Testes estatísticos não paramétricos

A/B Testing em Python

Moe Lotfy, PhD

Principal Data Science Manager

Premissas de testes paramétricos

  1. Amostragem aleatória
    • Dados amostrados aleatoriamente da população.
    • Investigue o processo de coleta/amostragem.
  2. Independência
    • Cada observação/ponto de dado é independente.
    • Ignorar dependências aumenta as taxas de erro.
  3. Normalidade
    • Dados com distribuição normal.
    • Tamanho de amostra "suficientemente" grande.
      • Teste t de duas amostras: n >= 30 em cada grupo.
      • Teste de duas proporções: >=10 sucessos e >=10 falhas em cada grupo.
A/B Testing em Python

Teste U de Mann-Whitney

  • Teste não paramétrico de significância estatística
  • Verifica se duas amostras independentes têm a mesma distribuição de origem
  • Teste de soma de postos
  • Dados não pareados
A/B Testing em Python

Teste U de Mann-Whitney em 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 em Python

Teste U de Mann-Whitney em 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 em Python

Teste qui-quadrado de independência

  • Livre das premissas de testes paramétricos
  • Testa se duas ou mais variáveis categóricas são independentes
    • Hipótese nula: As variáveis são independentes.
    • Hipótese alternativa: As variáveis não são independentes.
A/B Testing em Python

Teste qui-quadrado em Python

Taxas de cadastro na Homepage: teste A/B

Nula: Não há diferença significativa nas taxas de cadastro entre os designs C e D

Alternativa: Há diferença significativa entre eles

# 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 em Python

Teste qui-quadrado em 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 em Python

Vamos praticar!

A/B Testing em Python

Preparing Video For Download...