面向地域级营销影响估计的动态合成对照 vs. 面板感知双机器学习
机器学习
2025-08-29 v1
摘要
准确量化双边市场中地域级营销提升是一个具有挑战性的任务：合成对照方法 (SCM) 通常表现出高显著性，但系统性地低估效应大小，而面板样式的双机器学习 (DML) 则很少与 SCM 进行基准测试。我们构建了一个开放且完全文档化的模拟器，模拟典型的大规模地域推出情景：N_unit 区域市场在发布前跟踪 T_pre 周，并在随后的 T_post 周营销窗口期内继续跟踪，允许用户变更所有关键参数，并探索这两大方法族下的五种典型压力测试：1) 曲线基线趋势、2) 异质响应滞后、3) 受处理偏置冲击、4) 非线性结果关联、5) 漂移的控制组趋势。评估了七种估计器：三种标准的增强型 SCM (ASC) 变体和四种面板-DML 变体（TWFE、CRE/Mundlak、一阶差分和组内）。在每个情景下进行 100 次复制后，ASC 模型在涉及非线性或外部冲击的挑战性情景中表现出严重偏差和接近零的覆盖率。相比之下，面板-DML 变体显著降低了这种偏差并恢复了名义 95% 置信区间的覆盖率，证明其稳健性更强。结果表明，尽管 ASC 提供了一个简单的基线，但在常见复杂情境下不可靠。因此，我们提出了一个“诊断-优先”框架，实践者首先识别主要业务挑战（例如非线性趋势、响应滞后），然后选择最适用于该情景的特定 DML 模型，为分析地域实验提供更稳健可靠的蓝图。
引用
@article{arxiv.2508.20335,
title = {Dynamic Synthetic Controls vs. Panel-Aware Double Machine Learning for Geo-Level Marketing Impact Estimation},
author = {Sang Su Lee and Vineeth Loganathan and Vijay Raghavan},
journal= {arXiv preprint arXiv:2508.20335},
year = {2025}
}
备注
Presented at the KDD 2025 Workshop on Causal Inference and Machine Learning in Practice