Únete a la comunidad recientemente lanzada de
Discord para participar en debates en tiempo real, obtener asistencia de otros miembros y comunicarte directamente con el equipo de Meridian.
Justificación de la inferencia causal y el modelado bayesiano
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
El motivo para adoptar una perspectiva de inferencia causal es claro y convincente. Todas las cantidades estimadas por el MMM implican causalidad. El ROI, las curvas de respuesta y el análisis de presupuestos óptimos se relacionan con la forma en que la inversión de marketing afecta a los KPI, ya que consideran lo que habría sucedido si la inversión de marketing hubiera sido diferente. La perspectiva de diseño de Meridian es que no hay otra alternativa más que usar la metodología de inferencia causal.
Meridian es un modelo de regresión. El hecho de que los efectos del marketing se puedan interpretar como causales se debe a las variables definidas que se desea estimar y a las suposiciones realizadas (como el DAG causal). Si bien es posible que estas suposiciones no se apliquen a todos los anunciantes, se divulgan de forma transparente para que cada uno decida.
Si bien el modelado bayesiano no es necesario para la inferencia causal, Meridian adopta tal enfoque porque ofrece las siguientes ventajas:
- Las distribuciones a priori de un modelo bayesiano ofrecen una forma intuitiva de regularizar el ajuste de cada parámetro según el conocimiento previo y la intensidad de regularización seleccionada. La regularización es necesaria en el MMM porque la cantidad de variables es grande, las correlaciones suelen ser altas y los efectos de los medios (con Adstock y la disminución de los retornos) son complejos.
- Meridian ofrece la opción de reparametrizar el modelo de regresión en lo que respecta al ROI, lo que permite usar cualquier distribución a priori del ROI personalizada. Cualquier conocimiento disponible, incluidos los resultados del experimento, se puede utilizar para establecer distribuciones a priori que regularicen el proceso hacia resultados en los que confíes, con la intensidad que consideres adecuada.
- Las transformaciones de variables de medios (Adstock y disminución de los retornos) no son lineales, por lo que los parámetros de estas transformaciones no se pueden estimar con las técnicas lineales de los modelos de combinación. Meridian usa técnicas de muestreo de MCMC de vanguardia para resolver este problema.
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-08-04 (UTC)
[null,null,["Última actualización: 2025-08-04 (UTC)"],[[["\u003cp\u003eMeridian adopts a causal inference perspective to measure the true impact of marketing spending on key performance indicators (KPIs) such as ROI, response curves, and optimal budget allocation.\u003c/p\u003e\n"],["\u003cp\u003eBuilt as a Bayesian regression model, Meridian leverages causal assumptions and transparently discloses them, allowing advertisers to assess their applicability.\u003c/p\u003e\n"],["\u003cp\u003eThe Bayesian approach in Meridian provides robust regularization, incorporates prior knowledge about ROI, and effectively handles non-linear media effects through advanced sampling techniques.\u003c/p\u003e\n"]]],["Meridian uses causal inference methodology because MMM estimates imply causality, analyzing how marketing spend affects KPIs. This regression model defines estimands and makes assumptions, which are disclosed for transparency. It employs a Bayesian approach for regularization via prior distributions, reparameterization using ROI priors, and handling nonlinear media variable transformations like adstock and diminishing returns through MCMC sampling techniques. These techniques are needed due to high variable counts and complex media effects.\n"],null,["# Rationale for causal inference and Bayesian modeling\n\nThe reason for taking a causal inference perspective is straightforward and\ncompelling. All of the quantities that MMM estimates imply causality. ROI,\nresponse curves, and optimal budget analysis pertain to how marketing spending\naffects KPIs, by considering what would have happened if the marketing spend had\nbeen different. The Meridian design perspective is that there is no alternative\nbut to use causal inference methodology.\n\nMeridian is a regression model. The fact that marketing effects can be\ninterpreted as causal is owed to the estimands defined and the assumptions made\n(such as the causal DAG). Although these assumptions might not hold for every\nadvertiser, the assumptions are transparently disclosed for each advertiser to\ndecide.\n\nAlthough Bayesian modeling is not necessary for causal inference,\nMeridian takes a Bayesian approach because it offers the following\nadvantages:\n\n1. The prior distributions of a Bayesian model offer an intuitive way to regularize the fit of each parameter according to prior knowledge and the selected regularization strength. Regularization is necessary in MMM because the number of variables is large, the correlations are often high, and the media effects (with adstock and diminishing returns) are complex.\n2. Meridian offers the option to reparameterize the regression model in terms of ROI, allowing the use of any custom ROI prior. Any and all available knowledge, including experiment results, can be used to set priors that regularize towards results you believe in with the strength you believe is appropriate.\n3. Media variable transformations (adstock and diminishing returns) are nonlinear, and the parameters of these transformations cannot be estimated by linear mixed model techniques. Meridian uses state-of-the-art [MCMC sampling\n techniques](/meridian/docs/basics/bayesian-inference#mcmc-convergence) to solve this problem."]]
