什么是混杂变量？定义、例子和控制方法

什么是混杂变量？

混杂变量（混杂因素）是同时影响「你以为的原因」和「你测量的结果」的第三个因素。它同时推动两者，所以两者看起来有关，哪怕一个根本不导致另一个。

一个因素算混杂变量，要同时满足三条：

1. 它和你以为的原因有关联；
2. 它自己就会影响结果；
3. 它不是原因造成的结果（不是中间环节）。

经典例子：冰淇淋销量和溺水人数一起上升，背后是天热同时推动了两者，冰淇淋并不导致溺水。这就是为什么相关不等于因果。

一个看板上的例子

产品团队上线了深色模式，然后对比转化率（示例数字）：

开了深色模式的用户转化率是没开的两倍多。是深色模式起了作用吗？按设备拆开看：

每种设备内部，两组转化率完全一样。桌面端用户本来转化就高，又更容易找到深色模式开关。设备就是混杂变量，整体的差距完全来自两组设备构成不同。如果拆分后方向反过来而不只是消失，这种现象叫辛普森悖论。

怎么控制混杂变量

• 随机分组。 A/B 测试里由随机决定谁看到改动，设备、来源以及你没想到的因素都会在两组之间平衡。只有这种方法能处理未知的混杂因素。
• 在分群内比较（分层）。 在怀疑的混杂因素的每个取值内部看效果：先只看桌面端，再只看移动端。差距消失了，就说明是它造成的。
• 匹配或调整。 只比较在混杂因素上相同的用户（同套餐、同国家、同注册月份），或者用把它放进去的回归。
• 看先后顺序。 因为原因而改变的因素是中介变量，不是混杂变量。把它控制掉，反而会把真实的效果藏起来。

网站和产品分析里常见的混杂变量

在 TapCub 里排查混杂变量

TapCub 不跑 A/B 测试，所以在里面做的大多是观察性比较，行动前值得先排查混杂。在网站分析的任何表格里点一行（设备、来源、国家），它会作为筛选条件加上，再在每个取值内部重复比较。把对比设为「上一周期」或「上周同期」，排除日期带来的影响。产品问题可以给每组建一个分群，在分析里打开；规则分群还能用随机分桶，得到一个随机的对照组。拆了所有能想到的维度差距还在，也只把它当作值得验证的假设，而不是结论。另见 p 值和统计显著性。