媒体组合建模中付费搜索的偏差校正
应用统计
2018-07-10 v1
摘要
评估广告支出回报率(ROAS)，即广告对销售的因果效应，对广告主理解其现有营销策略的表现以及如何改进和优化至关重要。媒体组合建模(MMM)已被用作利用观测数据解决该问题的便捷分析工具。然而众所周知，MMM 面临各种根本性挑战：数据收集、模型设定以及由于广告定向导致的选择偏差等 \citep{chan2017,wolfe2016}。在本文中，我们研究 MMM 中衡量搜索广告影响的挑战，即由于广告定向导致的选择偏差。利用搜索广告环境的因果图，我们基于 \textit{后门} 准则 \citep{pearl2013causality} 推导出一种统计上严谨的偏差校正方法。我们通过案例研究表明，与随机实验的结果相比，该方法提供了有前景的结果。我们还报告了一个更复杂的案例研究，其中广告主在十余个媒体渠道上投入了费用，但无法获得随机实验的结果。我们的理论和实证研究均表明，在一些常见的实际场景中，有可能获得搜索广告 ROAS 的近似无偏估计。
引用
@article{arxiv.1807.03292,
title = {Bias Correction For Paid Search In Media Mix Modeling},
author = {Aiyou Chen and David Chan and Mike Perry and Yuxue Jin and Yunting Sun and Yueqing Wang and Jim Koehler},
journal= {arXiv preprint arXiv:1807.03292},
year = {2018}
}