CUPED

CUPED

原理：CUPED（Controlled-experiment Using Pre-Experiment Data）
前提假设：$E(X^t)-E(X^c)=0$，即X不会被实验干扰
应用场景：方差缩减，小样本量实验。分层变量和连续变量都可以
无法使用场景：会影响用户结构的实验，如会拉活实验、影响用户启动的实验，因为用户结构改变后，他们的pre-experiment指标不再是无偏的。因为CUPED的核心假设是$E(X^t)-E(X^c)=0$，一旦用户结构发生变化这个假设自然不再成立
CUPED p-value计算：公式一样，方差变成缩减后的方差

方差分析

原理：总平方和=组间(处理间)平方和+组内平方和=SST+SSE，
$M{S}_{处理}=S{S}_{处理}/(a-1)；M{S}_E=S{S}_E/(N-a)$，
$E(M{S}_{处理})={\sigma }^2+n\ast \sum {{\tau }_i}^2/(a-1)；E(M{S}_E)={\sigma }^2$，因此，$E(M{S}_E)$是${\sigma }^2$的无偏估计，如果原假设为真，则$E(M{S}_{处理})$也是${\sigma }^2$的无偏估计；如果原假设不真，则检验统计量F值的分子大于分母，这意味着是一个上尾部的单尾拒绝域。
前提假设：

1. 方差的同质性（homogeneity of variance）。可以理解为每组样本背后的总体（也叫族群）都有相同的方差；
2. 族群遵循正态分布（残差正态概率图），固定效应方差分析轻度偏离正态性，F检验只受轻微影响；
3. 每一次抽样都是独立的。在我们的例子中，每一个病人只能提供一个数据。对于一些实验一个样本需要提供多个数据，有其他相应的ANOVA分析方法。
   应用场景：检验若干个均值是否相等（单因子实验结果对比）
   样本量计算：