ib) \\
\frac {\partial {f(a, b)}} {\partial {b}} = \frac {2} {N} \sum_{i=1}^{N}(-y_i + x_ia + b)

上面的方法称为梯度下降法。

在Excel中，可以使用“数据分析”模块的“”来实现线性回归。

对于回归分析，最为重要的是评价回归的结果是否理想，这关系到能否通过回归方程去预测将来，我们先看看决定系数（Multiple R-Squared，通常称之为R^2）。在统计学习中，决定系数用于度量因变量的变化中可由自变量解释部分所占的比例，也就是你的回归模型的解释力是否良好，R^2 的值越接近1越好。


SS_{tot} = \sum_{i}(y_{i} - \bar {y})^2 \\
SS_{res} = \sum_{i}(y_{i} - \hat {y_i})^2 \\
R^2 = 1 - \frac {SS_{res}} {SS_{tot}}

接下来我们还要对回归方程的显著性进行检验，主要包括 t 检验（回归系数的检验）和F检验（回归方程的检验）。对于F检验（F-statistic）的结果，主要关注其 p-value ，如果 p-value 小于0.05，那么说明拟合效果是不错的。

8.5 KiB Raw Blame History Unescape Escape