Ověření správnosti: externí validita

A/B testování v Pythonu

Moe Lotfy, PhD

Principal Data Science Manager

Simpsonův paradox

Simpsonův paradox: statistický jev, kdy trendy mezi proměnnými vznikají, mizí nebo se obrátí, pokud je populace rozdělena do segmentů.

print(simp_imbalanced.groupby('Variant').mean())

Variant     Conversion
A              0.80
B              0.64

print(simp_imbalanced.groupby(['Variant','Device']).mean())

Variant Device   Conversion
A       Phone        0.875
        Tablet       0.500
B       Phone        0.900
        Tablet       0.575

simp_imbalanced.groupby(['Variant','Device'])\
                            ['Device'].count()

Variant  Device
A        Phone     40
         Tablet    10
B        Phone     10
         Tablet    40

Příklad tabulky Simpsonova paradoxu

simp_balanced.groupby(['Variant','Device'])\
                        ['Device'].count()

Variant  Device
A        Phone     40
         Tablet    10
B        Phone     40
         Tablet    10

print(simp_balanced.groupby('Variant').mean())

Variant     Conversion
A              0.70
B              0.52

print(simp_balanced.groupby(['Variant','Device']).mean())

Variant Device     Conversion
A       Phone        0.750
        Tablet       0.500
B       Phone        0.575
        Tablet       0.300

Efekt novosti
- Krátkodobé zlepšení metrik způsobené zvědavostí uživatelů vůči nové funkci.
Odpor ke změnám
- Opak efektu novosti.
- Uživatelé se vyhýbají nové funkci kvůli zvyku na tu starou.

# Plot Lift in CTR vs test days
novelty.plot('date', 'CTR_lift')
plt.ylim([0, 0.09])
plt.title('Lift in CTR vs Test Duration')
plt.show()

Vizuální ukázka efektu novosti jako čárový graf CTR vs. dny experimentu

Prodloužení doby testu
- Začněte zahrnovat data až po stabilizaci efektu léčby.
Zkoumání kohort nových a vracejících se uživatelů
- Noví uživatelé mají obecně menší sklony k efektu novosti.
- Stávající uživatelé porovnávají se svými dřívějšími zkušenostmi.

A/B testování v Pythonu