你在比较两组门店的促销效果。一组门店本来就客流旺，另一组位于淡季地区。直接比较销售额，很容易把这些固有差别误算成促销效果。Instacart 面对的市场实验更复杂：平台连接买卖双方，价格、排序或补贴的变化，可能同时影响另一侧和没有接受处理的人。
据 PyFixest 开发者 Alex Fischer 转述，Instacart 的 Ben Knight 发布了《Leveraging pyfixest for High-Cardinality Marketplace Modeling at Instacart》，介绍团队如何用 PyFixest 衡量 marketplace experiments（市场实验）的效果。Fischer 称这套工具已用于“in production”。这让它值得关注：重点不是又学会一种回归，而是一个开源统计工具开始进入真实业务的重复分析流程。不过，目前只有开发者博客经 R-bloggers 转载这一条信源，Instacart 原文并未纳入供稿，所以下文只能确认到这一层。
先把门店自己的底色扣掉
这里的核心方法是固定效应回归。所谓固定效应，就是给商家、地区或日期各自设置一个基准项，先扣除这些单位固有或共同的差别，再比较实验处理带来的变化。
可以把它理解为比较学生进步时，先考虑每个人原来的起点。研究者关心的不是谁最后分数最高，而是谁相对自己的基线发生了变化。在市场实验中，这样做可以减少商家体量、地区环境或日期波动带来的噪声。
PyFixest 是面向 Python 的固定效应回归工具，定位是高效估计含大量组别效应的模型。“高基数”指组别非常多，例如大量商家、地区或时间单元。组别一多，分析就不只是写出一条回归公式，还要让计算能够反复执行并稳定交付。
随机实验为什么还要回归
随机实验中的处理效应仍然来自随机分配。固定效应回归不是用模型替代随机化，而是一种回归调整：利用实验前特征或分层变量解释部分结果波动。调整得当时，研究者能更清楚地从背景差异中辨认实验信号。
市场实验尤其需要留意共同冲击和相互干扰。双边市场中，对一侧改变价格、排序或补贴，可能波及另一侧，也可能影响未处理者。固定效应能够吸收一部分商家、地区或日期层面的背景差异，但现有材料没有披露 Instacart 具体控制了哪些组别，也没有说明如何处理实验参与者之间的相互影响。
真正的看点是进入流程
一段分析代码能跑通，和进入生产流程是两回事。后者通常意味着同一套分析需要可重复运行、接受监控，并稳定交付结果。因此，这则案例的意义主要是工程信号：固定效应模型及其 Python 开源实现，正在从单次研究分析走向市场实验的日常工作流。
但“实验平台”应当谨慎理解。现有信源只说 PyFixest 被用于衡量市场实验效果，并称其处于“in production”；它没有证明 PyFixest 已成为 Instacart 实验平台的核心链路，也没有交代生产范围和调用规模。Fischer 本人是 PyFixest 开发者，原文带有明显的项目推广语气，因此不能据此推出性能提升、业务收益或优于其他工具。
局限与未知
- 供稿没有 Instacart 原文，相关事实只有 PyFixest 开发者的一次转述，尚无独立信源交叉印证。
- 材料未披露模型设定、处理效应估计方式、样本量、运行性能、精度或业务收益。
- “in production”具体指哪些场景、运行多大规模，以及是否位于实验平台核心链路，目前都不明确。