因果推論とベイズ モデリングの根拠

因果推論の視点が採用された理由は、シンプルで妥当性があります。MMM が推定する量はすべて因果関係を意味します。費用対効果、応答曲線、最適な予算の分析は、マーケティング費用が異なっていたらどのような状況になっていたかを分析することで、マーケティング費用が KPI に与える影響を明らかにするためのものです。メリディアンの設計方針には、因果推論の手法以外の選択肢はありません。

メリディアンは回帰モデルです。マーケティング効果は因果関係として解釈できるという事実は、定義されたエスティマンドと仮説（因果関係の DAG など）を根拠にしています。こうした仮説は、すべての広告主様に当てはまるわけではありませんが、各広告主様が判断できるように透明性を伴って開示されています。

因果推論にベイズ モデリングは必要ありませんが、メリディアンではベイズ アプローチを採用しています。これは、次のような利点があるためです。

1. ベイズモデルの事前分布を使用すると、事前の知識と選択した正則化強度に即して、各パラメータの適合度を直感的に正則化できます。MMM では、変数の数が膨大で、相関性が高いことが多く、（アドストックや収穫逓減を含む）メディア効果が複雑なため、正則化が必要です。
2. メリディアンでは、費用対効果の観点から回帰モデルを再定義するオプションがあり、カスタムの費用対効果の事前分布を使用できます。テスト結果などの利用可能なすべての知識を活かすことで、正規化により、ユーザーが信じる結果を適切な信頼度で導き出す事前分布を設定できます。
3. メディア変数の変換（アドストックと収益逓減）は非線形であり、こうした変換のパラメータは線形の混合モデルを使用する手法では推定できません。メリディアンは、最先端の MCMC サンプリング手法を使用してこの問題に対処します。