—关注作者，送A/B实验实战工具包
如果说正交与互斥是 AB 实验平台的“骨架”，那么独立同分布 (i.i.d.)就是流淌在其中的“血液”。
很多工程师和分析师在面试时能背出“T 检验要求正态分布”，但当被问到“什么是 i.i.d.？为什么它比正态性更重要？”时，往往一脸茫然。
在工业界实战中，90% 的“实验翻车”事故——比如 A 组策略明明无效却显示显著（假阳性），或者 A 组策略吸干了 B 组的流量（SUTVA 违背）——归根结底都是因为违背了独立同分布假设。
今天我们不掉书袋，用最直觉的逻辑把这个统计学天条掰开了、揉碎了讲清楚。
1. 什么是 i.i.d.？
独立同分布的全称是Independent and Identically Distributed。它包含两个独立的铁律：
- 独立性 (Independent)：
- 定义：一个样本的取值，不会影响另一个样本的取值。
- 人话：A 组用户吃肉，不能让 B 组用户连汤都喝不上。用户之间必须是“老死不相往来”的孤岛。
- 同分布 (Identically Distributed)：
- 定义：所有样本都来自同一个概率分布。
- 人话：A 组和 B 组的用户，必须是从同一个池子里舀出来的水。不能 A 组全是早高峰的上班族，B 组全是半夜的夜猫子。
2. 独立性 (Independent)：被忽视的“吸血鬼”
在互联网实验中，独立性最容易被网络效应 (Network Effect)破坏。学术界称之为SUTVA (Stable Unit Treatment Value Assumption)违背。
反例：网约车的“资源抢夺”
假设滴滴要在某城市测试一个“司机端高额补贴”策略。
- A 组司机：有补贴，接单积极性暴涨。
- B 组司机：无补贴，正常接单。
实验结果：
A 组接单率显著上升，B 组接单率显著下降。
计算出的 Lift = A - B，看起来巨大无比。
真相：
这是一个封闭的供需市场。订单总量是固定的。A 组司机因为抢单太猛，把本该属于 B 组司机的单子抢走了。
A 组的提升，是靠**“吸血”** B 组得来的，而不是策略真的创造了额外价值。这违背了独立性。
正例：如何修复？
对于这种双边市场（Marketplace）实验，不能按用户/司机 ID分流，而必须按时空分流。
- 时间片轮转：今天全城 A 策略，明天全城 B 策略（Switchback Experiment）。
- 地理隔离：北京跑 A 策略，上海跑 B 策略（虽然有城市差异，但保证了独立性）。
3. 同分布 (Identically Distributed)：隐形的“时间刺客”
同分布要求实验组和对照组的样本在统计属性上是一致的。这通常由随机化 (Randomization)来保证，但在工程实现上很容易出 Bug。
反例：哈希算法的“时序陷阱”
假设你写了一个简陋的分流服务：
- 前 50% 进入的用户→ \rightarrow→A 组。
- 后 50% 进入的用户→ \rightarrow→B 组。
业务场景：
这是一个早报类 App。
- A 组用户：全是早上 6:00 - 9:00 进来的“早起党”，特征是年龄大、留存高、点击率低。
- B 组用户：全是 9:00 以后进来的“摸鱼党”，特征是年轻、点击率高。
实验结果：
即使 A/B 两组没有任何策略差异，B 组的点击率也会显著高于 A 组。
原因：A 组和 B 组的样本不同分布。你对比的不是策略，而是两群不同的人。
正例：如何修复？
必须使用哈希取模（hash(uid) % 100）进行实时分流。
无论用户几点来，只要他的 UID 是固定的，他进 A 组的概率永远是 50%。这样 A 组和 B 组里都会均匀混杂“早起党”和“摸鱼党”，实现了同分布。
4. 为什么 i.i.d. 比正态性更重要？
回到那个经典的面试题。
- 正态性：即使原始数据不正态，只要样本量够大，中心极限定理 (CLT)会帮我们把均值分布“修正”为正态。我们有数学工具（T检验）来兜底。
- i.i.d.：如果数据不独立（如网约车吸血）或不同分布（如时间片偏差），没有任何数学工具能救你。
- 因为你的对照组 (Baseline)已经失效了。
- 你以为你在测策略，其实你在测运气，或者在测系统 Bug。
一句话总结：
正态性决定了你算 P 值准不准（战术问题），而i.i.d. 决定了你的实验成不成立（战略问题）。
如果这篇文章帮你理清了思路，不妨点个关注，我会持续分享 AB 实验干货文章。
