TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

混杂变量的例子:怎样在自己的数据里发现它

来自产品和营销数据的三个能复算的混杂变量例子:看似让留存翻倍的功能、大部分消失的邮件提升、在每种设备上都更好却整体更差的渠道,以及怎样拆分、标准化和避开常见错误。

陈屿 发布于 2026 年 11 月 18 日 9 分钟阅读 数据分析
示例数据:付费整体转化 2.8%,低于自然的 4.3%,但在手机(2.0% 对 1.5%)和电脑(6.0% 对 5.0%)上都高于自然。付费流量 80% 来自手机,手机的转化率不超过电脑的三分之一。示例数据

混杂变量是第三个因素:它在你比较的两组之间不同,又会影响结果,所以让一个差距看起来像因果。处理只有一步:按怀疑的因素(渠道、设备、新老访客、套餐)把结果拆开,看差距在每一片里还在不在。下面是三个能复算的例子,以及随后的处理方法。

读完你会知道

  • 相信任何差距之前,先按常见嫌疑拆开:渠道、设备、新老访客、套餐、国家、注册时间
  • 混杂变量可能缩小、抹掉甚至反转效果,所以要比较两组的构成,不只比较比率
  • 只有随机化能覆盖没测量的混杂变量;否则就写明调整了什么,不要说证明了因果

一个变量要满足什么条件,才算混杂变量?

比较两组时,一个变量同时满足三条,就是混杂变量:

  1. 两组在它上面不一样。 用了某功能的人多半是付费套餐,没用的人多半是免费套餐。
  2. 它自己就会影响结果。 不管有没有用这个功能,付费用户的留存本来就更高。
  3. 它不是原因和结果之间的一环。 套餐是在用功能之前选的,不是功能带来的。

三条都成立时,你看到的差距里有一部分属于第三个变量,而比较把它记在了你正在看的那个因素头上。统计上这叫「可交换性不成立」:就算没有这个功能,两组人的表现也会不同。正式的论述见 Greenland、Robins 和 Pearl(1999);通俗定义已经在混杂变量里写过,这篇把篇幅放在你能自己复算的例子上。

实际检验很简单:拿到差距后,按怀疑的变量拆开,看差距在每一片里还在不在。 下面所有内容都是把这一步重复几次。

例 1:用了某功能的人留存更高

示例数据:10,000 名新用户,其中 2,000 人在注册后一周内用了新上线的「保存视图」功能。第 30 天留存如下:

分组用户数第 30 天仍留存留存率
用了该功能2,0001,04052%
没用8,0001,92024%

差距 28 个百分点,直觉是功能让留存翻了一倍。现在按套餐拆开,这是最明显的嫌疑:付费用户既更愿意试功能,也本来就更容易留下来。

套餐分组用户数留存人数留存率
付费用了该功能1,60096060%
付费没用80048060%
免费用了该功能4008020%
免费没用7,2001,44020%

在每个套餐内部,差距是零。付费用户留存 60%,免费用户 20%,用不用功能都一样。28 个点的差距全部来自人群构成:用功能的人里 80% 是付费用户,没用的人里只有 10%(8,000 人里的 800 人)。这正好对上上面的三条:变量在两组间不同、自己决定结果、而且发生在前。

这是为了方便心算特意取的极端情形。真实数据很少塌成零,更常见的是差距缩小到原来的一小部分。要养成的习惯是同一个:没看到拆开后的数字,就不要报原始差距。

例 2:来自邮件的访客转化更高

示例数据:一个月 20,000 次会话,其中 2,000 次来自一次邮件活动。原始数字:

来源会话订单转化率
邮件2,0001547.7%
其他全部18,0005403.0%

邮件的转化率是其他来源的 2.57 倍。挪预算之前,先按新访客和回访访客拆开。邮件名单里本来就有买过的人,所以主要是回访访客。

访客类型来源会话订单转化率
回访邮件1,6001449.0%
回访其他全部3,0002408.0%
新访客邮件400102.5%
新访客其他全部15,0003002.0%

邮件在两片里依然领先,但回访访客里领先 1 个点,新访客里领先 0.5 个点,离 4.7 个点差得很远。想用一个数字说清楚,可以问:如果非邮件组的访客构成和邮件一样(80% 回访、20% 新访客),它的转化率会是多少?0.8 × 8.0% + 0.2 × 2.0% = 6.8%。拿这个当基线,邮件的 7.7% 只高出 0.9 个点,而不是 4.7 个点。这叫直接标准化,是比较构成不同的两组时最省事的办法。

这次活动并不是没用。它的实际作用大约只有原始比较显示的五分之一,其余来自收邮件的人本身。

示例数据:10,000 次付费会话和 10,000 次自然会话。

渠道整体转化率手机电脑
付费2.8%(10,000 里 280)2.0%(8,000 里 160)6.0%(2,000 里 120)
自然4.3%(10,000 里 430)1.5%(2,000 里 30)5.0%(8,000 里 400)

整体上,自然比付费高 1.5 个点。但在手机上,付费高于自然(2.0% 对 1.5%);在电脑上,付费也高于自然(6.0% 对 5.0%)。看起来更差的渠道,在每一片里都更好,原因是付费会话里 80% 来自手机,而手机在两个渠道里的转化率都不超过电脑的三分之一。这种反转就是辛普森悖论,是混杂的最极端形式,更多解释见辛普森悖论。Bickel、Hammel 和 O'Connell(1975)分析过一个真实案例:大学录取的汇总数据里看似存在的偏向,按院系逐一比较后基本消失。

如果凭整体数字砍掉付费预算,你砍掉的会是在两种设备上都表现更好的渠道。正确的比较是分设备看,或标准化到同一构成:手机和电脑各占一半时,付费是 4.0%,自然是 3.25%。

app.tapcub.com

转化率:付费 vs 自然

示例会话,%
自然,整体4.3%
付费,整体2.8%
付费,手机2.0%
自然,手机1.5%
付费,电脑6.0%
自然,电脑5.0%
示例数据
示例数据:付费整体转化 2.8%,低于自然的 4.3%,但在手机(2.0% 对 1.5%)和电脑(6.0% 对 5.0%)上都高于自然。付费流量 80% 来自手机,手机的转化率不超过电脑的三分之一。

怎样在混杂变量造成误导之前发现它?

三个检查,按见效的先后排列:

  • 问一问每个组里是些什么人。 凡是比较「自己选择了某件事」的人(用了某功能、点开了邮件、点了广告),中间都有一个选择环节。人们自己分了组,就假设他们在别的方面也不同。见选择偏差。
  • 按常见嫌疑逐个拆。 产品和营销数据里嫌疑名单很短:获客渠道、设备、新老访客、套餐或客户规模、国家、注册时间(季节和版本发布)。差距在每一片里都站得住,可信度高得多。
  • 比较构成,不只比较比率。 如果两组里手机、回访或付费用户的占比差得很大,嫌疑人就找到了。例 1 里构成是 80% 对 10%。

拆开后差距变化很大,缩小、消失或翻转,就是被混杂了。拆开后每一片里大致稳定,并不证明因果,但最常见的那个解释已经被排除。

发现之后能做什么?

方法做什么适用条件弱点
分层在各片(套餐、设备)里比较,各自报告混杂变量少,每片用户够多切片很快变薄
标准化重新加权到同一构成,再比较比率想得到一个可比的数字掩盖各片之间的差别
匹配给每个处理组用户配一个相似的未处理用户有很多已测量的混杂变量只能处理测量过的
随机化用随机方式分配处理处理由你控制需要能做实验

只有随机化也能处理你没想到或没法测量的混杂变量,所以因果结论以它为标准。倾向得分方法(Rosenbaum 和 Rubin,1983)是做匹配的一种正式方式,但同样只能调整已记录的变量。做不了实验时,诚实的写法是「考虑套餐和设备之后,用功能的用户留存高 X 个点」,而不是「功能让留存提高了 X 个点」。更大的因果问题见相关与因果。

方法做什么弱点
分层在套餐、设备等切片内比较切片很快变薄
标准化把各组加权到同一构成掩盖各片之间的差别
匹配给处理组配相似的未处理用户只能处理已测量的变量
随机化用随机方式分配处理需要能做实验

只有随机化也能覆盖没测量的变量。

哪些错误会让混杂更严重?

  • 控制了处理本身造成的变量。 如果功能让人更常登录,你又按登录频率做调整,就把一部分真实效果也扣掉了。只调整处理之前就确定的变量(注册时的套餐、渠道、设备、国家)。
  • 切到什么都不剩。 按套餐、设备、国家、周一路拆下去,每格只剩五个用户,小格子的比率会剧烈波动。先拆一两层,并看每格人数。
  • 把「我调整过了」当成「我消除了」。 你消除的只是测量过的那部分,要说清楚没测量的是什么。
  • 以为混杂变量总是缩小效果。 它可能掩盖真实效果,也可能让符号反过来,例 3 就是。
  • 只盯着隐藏变量。 混杂变量常常就摆在自己的表里(设备、渠道),只需要拆一下。

在 TapCub 里怎么做这些拆分?

上面三个例子,是团队最常对分析工具提的三个问题。下面把设备那个例子在 TapCub 里走一遍,只用现有的拆分和分群功能。

  1. 先看原始比较。 在全端分析 › 行为分析 › 行为分析里建一个从落地页到下单的漏斗,按渠道看。漏斗的拆分只用一层,并保留进入人数最多的 10 组,所以把这一层设成渠道。
  2. 加入嫌疑变量。 在全端分析 › 行为分析 › 事件分析里统计下单事件,拆分最多三层,比如渠道、设备、新老访客。在每种设备内部比较各渠道的转化率,就像上面的表。
  3. 留存要换个路。 留存分析没有拆分,所以在全端分析 › 用户 › 分群与标签里为每一片建一个分群(比如「手机」),逐个套用,或者用筛选。匿名访客不会进分群,所以这只适用于已识别的用户。
  4. 问一句是什么在变。 两个时期之间数字变了,全端分析 › 智能运营 › AI 助手里的「变化归因」会按渠道、来源域名、国家、设备、着陆页拆分,给出每个取值的变化占总变化的比例。它告诉你哪个维度承载了变化,不说明有没有因果。
  5. 检验因果在 TapCub 之外。 TapCub 不做实验和分流,只负责衡量。随机实验在你自己的工具里做,结果作为事件带回来,按分群读。

常见问题

混杂变量的例子有哪些?

功能与留存比较里的套餐类型。付费用户既更常用功能,也因为别的原因留得更久,所以比较用功能和没用功能的人,是把功能的效果和套餐的效果混在了一起。上面的示例里,28 个点的留存差距在每个套餐内部降到了零。

用简单的话说,混杂变量是什么?

混杂变量是第三个因素,它既和你以为的原因有关,也和结果有关,于是在两者之间制造或掩盖了联系。检查的办法是按这个因素把数据拆开。

混杂变量和潜在变量(lurking variable)有什么区别?

很多资料把两个词当同义词用。潜在变量通常指没人测量过的变量;混杂变量是任何扭曲比较的变量,测没测量都算。处理方式不同:测量过的混杂变量可以调整,没测量的需要随机化。

混杂变量会让真实效果消失吗?

会。混杂变量可能夸大效果、掩盖效果,或让方向反过来。在付费对自然的例子里,设备构成让付费在整体上垫底,而它在两种设备上都更好。

怎样控制混杂变量?

分层(在切片内比较)、标准化(加权到同一构成)、匹配相似用户,或随机分配。只有随机化也能覆盖你没测量的变量。

另见:混淆变量和潜伏变量的区别:附可复算的例子。

资料来源

归档:数据分析

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

陈屿

技术工程师

专注统计代码、SDK 与接口集成文档,从接入验证到问题排查,帮助开发者更顺畅地完成实施。

按渠道、设备或访客类型拆开任何结果

拆分、分群和变化归因,帮你检查差距在每一片里是否还成立。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie