EOM公式推导

在uplift建模中，除了AUUC、QINI指标，还有EOM。它是基于离线RCT模拟评估在线业务收益的指标，EOM越高，业务收益越高。

记录下EOM的公式推导这个推导依赖于概率论中的两个核心概念：

1. 全期望定律 (Law of Total Expectation)
2. 随机实验中的独立性 (Independence in Randomized Experiments)

目标： 证明 $\text{E}[Z]=\text{E}[Y|T=h(\mathbf{X})]$

其中，随机变量 $Z$ 的定义为：
Z = ∑ t = 0 K 1 p t Y I { h ( X ) = t } I { T = t } Z = \sum_{t=0}^{K} \frac{1}{p_t} Y \mathbb{I}\{h(\mathbf{X}) = t\} \mathbb{I}\{T = t\} Z=t=0∑K​pt​1​YI{ h(X)=t}I{ T=t}
这里 $p_t=P(T=t)$ 是用户被分配到干预 $t$ 的概率。

第一步：代入 $Z$ 的定义并利用期望的线性性

期望 $\text{E}[\cdot ]$ 具有线性性，因此我们可以将期望 $\text{E}[Z]$ 拆分成和式的期望：
E [ Z ] = E [ ∑ t = 0 K 1 p t Y I { h ( X ) = t } I { T = t } ] \text{E}[Z] = \text{E}\left[\sum_{t=0}^{K} \frac{1}{p_t} Y \mathbb{I}\{h(\mathbf{X}) = t\} \mathbb{I}\{T = t\}\right] E[Z]=E[t=0∑K​pt​1​YI{ h(X)=t}I{ T=t}]

将求和 $\sum$ 和常量 1 p t \frac{1}{p_t}