Predicted Incrementality by Experimentation (PIE) for Ad Measurement
基于实验预测广告增量效果：PIE 广告衡量方法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：摘要以随机实验识别广告增量效果，并研究将因果效果衡量推广到非实验活动。
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…
基于实验预测广告增量效果：PIE 广告衡量方法
- 研究问题
- 如何利用有限数量的随机广告实验，预测未开展实验的广告活动之增量效果，从而扩大因果效果衡量的覆盖范围？
- 方法与思路
- 作者将问题转化为广告活动层面的预测，用实验识别的效果训练模型，并纳入活动结束后计算的结果、曝光与归因指标。
- 材料陈述的贡献
- 摘要称，在所用 Meta 实验样本中，PIE 的样本外预测拟合度高于末次点击归因，且与实验决策分歧较少。
- 阅读关注点
- 应核对实验样本的代表性、训练与测试划分、事后特征的可获得性，以及向非实验活动推广时的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要中的预测表现不能保证新广告活动的因果效果已被识别。
原文摘要
Randomized controlled trials (RCTs) provide the most credible estimates of advertising incrementality but are difficult to scale. We propose Predicted Incrementality by Experimentation (PIE), which reframes ad measurement as a campaign-level prediction problem. PIE uses a sample of RCTs to learn a mapping from campaign features to causal effects, then applies it to campaigns not run as RCTs. Because the RCTs identify the causal effects, PIE can incorporate post-determined features -- campaign-level aggregates such as test-group outcomes, exposure rates, and last-click conversions, computed after campaign completion. These metrics reflect the consumer behaviors that generate treatment effects, so they carry predictive information about incrementality even though they would be invalid controls in a causal model. Using 2,226 Meta ad experiments, PIE achieves an out-of-sample $R^2 = 0.88$ for incremental conversions per dollar, compared to $R^2 = 0.19$ for industry-standard 7-day last-click attribution. In a decision-making framework, PIE disagrees with RCT-based decisions in only 8-12% of campaigns, compared to 12-20% for last-click attribution. We conclude that PIE can help scale causal measurement from a limited number of RCTs to a large set of non-experimental campaigns.