利用自我中心网络簇度量LinkedIn上的网络效应
社会与信息网络
2019-03-22 v1 应用统计
摘要
当一项新功能不仅影响其接收者，还影响平台其他用户（如他们的连接者或关注者）时，即产生所谓网络效应。这一极为常见的现象违背了几乎所有企业实验系统的基本假设——稳定单元处理值假设（SUTVA）。当该假设被打破时，依赖伯努利随机化进行分配、依赖两样本t检验评估显著性的典型实验平台，不仅无法考量网络效应，还可能给出高度偏倚的结果。本文提出一种简单且可扩展的网络效应度量方案，采用自我中心网络随机化，其中一簇由一个“自我”（焦点个体）及其“ alters”（与之直接相连个体）构成。我们的方法旨在保持簇的代表性、避免强建模假设，并相较传统基于簇的随机化显著提升功效。特别地，它无需针对产品的实验设计，也无需工程团队高投入，且因仅需在个体层面分配处理而无需改动实验与分析平台。每位用户要么拥有该功能要么没有，无需对用户间交互作复杂操控。它聚焦于度量一级外网络效应（即我直接连接者的处理对我的效应），并以极低搭建成本给出合理估计，使我们每年能运行数十次此类实验。
引用
@article{arxiv.1903.08755,
title = {Using Ego-Clusters to Measure Network Effects at LinkedIn},
author = {Guillaume Saint-Jacques and Maneesh Varshney and Jeremy Simpson and Ya Xu},
journal= {arXiv preprint arXiv:1903.08755},
year = {2019}
}