数据分析必须警惕的坑：辛普森悖论
辛普森悖论与生态学谬误-概述说明以及解释
辛普森悖论与生态学谬误-概述说明以及解释1.引言1.1 概述辛普森悖论与生态学谬误是两个在不同领域中都有重要影响的概念。
辛普森悖论是描述个体数量与物种数量之间的关系的现象，而生态学谬误则是指在生态学研究中容易出现的逻辑错误。
本文将分别介绍这两个概念，并探讨它们在生态学研究中的影响和危害。
通过对这两个概念的深入探讨，我们希望能够更好地理解生态系统的复杂性，避免犯同样的错误，并提出预防和纠正的建议。
1.2 文章结构文章结构部分将在以下方面展开探讨:1. 引言- 在引言中，将对辛普森悖论和生态学谬误进行简要介绍，概述文章的主题和目的。
2. 辛普森悖论- 这一部分将详细解释辛普森悖论的定义、相关例子以及对于生态学和生物多样性研究的影响。
3. 生态学谬误- 探讨生态学中常见的谬误，包括其解释、危害和如何预防和纠正这些错误。
4. 结论- 总结全文的主要内容，对辛普森悖论和生态学谬误进行反思和展望，指出未来需要进一步研究和改进的方向。
通过对这些部分的深入分析和论述，希望读者能够更全面地了解辛普森悖论和生态学谬误的重要性和影响，以及如何在实践中避免和纠正这些错误。
1.3 目的本文旨在探讨辛普森悖论与生态学谬误在生态学研究中的重要性及影响。
通过深入分析辛普森悖论的定义、例子和影响，我们可以更好地理解物种多样性与物种丰富度之间的微妙关系，从而为生态系统的保护和可持续发展提供理论依据。
同时，我们也将探讨生态学谬误在研究和应用中的意义。
通过对生态学谬误的解释、危害和预防与纠正措施的讨论，我们可以更好地避免在生态实践中常见的误区和错误，提高生态学研究的准确性和可信度。
通过本文的讨论，希望能够引起更多人对生态学中经典悖论和谬误的关注，促进生态学领域的进步和发展，推动生态环境的保护与可持续利用。
2.辛普森悖论2.1 定义辛普森悖论是由英国生态学家辛普森在20世纪50年代提出的一个悖论。
该悖论指出，在生态系统中，种类的多样性和丰富度并不总是与面积的增加成正比。
公共管理中的辛普森悖论
公共管理中的辛普森悖论 公共管理，听起来是不是有点高大上？但你知道吗，这里面藏着一个叫“辛普森悖论”的家伙，时不时就会跳出来捣乱。
啥是辛普森悖论？咱们打个比方，就说一个城市有两个区，A 区和 B 区。A 区的医院，治疗轻症患者的治愈率高，治疗重症患者的治愈率也高。B 区呢，同样是轻症治愈率高，重症治愈率也高。可要是把两个区的数据合起来一看，奇怪了，居然变成了轻症治愈率低，重症治愈率也低！这是不是让人摸不着头脑？
这就好比你去买水果，在甲摊位买苹果又大又甜，买香蕉也新鲜可口；在乙摊位同样如此。但把在两个摊位买的水果混到一起，却发现质量都不行了。你说怪不怪？
在公共管理中，辛普森悖论经常神不知鬼不觉地出现。比如说教育资源的分配，某个地区的学校，A 校给成绩好的学生提供的资源丰富，给成绩差的学生提供的资源也不错；B 校也是这样。但从整个地区来看，似乎不管成绩好坏，得到的资源都不咋地。
再比如公共交通的规划，有的线路人多的时候运力足，人少的时候也能保证基本服务；有的线路也是如此。但综合起来一看，怎么好像啥时候大家都觉得坐车不方便呢？ 这辛普森悖论就像个调皮的小鬼，让我们的管理决策一不小心就掉进坑里。那咋对付它呢？首先得睁大双眼，别被表面的数据给迷惑了。就像看魔术表演，不能只看表面的精彩，得看出背后的门道。
要仔细分析数据的来源和构成，不能眉毛胡子一把抓。好比做饭，得把各种食材分得清清楚楚，知道哪个是盐，哪个是糖，不然这菜可就做砸了。
还得从多个角度去看问题，不能一条道走到黑。就像走路，不能只盯着前面，时不时也得瞅瞅两边，说不定有更好的风景和出路。
总之，公共管理中的辛普森悖论可不能小瞧，咱们得时刻保持警惕，用智慧和细心把它给揪出来，让公共管理更加科学合理，让大家都能享受到更好的公共服务。不然，被这小鬼一直捣乱，咱们的公共管理不就乱套了嘛！
辛普森悖论及其应用思考
辛普森悖论及其应用思考【摘要】探讨现实中的辛普森现象，利用辛普森悖论来解释现实生活中的例子，探讨例子发生矛盾的原因，加深对辛普森现象的理解，进而对现实分析的情况进行深入思考并提供作出正确判断的理论依据。
【关键词】辛普森悖论分层抽样统计混杂因素一、辛普森悖论统计分析中，变量间是否有相关关系，常常会左右我们对观察的现象作出正确的决策。
例如，某公司开发一种新药A，想要研究这种新药跟传统的药物B对疾病的处理效果有什么不同。
选择800个人来参与做实验，分成两组，每组400人，两组的结果如表1所示。
从表1的结果看，新研发的药物的有效率是50%，低于传统药物的60%，对于治疗某种疾病来说，显得新研发的药物的价值低于传统药物。
那么对这种新研发的药物的有效率经过统计分析后是否如表1所示？把表1得到的数据再进行分层抽样处理，在细分成男性跟女性对药物的有效率后得到的信息如表2、表3所示。
从表2和表3来看，得到的结论和表1得到的结论刚好相反，也就是说不管是男性患者还是女性患者，新药的有效率都高于传统的药物，这就跟前面的分析出现了矛盾，这就是辛普森现象或称为辛普森悖论。
辛普森悖论是在一定的前提条件下，研究两种变量的相关关系时，利用分组或分层技术对原来总体再进行分析得到的与未分组或分层抽样之前相反的一种结论。
即分组评价都占优的一方在总体评价中却不占优势。
辛普森现象并不是一种稀罕的现象，在现实生活中非常普遍，特别是在社会科学和医学中。
医学上新开发的药物对疾病是否有效，新入学的学生是否受到性别的歧视，中国经济的腾飞与生活水平的降低，吸烟是否有害健康，等等，现实中的方方面面都会出现辛普森现象。
用辛普森悖论来解释这些现象能真正了解现象的本质，从而使人们作出正确的决策。
本文的目的是总结前人的分析结果，去探讨周围的辛普森现象，为大家进一步认清现象提供一些合理的解释及思考。
二、辛普森悖论的数学表示及相应问题一起来看一个向量图。
详见图1。
伯克森悖论和辛普森悖论
伯克森悖论和辛普森悖论伯克森悖论和辛普森悖论是两个重要的逻辑悖论，它们揭示了在统计学和逻辑推理中可能存在的错误。
尽管它们的名字看起来相似，但它们涉及到完全不同的领域和概念。
首先，我们来看一下伯克森悖论。
伯克森悖论是指在一个特定的样本中，某个事件发生的概率可能比整体样本中的事件发生概率要高。
这听起来似乎很奇怪，因为我们通常认为样本是一个代表整体的随机子集。
然而，这个悖论表明，当样本的选择过程被偏向某个事件的发生时，就会导致这个悖论的出现。
一个经典的例子是医学测试中的错误诊断率。
例如，假设某种疾病在整个人群中的发病率只有1%，而检测该疾病的测试准确率为99%。
如果对健康人群进行这个测试，那么即使测试结果显示为阳性，人们并不能确信他们真的患有该疾病，因为在这种情况下，阳性结果的概率会小于1%。
这个悖论的教训是要注意样本的选择是否会导致偏见或错误的推论。
然后，我们来看一下辛普森悖论。
辛普森悖论是指在不同的子群体中观察到的趋势可能与整体群体中观察到的趋势相反。
这个悖论揭示了在统计分析中可能存在的幻象和误导。
一个著名的例子是加州大学伯克利分校的招生案例。
在整个申请者群体中，男生被录取的比例要高于女生。
然而，当将数据分为不同的专业时，却发现在每个专业中女生的录取率都高于男生。
这个悖论告诉我们，简单地依靠总体数据来做决策和推断是不可靠的，因为在子群体中观察到的趋势可能会与整体趋势相矛盾。
总的来说，伯克森悖论和辛普森悖论都向我们揭示了统计学和逻辑推理中可能存在的错误和偏见。
在分析数据和做出决策时，我们必须注意样本的选择和数据的细分，以避免陷入这些悖论中。
只有通过深入理解这些悖论并运用正确的推理方法，我们才能更好地应对复杂的问题和信息。
统计力学里好几个著名的悖论
统计力学里好几个著名的悖论
统计力学中存在多个著名的悖论，这些悖论挑战了我们对物理世界的基本理解。
以下是其中几个著名的悖论：
1. 辛普森悖论（Simpson's Paradox）：这个悖论是指当两个独立实验的结果在总体上呈现出相反的趋势时，但在分组合计时却显示出一个完全不同的结果。
这种现象似乎违反了概率论中的独立性原则，因为在分组合计时，两个独立实验的相互影响导致了结果的反转。
2. 赌徒谬误（Gambler's Fallacy）：这个谬误是指一种错误地认为某事因为连续没有发生，所以下一次的结果更有可能是相反的信念。
例如，一个赌徒可能会认为，因为连续几次掷骰子都是六点，所以下一次掷骰子更可能是三点。
然而，这种观点忽略了概率的独立性原则，每次掷骰子都是独立的，不会受到前一次的结果影响。
3. 观察者效应（Observer Effect）：这个效应是指在观察过程中观察者的行为和状态会对被观察对象产生影响，从而改变被观察对象的状态或结果。
这个效应挑战了我们对客观世界的认知，因为我们无法排除观察者对被观察对象的影响。
4. 测量问题（Measurement Problem）：这个问题是关于量子力学的测量问题，它涉及到观察者对被观察对象的测量结果的影响。
根据量子力学的哥本哈根解释，当我们对一个量子系统进行测量时，我们只能得到一个确定的结果，而这个结果并不是量子系统本身的状态，而是观察者与量子系统之间的相互作用的结果。
这个解释似乎将观察者的意识引入了物理世界中，引发了许多哲学和科学上的争议。
这些悖论是统计力学中的重要问题，它们挑战了我们对物理世界的理解，并引发了许多深入的研究和讨论。
辛普森悖论的哲学含义
辛普森悖论的哲学含义
辛普森悖论是由美国电视动画片《辛普森一家》中的一集引出的，它引发了有
趣的哲学思考。
该悖论的描述如下：在一项研究中，当我们观察两个亚群体的数据时，可能会得出一个结论；但当我们将这两个亚群体再合并成一个总体时，得出的结论却相反。
换句话说，亚群体之间的关系在总体分析中会被逆转。
这个悖论引起了哲学界对观察和总体分析之间关系的深入思考。
它揭示了一个
重要的哲学问题，即观察的相对性和局限性。
辛普森悖论表明，我们的观察结果可能会受到具体情境、关注的焦点或分类问题的影响。
这个悖论还暗示了人们在进行统计分析时可能存在的误导性。
当我们只看到局
部数据时，我们可能觉得这个数据是统计上的规律或真理。
然而，当我们将这些局部数据放入整体背景下进行分析时，可能会发现事实并非如此。
这对于哲学中的科学方法论来说，提出了一个重要的看法，即科学结论应该基于更全面和综合的观察。
辛普森悖论也引发了人们对于因果关系的思考。
它提醒我们，在观察数据时不
能简单忽略其他可能影响结果的变量。
我们需要考虑更多的相关因素，才能得出更准确和全面的结论。
这个思考角度对于哲学中的因果推理、因果关系和认识论等概念都有着重要的启示意义。
综上所述，辛普森悖论呈现了观察的相对性和局限性，引起了对观察和总体分
析关系的哲学思考。
它提醒我们进行科学研究时，应当注重全面的观察和综合分析，并认识到因果关系的复杂性。
这个悖论为科学方法论和认识论等哲学领域提供了宝贵的思考视角。
浅谈AB测试里常见的辛普森悖论
总计来说男生录取率只有21%，只有女生录取率42%的一半。
为什么两个学院都是男生录取率高于女生录取率，但是加起来男生录取率却不如女生录取率呢？主要是因为这两个学院男女比例很不一样，具体的统计学原理我们后面会详细分析。
这个诡异（Counter intuitive）的现象在现实生活中经常被忽略，毕竟只是一个统计学现象，一般情况下都不会影响我们的行动。
但是对于使用科学的 AB 测试进行试验的企业决策者来说，如果不了解辛普森悖论，就可能会错误的设计试验，盲目的解读试验结论，对决策产生不利影响。
我们用一个真实的医学 AB 测试案例来说明这个问题。
这是一个肾结石手术疗法的 AB 测试结果：看上去无论是对于大型结石还是小型结石，A 疗法都比 B 疗法的疗效好。
但是总计而言，似乎 B 疗法比 A 疗法要好。
这个 AB 测试的结论是有巨大问题的，无论是从细分结果看，还是从总计结果看，都无法真正判断哪个疗法好。
那么，问题出在哪里呢？这个 AB 测试的两个实验组的病历选取有问题，都不具有足够的代表性。
参与试验的医生人为的制造了两个试验组本身不相似，因为医生似乎觉得病情较重的患者更适合 A 疗法，病情较轻的患者更适合 B 疗法，所以下意识的在随机分配患者的时候，让 A 组里面大结石病历要多，而 B 组里面小结石病历要多。
更重要的问题是，很有可能影响患者康复率的最重要因素并不是疗法的选择，而是病情的轻重！换句话说，A 疗法之所以看上去不如 B 疗法，主要是因为 A 组病人里重病患者多，并不是因为 A 组病人采用 A 疗法。
所以，这一组不成功的 AB 测试，问题出在试验流量分割的不科学，主要是因为流量分割忽略了一个重要的“隐藏因素”，也就是病情轻重。
正确的试验实施方案里，两组试验患者里，重病患者的比例应该保持一致。
因为很多人容易忽略辛普森悖论，以至于有人可以专门利用这个方法来投机取巧。
举个例子，比赛100场球赛以总胜率评价好坏。
辛普森悖论简单解释
辛普森悖论简单解释
嘿，你知道辛普森悖论不？这玩意儿可有意思啦！就好比说有两个
球队，A 队和B 队。
在和一些弱队比赛时，A 队老是大胜，表现超棒；而 B 队呢，可能赢得磕磕绊绊。
可要是碰到强队，情况就反过来了，B 队反而能表现得更好，能和强队打得有来有回，A 队却总是输得很惨。
你说怪不怪？
这就是辛普森悖论啦！它说的就是在某个条件下，分别来看两组数
据都显示出一种趋势，但合起来看的时候却完全相反了。
举个例子吧，比如说有一款药，对男人好像效果不错，对女人好像效果也还行，可
要是把男人和女人的数据放在一起看，嘿，居然发现这药整体效果不
咋地！是不是很神奇？
再想想看，就像你选工作。
有一份工作，工资高但工作时间长；另
一份工作呢，工资没那么高但工作时间短。
单独看好像各有各的好，
可真要你综合起来选，就难了吧，这也有点像辛普森悖论呀！
还有啊，在学校里，有的同学数学成绩特别好，语文成绩也不赖，
可综合成绩一排名，却不一定是最前面的，这是不是也有点那个意思？
辛普森悖论其实在很多地方都能看到呢，它就像个调皮的小精灵，
时不时就蹦出来给你制造点困惑。
它提醒我们不能只看局部，得全面
地去分析问题呀！总之，辛普森悖论就是这么个让人又爱又恨的东西，你得好好琢磨琢磨才能搞明白它呢！。
辛普森悖论解决方法
辛普森悖论解决方法辛普森悖论是一种常见的逻辑谬误，它指的是在一个整体数据中，不同的子集数据的比较结果与整体数据的比较结果相反的现象。
这种悖论常见于统计学和社会科学领域，但也经常出现在日常生活中。
为了解决这种悖论，人们提出了多种方法。
一、分组比较法分组比较法是一种常见的解决辛普森悖论的方法。
它的基本思想是将数据分成不同的组别，然后对每个组别进行比较。
这种方法可以避免数据的混淆，从而减少悖论的发生。
例如，假设有两个医院A和B，它们的手术成功率分别为60%和70%。
但是，如果我们将这两个医院的手术类型分组比较，就会发现A医院在简单手术方面的成功率高于B医院，而在复杂手术方面的成功率低于B医院。
这样，我们就可以得出更准确的结论。
二、加权平均法加权平均法是一种将不同组别的数据进行加权平均的方法。
这种方法可以避免数据的混淆，从而减少悖论的发生。
例如，假设有两个医院A和B，它们的手术成功率分别为60%和70%，但是A医院的手术数量远远多于B医院。
如果我们使用加权平均法，将A医院的成功率乘以手术数量，再将B医院的成功率乘以手术数量，然后将两个结果相加，最后除以总手术数量，就可以得到更准确的结论。
三、多元回归分析法多元回归分析法是一种将多个变量进行回归分析的方法。
这种方法可以避免数据的混淆，从而减少悖论的发生。
例如，假设有两个医院A和B，它们的手术成功率分别为60%和70%，但是A医院的手术类型更加复杂。
如果我们使用多元回归分析法，将手术类型作为一个变量，将手术成功率作为另一个变量，就可以得到更准确的结论。
综上所述，辛普森悖论是一种常见的逻辑谬误，但是我们可以通过分组比较法、加权平均法和多元回归分析法等方法来解决它。
这些方法可以避免数据的混淆，从而得出更准确的结论。
在日常生活中，我们应该注意这种悖论的存在，并采取相应的措施来避免它的发生。
出现辛普森悖论的原因
出现辛普森悖论的原因
辛普森悖论，又称辛普森怀疑，指的是智囊团的科学家、计算机程序员、工匠
和其他相关领域的从业者怀疑科技（尤其是计算机）将显著增加他们工作的难度和复杂性。
这个悖论得名于由科学家、工程师、密码权威之一的美国人弗雷德里克·辛普森（FrederickP.SIMPSON）于1950年提出的“科技无法解决真正的问题”的理论。
事实上，科技的发展不仅没有复杂化工作，而且给减少任务复杂性带来了一些
新的机会。
科技能够更好地帮助任务监测、数据访问和整理等许多耗时重要任务，减少工作者对复杂任务的负担，形成一个熟练应用技术和多种方法灵活处理问题的智囊团。
如今，科技的发展，将任务分解、实现自动化程度大大提高，使得从业者可以
清楚地看到大量任务完成的更有效的方法，比如说依靠大数据技术自动化某些重复的任务而避免人工处理类似的工作，科技来源可以得到更多有用的信息，同时任务结果也能更快地得到反馈，智囊团从业者得到更多指导、提升效率、降低复杂性，从而实现更好的工作效果。
综上所述，辛普森悖论的出现，实际上是在早期出现的技术的不足的基础上产
生的一种怀疑。
科技的不断更新和发展，给我们带来越来越有效的解决方案，实现工作的简易和减少复杂性，可以更好的激励智囊团从业者的表现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据分析必须警惕的坑：辛普森悖论
辛普森悖论为英国统计学家E.H.辛普森于1951年提出的悖论，即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。
近些年来，随着大数据行业的蓬勃发展，“Data-Driven（数据驱动）”受到越来越多企业的追捧。
越来越多场景的数据采集、越来越成熟的分析模型、越来越强大的分析效率，这些无疑都是精细用户行为分析、优化决策体系的智举。
然而在数据背后，隐藏着一些似是而非的谬误，比如“辛普森悖论”，作为数据分析人员必须警惕。
悖论出处：
辛普森悖论为英国统计学家E.H.辛普森（E.H.Simpson）于1951年提出的悖论，即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。
一所美国高校的两个学院，分别是：
法学院和商学院，新学期招生。
人们怀疑这两个学院有性别歧视，现作如下统计：
从上图显示的数据我们可以看到，法学院男生的录取比例为8/53=15.1%，女生录取的比例为51/152=33.6%。
同理，商学院男生的录取比例为80.1%，女生的录取比例为91.1%。
无论在法学院还是在商学院，女生的录取比例都高于男生，由此可以推断学校在招生时更倾向于招女生吗？
当计算全校录取情况时，男生录取的比例为209/304=68.8%，女生录取的比例为143/253=56.5%。
男生的录取率要高于女生，这下，恐怕要轮到女生感到不公了。
那么问题来了：该大学的招生政策，到底有没有性别歧视？到底是歧视男生还是女生？
先不说结论，我们再来看一个实际工作中会遇到的案例。
工作中的典型案例：
某产品的用户中有10000人使用Android设备、5000人使用IOS设备，整体的付费转化率应该是5%。
细分发现其中IOS设备的转化率仅为4%，而Android 设备则是5.5%。
“聪明”的数据分析师得出结论：IOS平台的用户付费转化率低下，建议放弃IOS平台的研发。
一般来说，IOS平板的付费转化率比Android平板高出很多，而IOS手机的转化率也相对更好。
这种情况下，设备类型就是复杂变量，如果数据是根据设备类型得到，那么其他的数据就可能被完全忽略。
接下来我们来对比这一组数据：
由此可见，Android设备转化率无论在平板端还是在手机端的转化率都小于IOS设备，这也很我们的常规预期相符。
当计算全设备情况时，Android的转化比例为550/10000=5.5%，IOS的转化比例只有200/5000=4.0%。
这也是题干中“聪明”的数据分析师得出IOS版本应该下线的根源。
原因与应对策略：
误区产生的原因说起来也很简单，就在于将“值与量”两个维度的数据，归纳成了“值”一个维度的数据，并进行了合并。
如果要避免“辛普森悖论”给我们带来的误区，就需要斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响。
而在实际转化例子中，就需要用如“ARPU”、“ARPPU”这样看似相似实际上有很大差异的指标来进行分割。
同样地，如果要更客观分析产品的运营情况，就需要设立更多角度去综合评判。
还是拿上述的设备转化率为例，产品层考虑转化的前提会优先考虑分发量、用户量、运营思路、口碑等等。
而往往为了实现最后的转化需要，需要更多前置目标做铺垫。
常用的前置目标：
用户量：免费产品需要很大的用户量才能获得足够的总收入，因为该模式的转化率极低。
而这些用户通常来自全球各个地区，使用各种不同类型的设备。
针对不同的设备类型，采用通用的平均值是没有意义的。
LTV范围：免费产品需要很长的货币化周期，把用户消费当作玩家是否开心的依据，就像参与度和消费紧密相关一样，因此可以作为分类的标准。
大多数的用户是不会付费的，免费产品的综合付费转化率比较低，是因为把付费玩家和非付费玩家综合到了一起，所以任何对免费用户的衡量都是非常低的。
因为大多数的用户是不付费的，所以ARPU以及ARPPU相差很多。
A/B测试中的注意点：
联想到产品运营的实践，一个常见的A/B测试误判例子是这样的：拿1%用户跑了一个重大版本，发现试验版本购买率比对照版本高，就说试验版本更好，我们应该发布试验版本。
而事实上，我们选取的试验组里往往会挑选那些乐于交流、热衷产品、又或者是付费率高粘性高的用户，把他们的数据与全体用户对比是不客观的。
当最后发布试验版本时，反而可能降低用户体验，甚至造成用户留存和营收数据的双双下降。
收获与总结：
避免辛普森悖论的关键是要同时参考不同用户间的事实全貌。
第一，准确的用户分群在数据分析中是非常重要的，尤其是在免费产品当中，平均用户不仅不存在，而且是误导研发的因素之一，所以关键在于利用特征将用户进行合理划分。
第二，在一个具体的产品中，普适型的数据（如粗暴的对比IOS和Android
总体情况）是没有多大参考意义的，一定要细分到具体设备、国家、获取渠道、消费能力等等再进行比对才有价值。
第三，斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响，同时必需了解该情境是否存在其他潜在要因而综合考虑。
用户分析常用缩略词：
DNU，Daily New Users：每日新增用户
AU，Active User：活跃用户，统计特定周期内完成过指定事项或指标的用户数PU，Paying User：付费用户
APA，Active Payment Account：活跃付费用户数
ARPU，Average Revenue Per User：平均每用户收入，总收入/AU
ARPPU，Average Revenue Per Paying User：平均每付费用户收入，总收入/APA PUR，Pay User Rate：付费比例，APA/AU
LTV，Life Time Value：生命周期价值。