“All models are wrong, but some are useful”
statistics
之前寫完〈Doordash 如何透過 Switchback Experiment 處理 Network Effect〉之後，順藤摸瓜看到 ，這篇的作者陣容十分堅強，內容自然也是不在話下。
在 Doordash 的 Switchback experiment 裡面，他們依照 cluster 的特性調整標準誤（CRSE），主因就是實驗設計會使樣本之間存在關聯性。當然，這樣的調整並不僅限於實驗資料，在一般的觀測性資料裡面，也有一些人認為在 cluster 裡面有一些未被觀察到的成分是有相關性的，所以他們會基於 cluster 調整標準誤。
閱讀全文〈根據 Cluster 調整標準誤的時機與誤區〉Doordash 是一家總部位在舊金山的外送平台，如同在台灣的 Uber Eats 或 Foodpanda，Doordash 作為一個平台負責媒合消費者與店家，並透過外送師（Dasher）協助完成每筆訂單。假設今天 Doordash 想要在某個地區發放折扣並檢視其成效，於是他們隨機地將一個地區裡面的消費者分為實驗組 (Treatment Group) 與對照組 (Control Group)，可想而知實驗組的消費者可能會更傾向去訂購，於是那一個地區的外送師會為了處理實驗組的訂單而疲於奔命。最後當我們檢視實驗效果的時候，其實很難說實驗組與對照組下訂的數量差異，到底是來自於優惠券的發放？還是因為外送師被實驗組大量佔據，導致根本就沒有 Supply 可以去處理對照組的 Demand？這個時候透過 A/B testing 估計的處置效果就會有 bias。
閱讀全文〈Doordash 如何透過 Switchback Experiment 處理 Network Effect〉實驗一直是 Big Tech 用以推動產品迭代的重要步驟，好的實驗可以驗證產品的改變是否對使用者來說有正面的效益，公司也才會有信心將這個功能正式上線，而對於一個網路產品來說最常用的手法即是 A/B testing。然而，在講求快速迭代的產品開發過程當中，A/B testing 的實驗週期通常不會太長，也就很難透過 A/B testing 衡量長期效益。舉例來說，Netflix 想要加強推廣旗下的遊戲產品，於是試圖在 App 上新增廣告欄位，透過實驗發現遊戲的下載數確實因為廣告而有所提升，但我們卻很難回答：長期來看這個功能是否使得使用者更喜歡 Netflix？更願意留在產品內並提供營收？
閱讀全文〈Netflix 如何透過短期 A/B Testing 結果估計長期成效〉Online Demo: https://boboru-apple-health.streamlit.app/
意外發現手機裡面的 Apple Health 儲存了大量歷年來的資料，於是想說來做個專案轉換一下心情，順便練習一下新的玩具。想法是要做一些 Apple 沒有做到的事情，比如說使用者其實不太能自由地選擇要分析的時間區段（但使用上很直覺，也沒什麼不好）；Apple 基本上都是選擇「平均數」當作敘述統計量，但想想許多資料分佈肯定是長尾，而平均數對於極端值很敏感，所以這個時候或許可以考慮其他敘述統計的方式。
閱讀全文〈視覺化 Apple Health Data (Streamlit + Altair)〉在 1968 年的某個冬日下午，一條繁忙的紐約街道上，一群人正抬頭望向身旁的建築物，這群莫名其妙的人吸引了路人的目光，有些人因此佇足，也有些人也跟著抬起了頭，望向遠方。 而他們的一舉一動正默默地被記錄下來⋯⋯
今年的搞笑諾貝爾獎（Ig Nobel Prize）於心理學領域，頒給了這篇 1969 年發表的研究， 他們試圖找出不同群眾大小所發揮的影響力是否相異，於是如同前段所述，研究者找了一個會有行人經過的場域，並且派出數量不等的群眾（1 ~ 15 人），站在街上仰望天空 60 秒，研究者並接著統計在這 60 秒期間，有多少路人會停下來，甚至是加入這個群體一起抬頭。
閱讀全文〈如果你在前方抬頭，而我亦抬頭〉主成份分析 （Principal Component Analysis, PCA）常用於在低維空間空間表示高維資料，以達到維度縮減的功用，在資料科學實務上或能降低維度詛咒（the curse of dimensionality）所帶來的風險。想必大部分人在學習資料科學都會學到 PCA （而不是在多變量分析 🙁 ），而在某天我偶然得知關於 PCA 第一個 Principal Component （PC）的小秘密……但在那之前我們可能要一起複習一下背景知識。
