在CausalImpact中使用自定义bsts模型：对照组的模型定位疑问

嘿，我来给你把这个问题掰扯明白——当你在CausalImpact里用自定义bsts模型时，对照组的定位其实非常清晰：它们是用来预测测试组目标指标（也就是你的sessions）的预测变量。核心逻辑是先构建一个「反事实模型」：用干预前的测试组数据（因变量）+同期对照组数据（自变量）训练模型，以此预测「如果没有干预，测试组的sessions会是什么走势」，再和实际干预后的sessions对比得到因果影响。

假设你的时间序列数据是这样的：

• 测试组：y（要分析的sessions，作为因变量）
• 对照组：x1、x2（比如其他类似渠道的sessions，作为自变量）
• 明确划分了干预前和干预后阶段

1. 先构建自定义bsts模型 #

# 加载依赖包
library(bsts)
library(CausalImpact)

# 假设df是你的时间序列数据集，包含y、x1、x2和时间索引
# 定义干预前/后时间段（示例：前100个时间点是干预前，后50个是干预后）
pre_period <- c(1, 100)
post_period <- c(101, 150)

# 核心公式：用对照组x1、x2来预测测试组y
model_formula <- y ~ x1 + x2

# 训练bsts模型（仅用干预前的数据）
bsts_model <- bsts(
  formula = model_formula,
  data = df[pre_period[1]:pre_period[2], ],
  niter = 1000, # 迭代次数可根据数据规模调整
  # 可选：加入时间趋势项，让模型捕捉整体增长/下降规律
  state.specification = AddLocalLinearTrend(list(), df$y[pre_period[1]:pre_period[2]]),
  expected.model.size = 2 # 可选：控制变量选择的稀疏性，避免过拟合
)

2. 将自定义模型传入CausalImpact #

# 创建CausalImpact分析对象
impact <- CausalImpact(
  data = df,
  pre.period = pre_period,
  post.period = post_period,
  model = bsts_model # 这里直接传入我们自定义的bsts模型
)

# 查看分析结果
summary(impact)
plot(impact) # 可视化反事实预测与实际值的差异

• 对照组的核心作用：帮模型学习测试组的波动规律。比如如果对照组是和测试组高度相关的渠道，模型会掌握「当对照组x1上涨时，测试组y通常也会上涨」的关联，从而在干预后精准预测出无干预情况下的y走势。
• 模型可扩展性：你可以根据业务场景调整bsts的参数，比如加入季节项（AddSeasonal）处理周期性波动，或者自相关项（AddAutoAr）捕捉序列自身的相关性，只要公式里保留对照组变量即可。
• 数据对齐：必须保证对照组和测试组的时间序列严格对齐，每个时间点都有对应的y、x1、x2值，否则模型会报错。

假设你要衡量某营销活动对官网测试组sessions的影响，对照组选同公司的APP sessions、社交媒体引流sessions。你的bsts模型就会用APP和社交媒体的sessions来预测官网sessions——干预前模型学会三者的关联，干预后用APP和社交媒体的实际数据，预测出官网「本该有的」sessions，再和实际sessions对比，就能算出营销活动带来的增量。

内容的提问来源于stack exchange，提问作者Alex