Neparametrické statistické testy

A/B testování v Pythonu

Moe Lotfy, PhD

Principal Data Science Manager

Předpoklady parametrických testů

Náhodný výběr
- Data jsou náhodně vybrána z populace.
- Prověřte proces sběru a vzorkování dat.
Nezávislost
- Každé pozorování/datový bod je nezávislý.
- Ignorování závislostí zvyšuje míru chyb.
Normalita
- Data mají normální rozdělení.
- Dostatečně velký rozsah vzorku.
  - Dvouvýběrový t-test: n >= 30 v každé skupině.
  - Test dvou proporcí: >=10 úspěchů a >=10 neúspěchů v každé skupině.

Mann-Whitney U test

Neparametrický test statistické významnosti
Určuje, zda dva nezávislé výběry pocházejí ze stejného rozdělení
Test součtu pořadí
Nepárová data

Mann-Whitney U test v Pythonu

# 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']

Mann-Whitney U test v Pythonu

# 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

Chí-kvadrát test nezávislosti

Bez předpokladů parametrických testů
Testuje nezávislost dvou nebo více kategorických proměnných
- Nulová hypotéza: Proměnné jsou nezávislé.
- Alternativní hypotéza: Proměnné nejsou nezávislé.

Chí-kvadrát test v Pythonu

A/B test míry registrací na domovské stránce

Nulová hypotéza: Mezi designem stránek C a D není žádný významný rozdíl v míře registrací

Alternativní hypotéza: Mezi nimi není žádný významný rozdíl v míře registrací

# 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

Chí-kvadrát test v Pythonu

# 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

Pojďme si procvičit!

A/B testování v Pythonu