הנחות נדרשות

באופן כללי, אין מושג של תוצאות פוטנציאליות ברגרסיה, כי מודלים של רגרסיה מעריכים ציפיות מותנות של משתנה תגובה. עם זאת, בהתאם להנחות המרכזיות של החלפה מותנית ועקביות:

הנחות עיקריות

• החלפה מותנית:

  הערך של\( \overset \sim Y_{g,t}^{(\{ x_{g,t,m}^{(\ast)} \})} \)הוא בלתי תלוי במשתנים האקראיים\(\bigl\{ X_{g,t,m}^{(\ast)} \bigr\}\) בכל תרחיש נגד-עובדתי\(\bigl\{ x_{g,t,m}^{(\ast)} \bigr\}\). לכן, קבוצת התוצאות האפשריות היא עצמאית באופן מותנה מההחלטה ההיסטורית של המפרסם לגבי ביצוע הקמפיינים.

• עקביות:

  \( \overset \sim Y_{g,t} = \overset \sim Y_{g,t}^{ (\{ x_{g,t,m}^{(\ast)} \}) } \) when \(\bigl\{ X_{g,t,m}^{(\ast)} \bigr\} = \bigl\{ x_{g,t,m}^{(\ast)} \bigr\}\). כלומר, מימוש מדדי ה-KPI שנצפה בתרחיש הנגדי שתואם לביצועים ההיסטוריים של המפרסם במדיה.

בהנחות האלה, התוצאה היא זו שצוינה קודם:

ההנחה לגבי עקביות היא אינטואיטיבית למדי, והיא תקפה אלא אם התרחיש החלופי מוגדר בצורה לא טובה או לא מיוצג במדויק בנתונים. מידע נוסף זמין במאמר Hernan MA, Robins JM, (2020) Causal Inference: What If.

ההנחה של החלפה מותנית היא קצת פחות אינטואיטיבית. ההנחה הזו תקפה אם כל המשתנים המבלבלים נמדדים ונכללים במערך הבקרה \(\{z_{g,t,c}\}\). משתני מבלבלים הם כל דבר שיש לו השפעה סיבנית גם על הטיפול שנצפה \(\{x_{g,t,m}\}\) וגם על התוצאה\(\{\overset \sim y_{g,t}\}\). השפעה סיבתית על הטיפול יכולה להיות השפעה של רמת התקציב הכוללת של המפרסם, ההקצאה בין הערוצים, ההקצאה בין המיקומים הגיאוגרפיים או ההקצאה בין תקופות הזמן. בפועל, קשה לדעת אם כל המשתנים המבלבלים נמדדים, כי מדובר בהנחה בלבד, ואין בדיקה סטטיסטית שאפשר להשתמש בה כדי לקבוע זאת על סמך הנתונים. עם זאת, כדאי לדעת שההנחה של החלפה מותנית תקפה אם נניח תרשים סיבתי שעומד בתנאי שנקרא קריטריון הצד האחורי (Pearl, J., 2009). למידע נוסף, ראו תרשים סיבתי.