贡献分析中使用的统计技术

贡献分析是一个密集型计算机学习过程，专为揭示导致 Adobe Analytics 中所发现异常的因素而设计。它旨在帮助用户以远快于其他方式的速度找到执行进一步分析的焦点领域或时机。

贡献分析通过执行一个分为两部分的算法，即可对可用于用户贡献分析报表的每个维度项目完成此操作。此算法以下列顺序运行：

  1. 对于每个维度，它会计算克莱姆 V 系数检验统计量。在以下实例中，须考虑列联表中跨越两个时间段的页面查看次数（按国家/地区划分）：

    在表格 1 中，克莱姆 V 系数可用于测量分别对应时间段 1（例如历史）和时间段 2（例如异常发生的日子）的页面查看次数（按国家/地区划分）之间的关联。克莱姆 V 系数的值较低意味着低级别的关联。克莱姆 V 系数的范围介于 0（无关联）到 1（完全关联）之间。克莱姆 V 系数统计量是可计算的：

  2. 对于每个维度项，皮尔逊残差 (PR) 用于测量异常量度和每个维度项之间的关联。PR 遵循标准的正态分布，这允许算法比较两个随机变量的 PR（甚至是在偏差不可比较的情况下）。实际上，错误不是已知的，并可使用有限的样本校正进行预测。

    在前一示例表格 1 中，PR 以及国家/地区 i 和时间段 2 的有限样本校正都是给定的

    此处，

    （可获取用于时间段 1 的类似公式。）

    对于最后结果，每个维度项目的分数将由克莱姆 V 系数测量算得，并重新调整为一个介于 0 和 1 之间的数字，以便提供其贡献得分。

在此页面上