Линейная регрессия для аналитика: как читать коэффициенты и не обещать причинность

Когда нужен этот метод

Когда на метрику влияют цена, канал, устройство и сезон, одной группировки становится мало. Линейная регрессия помогает оценить связь target с несколькими признаками, но легко создаёт иллюзию контроля: коэффициент не доказывает, что изменение признака вызовет такой же сдвиг результата.

Регрессия полезна для сценарного планирования и диагностики, когда её допущения и ограничения видны. Показывай baseline, коэффициенты, interval, качество на holdout и пример ошибки. Для решения «что изменить, чтобы получить эффект» связывай модель с экспериментом, а не выдавай коэффициент за бизнес-рычаг.

Определения без жаргона

Модель описывает ожидаемое значение target как сумму baseline и вкладов признаков. Коэффициент показывает изменение предсказания при изменении признака на единицу при прочих признаках в модели. R² описывает долю вариации, объяснённую моделью на выбранных данных, но не гарантирует хорошую причинную интерпретацию и не должен быть единственной метрикой качества.

Сначала выбери target и временной срез, затем очисти признаки и зафиксируй базовую категорию. Проверь пропуски, масштаб, нелинейность и пересечения признаков. Раздели train/test по времени, если модель должна работать в будущем. Смотри на остатки, MAE/RMSE и устойчивость коэффициентов, а не только на R².

Рабочий кейс

Регрессия показывает, что пользователи с большим числом сессий имеют более высокий LTV. После добавления канала и возраста аккаунта коэффициент сессий уменьшается. Это похоже на confounding: самые мотивированные и качественно привлечённые пользователи чаще возвращаются. Модель помогла уточнить гипотезу, но не доказала, что дополнительная сессия сама создаёт LTV.

Построй простую модель как baseline, затем добавляй признаки блоками и фиксируй изменения. Используй dummy-кодирование категорий, лог-трансформацию для длинного хвоста и временную валидацию. Сравни модель с простым правилом. Если коэффициенты меняют знак после добавления переменной, это повод исследовать зависимость признаков, а не выбирать красивый результат.

Контрольная сверка

До интерпретации проверь единицу наблюдения, период и правило включения. Затем пересчитай результат на небольшой выборке, где ответ известен заранее, и сравни с разумной альтернативой: другим горизонтом, зрелой когортой или user-level агрегацией.

Если показатель станет регулярным, сохрани рядом входные параметры, контрольные сверки и версию определения. Это важнее дополнительного знака после запятой.

• Зафиксируй baseline до просмотра результата.
• Проверь пропуски, дубли и зрелость периода.
• Покажи размер выборки и диапазон неопределённости.

Когда метод подводит

Высокий R² не означает причинность и не гарантирует прогноз вне диапазона. Мультиколлинеарность делает коэффициенты нестабильными. Утечка будущего в признаки даёт прекрасный offline-результат и провал в проде. Нельзя оценивать качество на тех же строках, на которых модель обучалась, и нельзя скрывать выбросы только ради R².

Формулируй аккуратно: «при одинаковых включённых признаках пользователи с одной дополнительной сессией имеют в среднем на 18 ₽ выше предсказанный LTV; это наблюдательная связь, чувствительная к пропущенной мотивации». Команда понимает и результат, и границу его применения.

Попробуй сам

Возьми target revenue и три признака: channel, sessions_7d, country. Построй baseline, добавь признаки и сравни коэффициенты, MAE и остатки. Затем случайно перемешай один признак и посмотри, как меняется качество. Это простое упражнение показывает, какая информация действительно связана с target.

from sklearn.compose import ColumnTransformer
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import OneHotEncoder

model = make_pipeline(
    ColumnTransformer([('cat', OneHotEncoder(handle_unknown='ignore'), ['channel'])], remainder='passthrough'),
    LinearRegression(),
)
model.fit(train[features], train['revenue'])

• Сохрани период и параметры расчёта.
• Назови хотя бы один крайний случай.
• Сформулируй вывод отдельно от гипотезы о причине.

Что делать дальше

Формулируй аккуратно: «при одинаковых включённых признаках пользователи с одной дополнительной сессией имеют в среднем на 18 ₽ выше предсказанный LTV; это наблюдательная связь, чувствительная к пропущенной мотивации». Команда понимает и результат, и границу его применения.

Регрессия полезна для сценарного планирования и диагностики, когда её допущения и ограничения видны. Показывай baseline, коэффициенты, interval, качество на holdout и пример ошибки. Для решения «что изменить, чтобы получить эффект» связывай модель с экспериментом, а не выдавай коэффициент за бизнес-рычаг.