Tests statistiques non paramétriques

A/B Testing en Python

Moe Lotfy, PhD

Principal Data Science Manager

Hypothèses des tests paramétriques

  1. Échantillonnage aléatoire
    • Les données sont échantillonnées aléatoirement depuis la population.
    • Examiner le processus de collecte/échantillonnage.
  2. Indépendance
    • Chaque observation/point de données est indépendant.
    • Ignorer les dépendances gonfle les taux d'erreur.
  3. Normalité
    • Données distribuées normalement.
    • Taille d'échantillon suffisamment « grande ».
      • Test t à deux échantillons : n >= 30 par groupe.
      • Test de proportions à deux échantillons : >=10 succès et >=10 échecs par groupe.
A/B Testing en Python

Test de Mann-Whitney U

  • Test non paramétrique de significativité statistique
  • Vérifie si deux échantillons indépendants partagent la même distribution mère
  • Test des rangs (rank sum)
  • Données non appariées
A/B Testing en Python

Test de Mann-Whitney U en python

# Calculate the mean and count of time on page by variant
print(checkout.groupby('checkout_page')['time_on_page'].agg({'mean', 'count'}))

                    mean  count
checkout_page                  
A              44.668527   3000
B              42.723772   3000
C              42.223772   3000

# Set random seed for repeatability 
np.random.seed(40)
# Take a random sample of size 25 from each variant
ToP_samp_A = checkout[checkout['checkout_page'] == 'A'].sample(25)['time_on_page']
ToP_samp_B = checkout[checkout['checkout_page'] == 'B'].sample(25)['time_on_page']
A/B Testing en Python

Test de Mann-Whitney U en python

# Run a Mann-Whitney U test
mwu_test = pingouin.mwu(x=ToP_samp_A,
                        y=ToP_samp_B,
                        alternative='two-sided')
# Print the test results
print(mwu_test)

     U-val alternative     p-val     RBC    CLES
MWU  441.0   two-sided  0.013007 -0.4112  0.7056
A/B Testing en Python

Test du chi carré d'indépendance

  • Exempt des hypothèses des tests paramétriques
  • Teste si deux ou plusieurs variables catégorielles sont indépendantes
    • Hypothèse nulle : Les variables sont indépendantes.
    • Hypothèse alternative : Les variables ne sont pas indépendantes.
A/B Testing en Python

Test du chi carré en python

Taux d'inscription sur la page d'accueil : test A/B

Nulle : Aucune différence significative des taux d'inscription entre les pages d'accueil C et D

Alternative : Il existe une différence significative entre elles

# Calculate the number of users in groups C and D
n_C = homepage[homepage['landing_page'] == 'C']['user_id'].nunique()
n_D = homepage[homepage['landing_page'] == 'D']['user_id'].nunique()

# Compute unique signups in each group
signup_C = homepage[homepage['landing_page'] == 'C'].groupby('user_id')['signup'].max().sum()
no_signup_C = n_C - signup_C
signup_D = homepage[homepage['landing_page'] == 'D'].groupby('user_id')['signup'].max().sum()
no_signup_D = n_D - signup_D
A/B Testing en Python

Test du chi carré en python

# Create the signups table
table = [[signup_C, no_signup_C], [signup_D, no_signup_D]]
print('Group C signup rate:',round(signup_C/n_C,3))
print('Group D signup rate:',round(signup_D/n_D,3))

# Calculate p-value
print('p-value=',stats.chi2_contingency(table,correction=False)[1])

Group C signup rate: 0.064
Group D signup rate: 0.048
p-value= 0.009165
A/B Testing en Python

Passons à la pratique !

A/B Testing en Python

Preparing Video For Download...