数字产品演变的历史背景 显示出从孤立的本地应用程序逐步过渡到混合交互模型的过程。渐进式网络应用程序 是一种技术，使网站能够像完整应用程序一样运行，具有离线访问和推送通知的功能，这历史上模糊了移动网页和本地体验之间的界限。评估此类实施效果的经典方法，包括简单的队列分析或A/B测试，面临着无法将对照组与 SEO 效果隔离的根本限制，以及在不破坏用户体验的前提下实现用户层级的随机化的技术不可行性。
问题设置 需要解决多维度的因果关系识别任务，在平台自我选择的内生条件下。用户自主决定使用 PWA 还是本地应用，这造成了与技术素养和参与度相关的自我选择偏差。与此同时，PWA 的推出通过改善的核心网页指标和 service worker 的索引生成有机流量，扭曲了分析的队列中的基础流量水平。平台之间的蚕食表现为会话从本地应用转移到 PWA，这需要将迁移效应与真实参与度增长分开。
详细解决方案 基于对合成控制方法 (SCM) 和差异中的差异分析（Difference-in-Differences）的综合应用，并采用倾向性加权（Propensity Score Matching）。第一步是从延迟推出 PWA 的地理区域或用户细分中建立合成控制，以模拟没有干预的指标反事实轨迹。接下来，应用因果影响分析来隔离时间效应，并对季节性和营销活动进行调整。为评估蚕食使用工具变量方法，以 PWA 的技术可用性（支持 service worker 的浏览器版本）作为工具，从而确保与用户偏好无关的准实验变异性。跨平台保留通过生存分析模型化，其中竞争风险分离了平台内部流失风险与跨平台迁移。
在一家大型电子商务市场中，推出 PWA 是为了降低新用户的进入门槛，但存在一个关于潜在蚕食高收入本地应用用户的关键业务假设。团队面临选择一种评估方法，以区分真正的增量与现有受众在渠道间重新分配的情况，而不进行经典的 A/B 测试，后者因通过浏览器横幅自动安装 PWA 的技术特性而不可能。
第一个考虑的选项是使用简单的关键指标比较（转换率、7天留存率）在推出 PWA 之前和之后访问网站的用户之间的比较。 该方法的优点 包括获取结果的及时性和对数据基础设施的最低要求。缺点 是对于电子产品需求的季节性波动的批判性脆弱性，以及无法将 PWA 的干预效果与同时进行的电视广告活动的影响分开，这使得结果在统计上不显著且具有商业风险。
第二个选项包括通过Google Optimize的地理 A/B 测试进行逐步推出，并根据 IP 地址进行地理细分，其中测试区域获得 PWA 的访问权限，而对照组则没有。优点 在于实验逻辑的可重复性和对利益相关者的清晰性。缺点 体现在无法隔离 SEO 效果，因为核心网页指标的改善影响了整个域名的索引，而与用户的地理位置无关，从而产生了溢出效果，并使对照组的有机流量受到污染。
最终实施的第三种选择结合了合成控制方法和根据移动浏览器版本（Chrome 90+）的回归不连续设计。团队创造了合成控制，通过加权 Safari 用户和旧版本 Chrome 用户在 PWA 推出前的行为，使其能够模拟没有干预的反事实留存。优点 包括对准实验的内部有效性以及通过分析跨平台间设备 ID 交集来隔离蚕食的能力。缺点 需要大量计算资源以构建合成权重，并对产品团队的解释产生复杂性。
结果发现，经过对蚕食进行调整后，移动网页的30天留存率净增量效应为**+8.3%，而蚕食效果为来自本地应用的-2.1%。对用户的整体LTV**的中性影响促成了对 PWA 完全推出的战略决策，并优化了深层链接以最小化跨平台摩擦。
如何区分在用户可以在一天内使用 PWA 和本地应用程序的情况下，真实的蚕食和互补效应？
回答需要理解在用户旅程层面的增量概念，而不是以设备为中心的分析。必须建立带有时间窗口的多触点归因模型，在该模型中，会话编码为状态序列（Web → PWA → 应用），效果通过分析在产品中的总体花费时间（总使用时间）和关键事件的频率来评估。关键细节是使用激增分析来识别互补性：如果 PWA 的实施在 24 小时内增加了本地会话的频率（跨平台触发），这表明协同效应而非蚕食。初学者分析师通常根据最后一个归因渠道聚合指标，忽略了关键的时间粒度。
如何在双边市场上存在网络效应的情况下，修正 PWA 效果评估，其中对一个用户群的 PWA 推出影响其他用户群的体验？
在这里，需要使用面板数据方法，带有固定效应，以隔离直接效应与溢出效应。SUTVA (稳定单位处理价值假设) 被破坏，因此需要通过空间自回归模型或两阶段最小二乘法 (2SLS) 来建模同伴效应，其中工具是 PWA 在该地区的技术可用性，而因变量是该地区内非 PWA 用户的活跃度。细节在于构建曝光映射，确定通过交易图表定义的市场细分间交互的强度，从而定量评估间接网络效应，并调整直接评估外部性的程度。
如何在 PWA 的采用率中考虑自我选择偏差，当早期采用者在参与度上系统性地与平均用户不同，扭曲了平均治疗效应 (ATE) 的评估？
关键在于应用赫克曼校正或逆概率加权 (IPW) 来校正可观察和不可观察的特征。需要通过概率模型来建模自我选择过程，其中因变量是 PWA 的安装事实，而预测变量是设备的技术特性、与产品的交互历史和人口统计变量。逆米尔斯比率从第一个方程包含到第二个结果方程中，以便调整偏差。作为替代方案，使用粗略精确匹配 (CEM) 来平衡采用者和非采用者群体之间的协变量。初学者经常忽视这一偏差，将采用者的高指标解释为技术的因果效应，而实际上它们反映的是受众在技术准备上的异质性。