Kausalität zu einer einzelnen quasi-unabhängigen Variablen

Question

Entschuldigung, wenn dies nicht der richtige Ort zu fragen ist - ich bin mir nicht sicher, ob dies am besten zu Statistiken oder Datenwissenschaften passt.

Ich verwende Analytics, um Marketingfachleuten zu helfen, Attribute ihrer Benutzer zu identifizieren, die erfolgreichen Conversions entsprechen (z. B. jemand, der ein Produkt kauft, sich für einen Newsletter anmeldet oder einen Service abonniert). Attribute können Dinge wie auf welcher Seite sein, von denen sie stammten (Referrer), ihre Lage, Zeit/Tag der Woche, Gerätetyp, Browser usw.

Was ich gerne sagen möchte (obwohl ich nicht sicher bin, ob es möglich ist), besteht darin, Unterschiede in der Conversion-Rate auf ein individuelles Attribut zu isolieren, so etwas wie '11% deiner Benutzer von Facebook, während nur 3% der Nicht-Angesichts-Benutzer verwendet werden Konvertiert ', was bedeuten würde, dass das Attribut "Referrer" und die Ebene des Attributs "Facebook" für das Fahren von Conversions verantwortlich sind.

Ist es vielleicht überhaupt möglich, den Effekt auf eine Variable und eine Ebene dieser Variablen zu isolieren, da ich vielleicht 100S von quasi-unabhängigen Variablen habe? Im Gegensatz zu einer Kombination von ihnen, die eher den Unterschied antreibt? Wenn ja, welche Technik oder konzeptionelles Paradigma benutze ich, um zu ermitteln, welche variablen Ebene für den größten Auftrieb in meiner abhängigen Variablen, Conversion-Rate, verantwortlich ist?

Answer 1

Ich würde Ihnen vorschlagen, beide direkt in Betracht zu ziehen Dimensionsreduzierung sich nähern. Prüfen Meine relevante Antwort auf dieser Seite. Eine weitere gültige Option ist die Verwendung Latente variable Modellierung, zum Beispiel, Modellierung von Strukturgleichungen. Sie können mit relevanten Artikeln zu Wikipedia beginnen (Dies und Dies, entsprechend) und dann, nach Bedarf, spezialisiertere oder praktischere Artikel, Papiere und Bücher lesen.