检查A/B测试中的流量分布是否均匀。在线工具快速准确地诊断SRM。只需输入数字即可获得结果。
卡方值
1.2195
P值
p = 0.2695
使用卡方统计方法计算 A/B 测试中预期与实际流量分布的偏差程度。
可即时检测流量分布是否偏离计划比例，帮助维护测试完整性。
提供状态颜色指示（正常、警告、严重），便于快速评估分布问题的严重性。
Sample Ratio Mismatch（SRM，样本比例不匹配） 是一种统计检验，用于判断 A/B 测试中各实验变体的实际用户分配是否与预期分配比例一致。
如果观察到的用户分配与预期比例存在显著差异，则可能意味着随机分流、事件日志记录、实验配置或数据采集存在问题。应在分析实验结果之前进行 SRM 检验，因为一旦存在 SRM，A/B 测试的结论可能不可靠。
该工具使用 卡方检验（Chi-Square，χ²） 比较预期和实际的分组样本数量，并自动计算 p-value。
计算完成后，将显示以下结果：
指标 | 说明 |
|---|---|
卡方统计量 | 用于评估样本分布的 χ² 检验统计量 |
p-value | 观察到当前偏差由随机因素导致的概率 |
检验状态 | 指示是否检测到 Sample Ratio Mismatch |
计算链接 | 可分享的链接，用于保存本次检验参数 |
输入各实验组的实际用户数量。
指定各实验组的预期分配比例。
如有需要，添加更多实验变体。
运行检验。
查看并分析结果。
例如，如果实验设计的流量分配比例为 50% / 50%，但实际两个组分别获得 1,000 和 1,050 名用户，工具将评估这一偏差是否可以合理地由随机波动解释。
SRM 检验特别适用于以下情况：
在分析任何 A/B 测试结果之前；
部署新的用户分流机制之后；
运行包含多个实验变体的实验时；
怀疑分析事件存在丢失时；
修改事件日志系统之后；
更改随机分流机制之后；
当各实验组样本量出现异常差异时。
在许多公司中，SRM 检验是分析任何实验之前的必需步骤。
最常见的原因包括：
用户随机分配错误；
Feature Flag 配置错误；
实验平台故障；
分析事件丢失；
部分用户被过滤；
用户身份识别错误；
Cookie 或身份认证问题；
流量分配错误；
软件缺陷。
SRM 本身并不能指出问题的根本原因，它只能说明观察到的用户分布与预期分配存在统计学上的差异。
如果检测到 SRM，则应极其谨慎地解读实验结果。
即使不同实验变体之间表现出统计显著性，这种差异也可能是由用户分配问题引起，而不是产品改动本身造成的。
在实际工作中，团队通常会先调查并解决导致 SRM 的问题，然后重新运行实验。
本工具仅验证实验组之间用户分配是否正确。
它不会判断哪个实验变体表现更好，也不会比较转化率或估算效应大小。
此外，SRM 检验也无法确定问题的具体来源，它只能表明观察到的用户分配在统计意义上与预期分配存在差异。
Sample Ratio Mismatch Calculator（SRM 计算器） 可以快速验证实验参与者是否按照预期正确分配到各个实验变体中。它是任何 A/B 测试最重要的前置验证步骤之一，有助于在分析产品指标之前及时发现实验实施中的问题。
为了获得完整的实验分析结果，建议将本工具与其他统计分析工具配合使用。在启动实验之前，可使用 Sample Size Calculator 估算所需样本量。SRM 检验通过后，对于连续型指标，可使用 Two-Sample T-Test 分析实验结果；对于转化率等二元指标，则可使用 Chi-Square Test。
SRM 计算器通过分析测试组之间的流量分布，帮助发现 A/B 测试中的问题。它使用卡方统计方法检测可能影响测试有效性的统计异常。
该工具适用于数据分析师、市场人员和需要确保 A/B 测试完整性的专业人士。它有助于发现流量分布偏离预期比例的情况。
计算器提供清晰的结果解释和状态颜色指示，便于判断何时需要干预以保证测试质量。
当实验各组的实际参与人数与计划分配比例存在显著差异时，就会出现样本比例失配（SRM）。这可能表明随机化、分组、跟踪或数据丢失存在问题，并可能使测试结果失效。
输入每个组的实际参与人数和计划分配比例。计算器使用卡方检验比较观察人数与期望人数，并显示卡方值、p 值和 SRM 状态。
添加至少两个组，输入各组的实际人数和计划比例，并确保计划比例之和为 1，然后计算 SRM。p 值较低表示观察到的分配不太可能仅由随机波动造成。
是的，该计算器不仅适用于经典的 A/B 测试，也适用于多变量实验。它有助于识别多个组之间的分配不平衡。
应在实验开始后以及解释结果之前检查 SRM。在监控过程中，或更改流量分配、定向、跟踪或排除规则之后，也应进行检查。发现显著 SRM 时，应先调查原因，再采信测试结果。
常见原因包括流量分配实施错误（代码中的错误）、重定向问题、Cookie 排除不正确、机器人或搜索引擎爬虫扭曲数据，以及将用户从特定组中排除。
是的，显著的 SRM（由低 p 值表示）强烈表明您的 A/B 测试设置或实施方式存在问题。忽略 SRM 可能导致测试结果无效和错误的业务决策。
解决 SRM 通常涉及深入调查 A/B 测试的实施代码，检查流量分配逻辑，确保正确应用用户排除，并分析流量是否存在异常（例如，机器人流量）。
