共计 2787 个字符，预计需要花费 7 分钟才能阅读完成。
更多技术交换、求职机会，欢送关注字节跳动数据平台微信公众号，回复【1】进入官网交换群
本文将针对日常开设 A/B 试验过程中一个不太正当的应用办法——AABB 试验进行具体的解释，通知大家为什么不倡议开 AABB 试验。
在开始之前，先来回顾一下“什么是 A/B 试验”，A/B 试验是针对想调研的问题，提供两种不同的备选解决方案，而后让一部分用户应用计划 A，另一部分用户应用计划 B，最终通过试验数据比照来确定最优计划。
一：什么是 AABB 试验
家喻户晓，AB 试验就是咱们在总流量中分流出两组用户，一组应用原策略 A，一组应用新策略 B，比拟两个策略的成果。
那么 AABB 试验是什么呢？
简略来说，在做试验的时候，会从总流量中分流出 2 个原策略组（A1、A2）和 2 个新策略组（B1、B2）。两个原策略组的试验配置截然不同，两个新策略组的配置也是截然不同的。实验者会综合比拟 A1、A2、B1、B2 各组之间的指标差别（但其实少数实验者剖析的办法并没有理论依据，文章前面会作出解释），这样的试验被称为 AABB 试验。
当然，也有实验者会分流出更多策略组（AAABBB、AAAABBBB 等），或者引入多个不同的新策略（AABBCCDD 试验等）。这些试验与 AABB 试验存在的问题趋同，本文中权且先以 AABB 试验为次要剖析对象。
二：为啥总有人想开 AABB 试验
在进行了局部用户调研后，火山引擎 DataTester 团队发现，开设 AABB 试验的实验者通常想解决以下问题：
验证用户分流是否“平均”
局部实验者放心火山引擎 DataTester 平台的用户分流不迷信，因而开设 AABB 试验，通过比拟 A1 与 A2、B1 与 B2 之间的试验指标差别，来测验用户分流是否正当。
现实状态下，如果用户分流是随机的，那么雷同的策略组（A1 和 A2 之间），在试验中检测出的指标差别应该很小。这是用户对于试验后果指标的预期。这时候，如果试验后果中，A1、A2 的指标呈现很大的差别，甚至于出现“显著”，实验者就会认为，是火山引擎 DataTester 后盾的分流机制有问题。然而，这个判断是不迷信的。为什么呢？请浏览下文中的谬误 No.1。
比拟“AA 组内差别”和“AB 组间差别”
有的实验者认为：开设 AABB 试验，如果 AA 之间的试验后果差别很小，AB 之间的试验后果差别较大，那么在这种状况下，我的 B 策略应该就是有用的。这种想法自身没有问题，然而火山引擎 DataTester 的大部分指标提供了置信度性能，此时这种做法就显得有些画龙点睛了。具体的起因参考下文中谬误 No.2 和谬误 No.4。
三：AABB 试验到底错在哪儿
No.1 AA 组内指标差别显著 / 相信并不代表分流不迷信
A1、A2 组之间的试验指标差别大，甚至呈现显著，就能阐明分流不迷信吗？其实并不能。实际上，在比照 AA 组间指标差别时，以下的几种状况都是齐全可能产生的：
1.AA 组内的指标必然存在差别：尽管 A1、A2 两组所采纳的策略齐全一样，但进入 A1、A2 组的用户是齐全随机的，这是随机抽取的两份样本，必然存在抽样误差，因而指标值不可能齐全一样。
2.AA 组内的指标差别可能还不小：如果样本中的用户量太少，或样本用户中存在极其个例（比方抽 20 集体算中国人的平均收入，抽样的时候抽到了农夫山泉董事长钟睒睒和月薪 5000 元的某人），那么在察看常见的均值等类型指标时，AA 组内指标差别很可能还“不小”。
3.AA 差别可能“显著”：在测验假如的过程中，咱们容易犯的一类谬误是：策略本来无用，但试验结果显示该策略有用。A1、A2 组指标差别显著，正是对应了这类谬误——其实两个策略是一样的，然而试验结果显示 A2 有用。在 A/B 试验中，这类谬误呈现的概率是 5%。也就是说，如果你开 100 次 AA 试验，呈现 5 次显著是正当的。如果 AA 试验指标差别出现统计显著，也不过是一个概率问题，并不代表分流不迷信。
综上，咱们再来回顾一下什么是“统计显著”。顾名思义，这是一个统计术语，并不等同于指标在理论业务中产生了“显著变动”。更不能以此推论出“因为 AA 有差别，且 AA 的策略雷同，所以分流后果有问题，AB 的论断也不可信”。
No.2 AABB 试验中，统计指标更容易犯错
先来明确一点，目前火山引擎 DataTester 的统计学原理是双样本假设检验。也就是说，目前火山引擎 DataTester 的假设检验都是依照一个对照组（旧策略组 A）和一个实验组（新策略组 B）来设计的。在 1 次比拟中，咱们犯第一类谬误的可能是 5%。AABB 试验中，实际上有 6 组比照（排列组合一下：A1A2，A1B1，A1B2，A2B1，A2B2，B1B2）。组合增多，那么咱们犯错的概率必然会增大。
如果实验者将实验组增多（AAABBB），或者参加试验的策略增多（ABCDE，AABBCCDD 等多个新策略），那么排列组合就会更多了，犯错的概率就会越来越大。再加上在试验中，咱们可能会察看多个指标，这样咱们犯错的概率就更大了。
No.3 AABB 试验肯定水平上会影响试验的灵敏度
试验调用的样本量越多，试验后果就越灵活。相较于 A/B 试验（只设置一个 A 组和一个 B 组）来说，AABB 试验将实验组的数量减少到了 4 个。此时实验者不得不面临几个抉择：
1. 试验总流量不变，各实验组的流量缩小一半，这会造成试验灵敏度降落；
2. 单实验组的流量不变，将分流进试验的总体流量增加一倍，这意味着实验者可能会承当更大的危险（如果新策略造成负向影响，会有更多的用户受到影响）；
3. 也有一些聪慧的实验者抉择缩短试验时长，让更多用户进入试验之中，但这会产生更多的工夫老本。
既然如此，咱们为什么不罗唆把 AABB 试验合并为 A/B 试验呢？这样反而能够使得试验更灵活、危险更小、后果更牢靠。
No.4 p-value 曾经帮忙咱们比拟了“AB 差别”与“AA 差别”
通过一些用户访谈，咱们理解到大多数用户开设 AABB 试验的动机是：判断“AB 差别”是否高于“AA 差别”，并以此辅助本人进行决策。事实上，认真了解显著性程度的原理，咱们就会发现，p-value 曾经从更迷信的角度帮忙咱们实现了这个工作：p-value 小于 0.05，就是在保障了“AB 差别”肯定大于 95% 以上的“AA 差别”。
既然 p-value 曾经帮咱们比拟了“AB 差别”与“AA 差别”，咱们为什么还要本人开设 AABB 试验进行比拟呢？从某种程度上说，利用一次 AABB 试验来察看“AB 差别”是否大于“AA 差别”，仅仅是在节约试验资源而已。
四：外围：让危险“可量化”且“可控”
总体来说，A/B 方法论的外围是要让危险“可量化”且“可控”，火山引擎 DataTester 团队围绕这个目标应用假设检验范式设计了一整套零碎。AABB 的实验设计作为一种客观存在，并没有什么相对的对错，只是依据火山引擎的察看，对于绝大多数实验者和绝大多数业务场景，它的 ROI 是远远不足以让你抉择的。
点击跳转 A/ B 测试 DataTester 理解更多
