Media Measurement and the Assisted Own Goal: Attribution, Marketing-Mix Models, and Individual-Level Incrementality
媒体效果衡量与“助攻乌龙”：归因、营销组合模型及个体增量效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以受众随机实验和意向处理对比识别广告增量效果。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
媒体效果衡量与“助攻乌龙”：归因、营销组合模型及个体增量效应
- 研究问题
- 当广告平台创造需求而消费者在其他渠道购买时，如何衡量原平台的增量贡献，并为受众层面的预算决策提供更细粒度证据？
- 方法与思路
- 作者结合受众层面的随机分配与个体层面的 PIE 扩展，使用覆盖各渠道的结果计算意向处理对比，再学习特征到增量结果的映射。
- 材料陈述的贡献
- 摘要称，完整渠道结果上的随机实验对比可避免跨平台购买造成的归因遗漏，并支持从受众实验向个体增量预测扩展。
- 阅读关注点
- 应核对随机化单位、跨渠道结果覆盖、实验对比的无偏性条件，以及个体特征映射如何训练、验证并用于预算决策。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未说明干扰、渠道漏测与个体效应识别条件，其无偏性主张仍需核对。
原文摘要
We use the assisted own goal hypothesis as a lens into media measurement. A demand-generating (upper-funnel) advertising platform such as a short-video social network can cause an incremental purchase, yet see that purchase booked on -- and credited to -- a downstream trusted marketplace, because consumers who discover a product on the platform complete the transaction elsewhere, for example because of distrust of the generating platform as a psychological mechanism. Under attribution-based return-on-ad-spend (ROAS) measurement, the diverted conversions are invisible to the originating platform. Marketing-mix models (MMMs) do not know which channel to credit with the outcome, and channel-by-week aggregation denies the audience-level granularity that budget decisions require. We develop an incrementality-based measurement model with two ingredients: ambient audience-level randomization -- each activated audience carries its own intent-to-treat (ITT) experiment -- and an individual-level extension of Predicted Incrementality by Experimentation (PIE), which learns a mapping from individual features to experiment-identified incremental outcomes. Because ITT contrasts are computed on channel-complete outcomes, the estimator is unbiased and the own goal disappears