Contexte Métier
Un détaillant teste l'effet d'un prix 'Premium' vs 'Standard' sur les ventes. Cependant, pour certains segments de clients (très fidèles), la probabilité de recevoir l'offre Standard est quasi nulle, ce qui génère des poids IPW énormes (violation de l'hypothèse de positivité). Nous testons la méthode TMLE avec gestion des alertes de poids.
À propos du Set : causalanalysis
Analyse d'inférence causale et estimation d'effets.
Découvrir toutes les actions de causalanalysis Préparation des Données
Création d'un jeu de données où certains clients ont une probabilité de traitement < 0.01, entraînant des poids > 100.
Copié !
| 1 | |
| 2 | DATA casuser.pricing_edge; |
| 3 | call streaminit(777); |
| 4 | DO i = 1 to 200; |
| 5 | segment_fidelite = rand('Integer', 1, 10); |
| 6 | /* Fidelite 10 = quasi toujours Premium */ IF segment_fidelite = 10 THEN prob_premium = 0.995; |
| 7 | ELSE prob_premium = 0.5; |
| 8 | prob_standard = 1 - prob_premium; |
| 9 | IF rand('Uniform') < prob_premium THEN prix = 'Premium'; |
| 10 | ELSE prix = 'Standard'; |
| 11 | /* Ventes */ ventes = 100 + 10*segment_fidelite; |
| 12 | IF prix='Premium' THEN ventes = ventes + 20; |
| 13 | pred_y_prem = 100 + 10*segment_fidelite + 20; |
| 14 | pred_y_std = 100 + 10*segment_fidelite; |
| 15 | OUTPUT; |
| 16 | END; |
| 17 | |
| 18 | RUN; |
| 19 |
Étapes de réalisation
1
Exécution TMLE avec seuil de détection des poids (scaledIPWFlag) bas pour forcer l'avertissement.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | causalanalysis.caEffect / TABLE={name='pricing_edge'}, treatVar={name='prix'}, outcomeVar={name='ventes', type='CONTINUOUS'}, method='TMLE', scaledIPWFlag=5, /* Seuil bas pour dclencher l'alerte sur les poids > 5x la moyenne */ pom=[ {trtLev='Standard', trtProb='prob_standard', predOut='pred_y_std'}, {trtLev='Premium', trtProb='prob_premium', predOut='pred_y_prem'} ]; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit s'exécuter mais générer des avertissements dans le journal (Log) ou marquer les observations concernant les poids élevés (scaled weights), car les clients fidèles ont des poids inverses très grands pour le traitement 'Standard'. La méthode TMLE doit tenter de corriger le biais résiduel.