4. 促销影响量化进阶

在基础量化阶段，我们通常使用“促销前 vs 促销后”或“促销组 vs 非促销组”的简单对比来估算增量。然而，这种朴素对比极易受到时间趋势、自选择偏差和混淆因素的干扰。本章引入两种经典的准实验因果推断方法——双重差分法（DID）和倾向得分匹配（PSM），从混杂中剥离出促销的真实增量效应。

4.1 为什么需要因果推断？——增量剥离的三大挑战

促销增量效果剥离的核心困难在于：我们永远无法同时观测到同一组商品在“促销”和“不促销”两种状态下的销量。缺失的反事实结果必须通过合理的对照组来估计。以下三种偏差会严重污染朴素对比的结果：

偏差类型	描述	示例
时间趋势偏差	促销期间销量上升可能源于季节性、节假日或市场整体增长，而非促销本身。	618大促期间所有品类销量自然上涨，不能全归因于某品牌单独促销。
自选择偏差	促销活动往往由商家主动选择特定商品或时段执行，导致促销组本身就有更高销售潜力。	畅销品更常被选入促销活动，其高销量可能来自产品力而非促销刺激。
混淆因素干扰	促销期间可能伴随广告投放、陈列调整、竞品动作等同时发生，难以分离单一促销效果。	促销与线上广告同时进行，销量增量是两者叠加的结果。

4.2 双重差分法（DID）：控制时间趋势与组间固定差异

DID 通过比较处理组和对照组在促销前后的变化量之差来估计因果效应。其基本逻辑是：即使两组在促销前存在系统性差异，只要这些差异在时间上是固定的，并且两组在无促销情况下遵循平行趋势，那么促销后的差异变化就是处理效应。

4.2.1 DID 模型设定

标准 DID 回归模型如下：

Y_it = β₀ + β₁·Treat_i + β₂·Post_t + β₃·(Treat_i × Post_t) + ε_it

• Y_it：商品 i 在时间 t 的销量（或销售额、转化率等目标指标）。
• Treat_i：分组虚拟变量，1 表示促销处理组，0 表示对照组。
• Post_t：时间虚拟变量，1 表示促销后时期，0 表示促销前时期。
• β₃：交互项系数，即 DID 估计量，代表促销的平均处理效应（ATT）。

4.2.2 DID 增量剥离流程

1. 定义处理组与对照组：处理组为实际执行促销的商品/门店/用户；对照组为未促销但业务属性相似的对象。
2. 确定时间窗口：选取促销前 T₁ 期和促销后 T₂ 期，确保窗口内无其他重大干扰事件。
3. 平行趋势检验：绘制趋势图或进行统计检验，确认促销前两组趋势一致。
4. 执行 DID 回归：使用面板数据估计模型，获取 β₃ 系数及其置信区间。
5. 解读增量效果：β₃ 即为剥离时间趋势和组间固定差异后的促销净增量。

4.3 倾向得分匹配（PSM）：消除自选择偏差

当促销处理不是随机分配时，处理组和对照组在可观测特征上往往存在系统性差异。PSM 通过估计每个样本接受促销处理的倾向得分，然后为处理组匹配得分相近的对照组样本，从而在可观测特征上实现两组平衡，模拟随机实验。

4.3.1 PSM 实施步骤

步骤	操作	关键要点
1. 选择协变量	选取同时影响促销分配和结果变量的特征，如历史销量、价格弹性、品类、库存天数、竞品活动等。	避免使用受促销影响的“后处理变量”；协变量应来自促销前时期。
2. 估计倾向得分	使用 Logit 或 Probit 模型，以促销处理为因变量，协变量为自变量，预测每个样本的促销概率。	模型判别力不宜过高（C-statistic < 0.8），否则可能遗漏重要未观测因素。
3. 匹配处理组与对照组	常用方法：最近邻匹配（1:1 或 1:k）、卡尺匹配、核匹配、马氏距离匹配。	卡尺通常设为倾向得分标准差的 0.2 倍；需检验匹配后标准化均值差异 < 0.1。
4. 平衡性检验	比较匹配前后两组协变量的均值差异、标准化偏差、方差比。	若匹配后仍有显著差异，需调整协变量集合或匹配方法。
5. 计算处理效应	对匹配后的样本计算处理组与对照组的平均结果差异（ATT）。	可结合 DID 形成 PSM-DID 双重稳健估计。

4.3.2 PSM 匹配效果可视化

4.4 PSM-DID 联合框架：双重稳健估计

PSM 和 DID 各有侧重：PSM 处理可观测特征的自选择偏差，DID 处理不可观测的固定混杂因素和时间趋势。将两者结合形成 PSM-DID 框架，可以在更弱的假设下得到稳健的促销增量估计。

4.4.1 联合框架流程

1. PSM 匹配阶段：基于促销前协变量，为每个促销商品匹配倾向得分最接近的非促销商品。
2. DID 估计阶段：对匹配后的样本构建面板数据，执行 DID 回归，估计促销处理效应。
3. 稳健性检验：更换匹配方法（如卡尺匹配、核匹配）、改变时间窗口、进行安慰剂检验（将促销时间前移或随机分配处理组）。

4.5 案例：某快消品牌“买一送一”促销增量剥离

背景：某快消品牌在 2024 年 3 月对华东区 200 家门店执行“买一送一”促销，持续 2 周。需要剥离促销带来的真实销量增量，排除春季自然增长和门店自身差异的影响。

实施过程：

步骤	操作细节	结果
1. 定义处理组	200 家执行促销的门店（处理组）	处理组门店平均日销 120 件
2. 构建对照组	从全国其他未促销门店中，使用 PSM 匹配 200 家门店（协变量：门店等级、历史日均销量、客流量、品类占比、促销频率）	匹配后两组协变量标准化差异均 < 0.08
3. 平行趋势检验	检验促销前 8 周两组销量趋势	促销前交互项系数 p > 0.3，平行趋势成立
4. DID 估计	使用匹配后 400 家门店 12 周面板数据（前 8 周 + 促销 2 周 + 后 2 周）	β₃ = 45.3 件/天（p < 0.01），95% CI [38.1, 52.5]
5. 增量解读	促销期间处理组平均日销 185 件，对照组 139.7 件，DID 增量 45.3 件	朴素对比增量（185-120=65 件）高估了 43.5%

4.6 方法对比与选择指南

方法	核心假设	优势	局限	适用场景
朴素对比	无时间趋势、无选择偏差	简单快速	偏差极大	仅用于初步探索
DID	平行趋势、无交互效应	控制固定混杂和时间趋势	需面板数据、平行趋势假设强	有促销前后面板数据
PSM	可观测特征充分、共同支撑	消除自选择偏差	无法处理未观测混杂	促销分配依赖可观测特征
PSM-DID	匹配后平行趋势	双重稳健、假设更弱	需大样本、计算复杂度高	工程落地首选
合成控制法	对照组可由加权组合近似	透明、可视化好	仅适用于单个处理单元	单品牌/单区域促销