留出观测结果（训练组和测试组划分）

Meridian 模型规范包含一个 holdout_id 实参（维度为 \(G \times T\)的布尔值数组），可用于指定留出样本。在模型训练（例如 MCMC 后验抽样）期间，留出观测结果的 KPI 数据会被忽略，它们不会影响模型的似然或后验密度。留出观测结果的媒体数据仍将用于模型训练，因为它们会影响后续时间段的 Adstock 媒体值。

留出样本的主要用途是计算样本外的拟合优度指标，例如 R 平方。这对于比较不同的模型规格（如先验分布强度）非常有用，前提是所比较的每个模型都使用相同的留出样本。尽管样本外模型拟合度最好的模型不一定是因果推理的最佳模型，但一般来说，拟合度较高的模型更受青睐。导致模型拟合不佳的模型误设也可能会导致因果推理出现偏差。

我们建议使用在各个地理位置和时间段均相当平衡的留出样本。换句话说，使用这样一个留出样本：对于每个地理位置和每个时间段，都具有大致相同的留出观测结果数量。如果留出样本失衡，就会导致训练观测结果过少，无法估计某些地理位置的地理位置效应\(\tau_g\) ，或某些时间段的时间效应 \(\mu_t\) 。默认情况下，Meridian 不会指定留出样本。您必须指定留出样本，并确保该样本具有合理的平衡度。

避免留出时间上连续的大块数据（例如在 MMM 时间窗口结束时）来评估 KPI 的预测误差。Meridian 并非旨在预测 KPI，尤其是在 KPI 带有很强的趋势性和季节性的情况下。相反，Meridian 会估计因果媒体影响，并使用基于结的方法将趋势和季节性变化纳入模型。基于结的方法需要结附近的数据才能有效估计结。如果留出时间上连续的大块数据，则在留出的时间段内，结附近将没有数据。在这种情况下，结的后验分布会受到先验的影响，从而导致预测结果不佳。

此外，Meridian 还可用于估计历史媒体和未来媒体的影响力，因为它假定决定媒体影响力的模型形参在不同时期是一致的。