根据可交换性和一致性假设,任何潜在结果的条件期望 \(\overset \sim Y_{g,t}^{
\left(\left\{ x_{g,t,i}^{(\ast)} \right\}\right) }\) 都可以写成可通过回归模型估计的条件期望;其中\(x_{g,t,i}^{(\ast)}\) 代表一组可干预的处理变量,包括媒体、自然媒体和非媒体处理。为了便于演示,我们假设此处的付费和自然媒体渠道是基于展示次数的,尽管下面的等式也适用于基于覆盖面和频次的渠道。
根据输入数据中的定义,此条件期望可以写成:
$$
\begin{align*}
\overset \sim Y_{g,t} &= u_{g,t}^{[Y]} \overset {\cdot \cdot} Y_{g,t} \\
&= u_{g,t}^{[Y]}L_{g,t}^{[Y]-1}(Y_{g,t})
\end{align*}
$$
Meridian 还利用了以下事实:建模前的 KPI 转换函数 \(L_{g,t}^{[Y]}(\cdot)\) 是线性函数,因此可以在条件期望运算符之外传递。这会得出以下等式,其结果是一个可以通过回归模型(例如 Meridian 模型)估计的量值:
$$
\begin{align*}
E\left(\overset \sim Y_{g,t}^{(\left\{ x_{g,t,i}^{(\ast)} \right\})} \Big|
\bigl\{ z_{g,t,i} \bigr\} \right)
&= E\left( \overset \sim Y_{g,t} \Big|
\bigl\{x_{g,t,i}^{(\ast)}\bigr\}, \bigl\{z_{g,t,i}\bigr\} \right) \\
&= E\left( u_{g,t}^{[Y]}L_{g,t}^{[Y]-1}(Y_{g,t}) \Big|
\bigl\{ x_{g,t,i}^{(\ast)} \bigr\}, \bigl\{z_{g,t,i}\bigr\} \right) \\
&= u_{g,t}^{[Y]}L_{g,t}^{[Y]-1} E\left( Y_{g,t} \Big|
\bigl\{ x_{g,t,i}^{(\ast)} \bigr\}, \bigl\{z_{g,t,i}\bigr\} \right)
\end{align*}
$$
根据以上等式,可以使用回归模型来估计任意两个反事实情景( \(\left\{ x_{g,t,i}^{(1)} \right\}\)和 \(\left\{ x_{g,t,i}^{(0)} \right\}\))之间的增量效果:
$$
\begin{align*}
\text{IncrementalOutcome} \left( \bigl\{ x_{g,t,i}^{(1)} \bigr\},
\bigl\{ x_{g,t,i}^{(0)} \bigr\} \right)
&= E\left( \sum\limits_{g,t}\left( \overset \sim Y_{g,t}^{
\left( \left\{ x_{g,t,i}^{(1)} \right\} \right)
} - \overset \sim Y_{g,t}^{
\left( \left\{ x_{g,t,i}^{(0)} \right\} \right)
} \right) \Bigg| \bigl\{ z_{g,t,i} \bigr\} \right) \\
&= \sum\limits_{g,t}u_{g,t}^{[Y]}L_g^{[Y]-1}
\left( E\left( Y_{g,t} \Big| \bigl\{ x_{g,t,i}^{(1)} \bigr\},
\bigl\{ z_{g,t,i} \bigr\} \right)\right) -
\sum\limits_{g,t}u_{g,t}^{[Y]}L_{g,t}^{[Y]-1}
\left( E\left( Y_{g,t} \Big| \bigl\{ x_{g,t,i}^{(0)} \bigr\},
\bigl\{ z_{g,t,c} \bigr\}
\right) \right)
\end{align*}
$$
根据 Meridian 模型规范,等式为:
$$
\begin{align*}
E\left( Y_{g,t} \Big|
\bigl\{ x_{g,t,i}^{(\ast)} \bigr\}, \bigl\{ z_{g,t,i} \bigr\} \right) =
\mu_t &+ \tau_g + \sum\limits_{i=1}^{N_C} \gamma^{[C]}_{g,i}z_{g,t,i} \\
&+ \sum\limits_{i=1}^{N_N} \gamma^{[N]}_{g,i}x^{[N] (\ast)}_{g,t,i} \\
&+ \sum\limits_{i=1}^{N_M} \beta^{[M]}_{g,i} \text{HillAdstock} \left(
\bigl\{ x^{[M] (\ast)}_{g,t-s,i} \bigr\}^L_{s=0};\ \alpha^{[M]}_i, ec^{[M]}_i, \text{slope}^{[M]}_i
\right) \\
&+ \sum\limits_{i=1}^{N_{OM}} \beta^{[OM]}_{g,i} \text{HillAdstock} \left(
\bigl\{ x^{[OM] (\ast)}_{g,t-s,i} \bigr\}^L_{s=0};\ \alpha^{[OM]}_i, ec^{[OM]}_i, \text{slope}^{[OM]}_i
\right)
\end{align*}
$$
得出的量值是模型参数的函数,因此具有后验分布,Meridian 可以使用马尔可夫链蒙特卡洛 (MCMC) 从中进行抽样。投资回报率、边际投资回报率和响应曲线都可以根据增量效果定义进行计算,并且这三个量值都具有各自的后验分布。