先说一个基础概念：p 值衡量的是"这个结果有多大概率是碰巧出现的"。p 值越小，说明结果越不像是随机波动造成的，越像是真实效果。通常 p < 0.05 就认为"显著"（只有 5% 的概率是碰巧）。

现在假设你做了一次 A/B 测试，跟踪 100 个指标，每个指标都设 p 值阈值 0.05。就算实验组没有任何真实效果，纯粹因为随机波动，100 个指标里平均会有 5 个"碰巧 p 值小于 0.05"。这就是 *多重比较问题*（multiple comparisons problem），同时检验的东西越多，其中至少有一个碰巧"看起来显著"的概率就越高。

• *假发现率*（False Discovery Rate，FDR）：所有被标记为"有显著效果"的指标中，有多少是冤枉的。FDR 控制在 5% 意味着，每 20 个"显著"的指标中，平均不超过 1 个是假的
• *recall*（真阳性检出率）：所有真实存在的效果中，成功检测到了多少。recall 为 60% 意味着，10 个真实效果里只抓到了 6 个

这两个指标天生矛盾。降低 FDR（少冤枉人）往往意味着降低 recall（多漏掉真效果），BH 校正就是在这两者之间找平衡。

Discord 使用 Benjamini-Hochberg（BH）校正来控制 FDR，思路是这样的。

1. 把所有指标的 p 值从小到大排序
2. 排名第 i 的指标，阈值设为 =i × 0.05 / n=（n 是指标总数）
3. 只有 p 值低于对应阈值的指标才被判为"显著"

排名越靠前（i 值越小），指标总数约大（n值越大）面对的门槛越严格， 真正有效果的指标也越容易被漏掉。

一句话总结这个两难，不校正，假阳性太多；校正了，真效果容易被埋没。与其琢磨更精妙的统计方法，不如直接减少指标数量，让校正不那么激进。

他们模拟了 50000 次实验，每次包含 20 个指标。

• 19 个"噪声指标"：从正态分布 N(0, 1) 中随机抽取，代表没有真实效果的指标
• 1 个"真实效果指标"：从 N(2.8, 1) 中抽取，z 值 2.8 对应约 -5.2% 的变化，来自一次真实实验的数据

然后他们在不同的指标总数下重复模拟，观察假阳性率和 recall 的变化。

下面用 Python 复现这个核心模拟（为加快运行速度，这里用 5000 次模拟代替原文的 50000 次）。

import numpy as np
from scipy.stats import norm

def bh_reject(p_values, alpha=0.05):
    """Benjamini-Hochberg 校正，返回哪些假设被拒绝"""
    n = len(p_values)
    sorted_idx = np.argsort(p_values)
    sorted_pvals = p_values[sorted_idx]
    rejected = np.zeros(n, dtype=bool)
        for k in range(n, 0, -1):
        if sorted_pvals[k-1] <= k * alpha / n:
            rejected[sorted_idx[:k]] = True
            break
    return rejected

def simulate(n_metrics, effect_z=2.8, n_sims=5000):
    """模拟 n_metrics 个指标的实验，其中 1 个有真实效果"""
    false_alarms = 0
    detections = 0
    for _ in range(n_sims):
                null_z = np.random.normal(0, 1, n_metrics - 1)
        null_p = 2 * (1 - norm.cdf(np.abs(null_z)))
                effect_z_val = np.random.normal(effect_z, 1)
        effect_p = 2 * (1 - norm.cdf(np.abs(effect_z_val)))
                all_p = np.append(null_p, effect_p)
        rejected = bh_reject(all_p, alpha=0.05)
                if np.any(rejected[:n_metrics-1]):
            false_alarms += 1
                if rejected[-1]:
            detections += 1
    return false_alarms / n_sims, detections / n_sims

print(f"{'指标数':>6s}  {'假阳性率':>8s}  {'recall':>6s}")
print("-" * 30)
for n in [5, 10, 20, 50, 100]:
    far, rec = simulate(n)
    print(f"{n:6d}  {far:8.3f}  {rec:6.3f}")

   指标数      假阳性率  recall
------------------------------
     5     0.062   0.599
    10     0.067   0.504
    20     0.073   0.426
    50     0.067   0.329
   100     0.069   0.258

数字很清楚，从 5 个指标增加到 100 个，recall 从 60% 跌到 26%，腰斩不止。BH 校正面对更多指标时必须加码控制 FDR，结果连真效果也被压下去了。

Discord 面对的正是这个困境，50 个默认指标意味着大量真实效果被 BH 校正埋没。

他们先计算各指标在不同实验中的处理效果相关性。如果两个指标在所有实验中都朝同一个方向变化，说明它们很可能在测量同一件事。

import numpy as np
from itertools import combinations

np.random.seed(42)
n_exp = 200

factor = np.random.normal(0, 1, n_exp)
correlated = np.array([factor + np.random.normal(0, 0.3, n_exp)
                        for _ in range(6)])
independent = np.random.normal(0, 1, (2, n_exp))

metrics = np.vstack([correlated, independent])
labels = [f"metric_{i}" for i in range(8)]

print("高相关指标对（|r| > 0.7）：")
for i, j in combinations(range(8), 2):
    r = np.corrcoef(metrics[i], metrics[j])[0, 1]
    if abs(r) > 0.7:
        print(f"  {labels[i]} <-> {labels[j]}: r = {r:.3f}")

高相关指标对（|r| > 0.7）：
  metric_0 <-> metric_1: r = 0.905
  metric_0 <-> metric_2: r = 0.900
  metric_0 <-> metric_3: r = 0.901
  metric_0 <-> metric_4: r = 0.902
  metric_0 <-> metric_5: r = 0.909
  metric_1 <-> metric_2: r = 0.915
  metric_1 <-> metric_3: r = 0.908
  metric_1 <-> metric_4: r = 0.891
  metric_1 <-> metric_5: r = 0.917
  metric_2 <-> metric_3: r = 0.925
  metric_2 <-> metric_4: r = 0.902
  metric_2 <-> metric_5: r = 0.911
  metric_3 <-> metric_4: r = 0.914
  metric_3 <-> metric_5: r = 0.909
  metric_4 <-> metric_5: r = 0.900

metric_0 到 metric_5 两两高度相关（r > 0.85），它们测量的是同一个底层概念。留一个就够了，删掉其余 5 个几乎不丢信息。

但相关性只能看两两关系。如果一群指标之间的关系错综复杂（A 和 B 相关，B 和 C 相关，但 A 和 C 相关性弱），两两分析就不够了。需要更全局的工具。

PCA（主成分分析，Principal Component Analysis）回答一个更本质的问题，这些指标里到底有几个是真正独立的？

直观理解 PCA：如果你的 8 个指标其实都在测量同一件事，PCA 会告诉你"大部分变化可以被 1 个主成分解释"。如果有 3 个独立维度，前 3 个主成分就能覆盖大部分方差。

from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
metrics_scaled = scaler.fit_transform(metrics.T)
pca = PCA()
pca.fit(metrics_scaled)

print("各主成分解释的方差比例：")
cum = 0
for i, v in enumerate(pca.explained_variance_ratio_):
    cum += v
    print(f"  PC{i+1}: {v:.3f} (累计 {cum:.3f})")

各主成分解释的方差比例：
  PC1: 0.696 (累计 0.696)
  PC2: 0.132 (累计 0.828)
  PC3: 0.114 (累计 0.942)
  PC4: 0.014 (累计 0.957)
  PC5: 0.013 (累计 0.970)
  PC6: 0.011 (累计 0.981)
  PC7: 0.010 (累计 0.991)
  PC8: 0.009 (累计 1.000)

第 1 个主成分就解释了约 70% 的方差，前 3 个覆盖了 94%。8 个指标里，真正独立的维度只有 2 到 3 个，其余都是重复测量。

Discord 在真实数据上发现了同样的规律，大量 engagement 相关的指标塌缩到了同一个主成分上。这给了他们信心，去掉冗余指标不会丢多少信号。

需要说明的是，PCA 和相关性分析不能告诉你具体删哪个指标，那是业务判断的事。但它们能告诉你哪些指标在测量同一件事，让你有数据支撑地做减法，别凭感觉。