历史背景
在金融科技产品中，身份验证(KYC)是监管要求，给用户体验带来了显著摩擦。经典的效能评估方法需要随机对照，这在大规模实施中因法律和伦理原因而不可能。历史上，分析师依赖于简单的 cohort 报告，而未考虑自我选择的内生性和市场的外部冲击。
问题陈述
需要隔离 KYC 过程的净效应与用户自然流失、季节性活动波动和首次通过验证的用户与推迟验证的用户之间基本特征的差异。问题的复杂性在于，晚期采用者可能在动机和财务行为上系统性地有所不同，造成生存偏差（survivorship bias）。
详细解决方案
应用 差异中的差异法 (Difference-in-Differences, DiD) 结合 倾向得分匹配 (Propensity Score Matching, PSM) ，为延迟验证的用户构建可比的对照组。使用 合成控制法 (Synthetic Control Method) 作为敏感性检查，创建未受影响区域的加权组合（例如，来自延迟监管要求地区的用户）。为了考虑季节性，加入时间固定效应（month-of-year fixed effects），并应用 事件研究设计 (Event Study Design) 和相对时间以验证平行趋势假设。
公司在三月份为所有18岁以上用户推出了强制的双因素身份验证，与税季重叠。业务注意到活跃度下降，但无法将 KYC 的影响与季节性下降及竞争对手的大规模推送通知活动分开。分析师需要评估实施后 30 天留存率和 60 天的每用户平均收入（ARPU）的净影响。
方案1：简单的前后指标比较 (Pre-Post Analysis)
分析师计算 KYC 前一个月的平均留存率，并与实施后的指标进行比较。这个方法的优点在于最大程度的简便和快速得出结果，无需复杂模型。缺点是忽视季节性（3 月 vs 4 月）、外部竞争行动以及自然的增长或下降趋势，导致估计偏差多达 40%。
方案2：将年轻用户（16-17 岁）作为对照的简单 DiD
团队建议将目标组（18岁及以上）的变化与未受 KYC 影响的组的变化进行比较。优点在于考虑了普遍的市场趋势和季节性。缺点是严重的：青少年与成年人在财务行为上有明显不同，违反平行趋势假设，且不同的 cohort 受到不同生命周期效应的影响。
方案3：带时间延迟的合成控制
创建人工对照组，作为来自未推行 KYC 的试点地区用户的加权组合，权重根据前六个月的活动进行调整。优点是最小化依赖单一对照组的风险，并通过长期历史自动考虑季节性模式。缺点是对数据量的高要求，权重解释上的复杂性以及对历史期的异常值的敏感性。
所选解决方案及其理由
选择了混合方法：PSM-DiD ，将因技术原因延迟 KYC 2-3 周的用户作为对照组，并结合 合成控制 进行验证。该方案通过 PSM 平衡了观察到的特征（年龄、设备、历史活动），而 DiD 捕捉了时间效应。合成控制确认了结果对特定对照组选择不敏感。
最终结果
分析显示 KYC 在第一周将 7 天留存率降低了 18%，但通过排除欺诈交易将平均消费提升了 22%。90 天的生命周期价值（LTV）净影响为中性（-2%，统计上不显著）。根据这些数据，产品团队将验证过程分成了三个微步骤，将摩擦减少了 35%，而没有损失反欺诈的有效性。
如何在分析 KYC 的长期影响时，正确处理数据的右删失（right censoring），特别是在观察窗口有限且 cohort 的验证是异步的情况下？
候选人经常忽略，后来通过 KYC 的用户在观察窗口内表现出行为的时间更少，造成偏差。需要应用生存分析（Survival Analysis）的方法，如 Cox 比例风险模型 (Cox proportional hazards model) 或 Kaplan-Meier 估计量 (Kaplan-Meier estimator)，这些方法考虑了删失观察数据。作为替代，对于 LTV 等指标，可以使用 Tobit 回归 或删失数据模型。此外，在 DiD 中应用 分期采用设计 (staggered adoption design) ，并正确处理"纯" cohort（clean controls）也是重要的，因为标准的双时期 DiD 在分阶段实施时会得出偏差的评估。
为什么标准倾向得分匹配 (PSM) 方法在强制验证的背景下可能导致偏差的评估，且需对时间动态进行哪些修改？
标准的 PSM 忽略了时间依赖性和隐藏的混杂因素，如用户的动机或预期的交易量。在 KYC 的背景下，至关重要的是使用 时间依赖的倾向得分匹配 (Time-Dependent Propensity Score Matching) ，在每个时期单独计算得分，或使用 逆概率处理加权 (Inverse Probability of Treatment Weighting, IPTW) 并结合时间变化的协变量。同时，需要检查一般支持条件（overlap condition），以避免超出观察数据的外推，并使用 粗略精确匹配 (Coarsened Exact Matching, CEM) 来提高小样本时的鲁棒性。
如何区分 KYC 通过的真实影响与预期效应（anticipation effect），并检验平行趋势假设的执行情况？
为分离这些效应，需要使用 事件研究设计 (Event Study Design) ，并为 KYC 事件之前和之后的相对时间引入虚拟变量。如果 lead 变量（KYC 之前的时期）的系数显著不同于零，这表明存在预期效应或平行趋势假设的违反。为了检验稳健性，建议使用安慰剂测试 (Placebo tests)，通过将实施日期提前到早期时期，或使用虚假测试 (Falsification tests) 针对那些不应发生变化的结果变量。如果在趋势上存在违反，可以应用 合成差异中的差异 (Synthetic Difference-in-Differences, SDiD)，它通过重新加权调整趋势不匹配。