1.T检验

最水，说TC组是符合同一分布的，但是方差大的话，其实TC lift的误差就很大。

2.WMAPE

不做实验情况下最严格，比如TC在投放前完全重合，那就说明在未来一段时间也应该是重合的。所以效果毋庸置疑。

3.AUUC

这个不是来衡量TC相似度的，适用于一切没有TC的归因，比如沙普利值的计算，或者是MTA模型等。

沙普利值：https://towardsdatascience.com/making-sense-of-shapley-values-dc67a8e4c5e8

这里补充下沙普利值的公平性原则：

(1)对称公理：参与人因合作而分配得到的利益与他所赋予的记号无关。

设λ是N={1,2,3…n}的一个排列，即N中的一个 一对一映射，如λi是i的对应，对企业联盟博弈V有:(λV)S=V(λS)。

（2）有效公理：成员对于企业联盟没有做出贡献就不能获得报酬。

如果对于所有包含i的子集S都有V(S\i)=V(S),则φ1(V)=0,且φi(V)中i从1到n的和等于V(N)。

（3）加法公理：局中人同时进行两项合作时，总分配是两项的和。

对于定义在N中的任意两个特征函数U和V，则φ(U+V)=φ(U)+φ(V)。

ref:弹性模型的评测指标AUUC - 知乎

4.AB实验

属于终极绝招，不知道效果，随机分流试一下，绝对公平可信。