历史背景可以追溯到freemium模型从静态限制（固定的5GB云存储）到基于机器学习的动态适应性限制的演变。评估此类干预效果的经典方法面临着基本的内生性：系统故意限制高预测转化倾向的用户，造成强烈的选择偏差。早期的相关性分析方法给出了偏倚的估计，因为忽略了指示混杂，导致效果被高估200-300%。
问题设定需要在限制分配与用户潜在动机相关的条件下测量局部平均处理效果（LATE）。模型预测转换概率$P(conv|X)$，在$P > \tau$时分配限制，这使得处理组和对照组在观察到和未观察到的特征上不具有可比性。直接比较有无限制的用户会导致高估，因为处理组本来是"热"的，更愿意支付。
详细的解决方案基于回归不连续设计（RDD），在阈值$\tau$附近，限制的分配是准随机的，因为$P = \tau - \epsilon$和$P = \tau + \epsilon$的用户在统计上没有区别。构建了结果的连续回归模型，以阈值$\tau$处的跳跃（jump）进行估计。为了提高准确性，使用因果森林评估效应的异质性，并在渐进实施的情况下使用不连续差分法控制时间趋势。 Alternatively, 可以使用逆倾向加权（IPW），通过随机森林评估倾向评分，但这需要很少能够完全实现的无混杂性条件。
问题
在B2B SaaS任务管理产品中，为免费账户实施了动态的主动项目数量限制。机器学习模型分析了50多个行为特征，并在预测转化概率超过0.75时阻止新的项目创建。产品团队观察到"限量用户"的转化率增长了40%，但无法将限制的效果与有动机的用户的自我选择分开。同时，由于这意味着每月在实验中损失$200K的MRR，因此完全禁止限制进行测试是不可行的。
选项 1：与历史数据的简单比较
将当前有限制用户的转化率与两个月前实施功能前的用户群进行比较。优点：对基础设施的要求最低，快速评估，无需技术更改。缺点：完全忽略季节性（新年活动的下降）、整体转化率增长的趋势（产品变得更加成熟）以及新奇效应；由于选择偏见，给出偏倚的高估约35-40%。
选项 2：经典的A/B测试，禁用机器学习模型
随机禁用15%用户的限制分配，允许他们在不受分数影响的情况下无限使用产品。优点：因果关系的黄金标准，直接测量平均处理效应（ATE）。缺点：由于失去在对照组中的"热"用户的风险，C级管理层明确拒绝；这会产生显著的机会成本和道德冲突（为什么有些人可以一切，而另一些人不能）。
选项 3：混合方法的回归不连续设计
使用自然的分数阈值（0.75）作为断裂点，将转化概率为0.74和0.76的用户作为局部随机化的组进行比较（大约5000名用户在±0.05的窗口内）。补充合成控制方法用于那些推迟了一个月实施的区域。优点：对95%的用户保留了业务逻辑；为"边界"用户提供局部效果的无偏估计（LATE）；允许使用自然变异而不损害收入。缺点：需要在阈值附近大约2000个观察值的大样本；估算仅适用于$P(conv) \approx 0.75$的子群，而不是整个族群；对阈值的操控很敏感（需要对密度分布进行McCrary检验）。
选择的解决方案和结果
选择了RDD，采用Calonico-Cattaneo-Titiunik (CCT bandwidth)的方法获得最佳带宽，并补充使用因果森林寻找负面效应的子群体。分析发现，严格限制对"平均"用户的转化率有+12%的提高，但对功率用户的留存率有-8%的影响（高参与度，但分数稍微低于阈值）。基于此实施了混合模式：对高参与用户实施软限制（仅警告），对平均用户实施硬限制（严格上限）。最终结果：在基础留存的96%水平上，转化率增长了8%，这为季度带来了额外的$450K ARR，而没有流失关键用户。
如何区分限制效果与对付费版本的"提醒效应"（reminder effect）？
候选人往往将转化率的增长解释为仅仅是财务限制的结果，而忽视了对限制的通知视为营销接触点的事实。为了进行隔离，需要额外的控制组进行"温和"通知（仅提供有关高级版的信息而不阻止功能），或者分析限制显示与转化之间的时间。如果转化瞬间发生（在一小时内） — 很可能是提醒效应；如果是在超出限制的几次尝试之后的3-7天内 — 这是真正的限制效应。还可以使用工具变量，即显示通知的技术延迟作为提醒强度的随机变异，采用2SLS回归。
如何考虑团队产品中的网络效应（如Notion，Figma），其中一个用户的限制影响同事的协作？
在B2B SaaS中，一个团队成员的限制会产生溢出效应：同事们可能会将资源聚合到一个账户中，或者迁移到竞争对手。经典的RDD忽略这些外部效应，违反了SUTVA（稳定单元处理值假设）。解决方案是针对团队/工作空间的集群RDD，其中处理取决于团队中"限制"用户的比例，或者使用两阶段最小二乘法(2SLS)，以网络图中限制邻居的数量作为工具。重要的是通过分析不同限制状态用户之间的网络活动（网络相邻矩阵）来测量违反情况，检验团队中的同质性假设。
如何将特定功能的真正限制效应与转移到低价值功能上的使用迁移（替代偏见）分开？
遇到功能A的限制后，用户可能会迁移到功能B（例如，从表格转移到文档），这会造成高留存率的错觉，但实际上降低了产品粘性和功能采纳深度。需要进行Shannon熵分析功能使用（测量使用的多样性）或成分数据分析（CODA）。如果限制后熵降低，说明产品内部发生了自我侵蚀。最佳政策应最大化不仅是转换，而是预期LTV，考虑到使用模式的变化，这需要通过马尔可夫决策过程（MDP）或上下文赌博机建模，考虑到功能采纳的深度和参与速度，而不仅仅是转化的事实。