Nieparametryczne testy statystyczne

Testy A/B w Pythonie

Moe Lotfy, PhD

Principal Data Science Manager

Założenia testów parametrycznych

Losowe próbkowanie
- Dane są losowo próbkowane z populacji.
- Należy zbadać proces zbierania/próbkowania danych.
Niezależność
- Każda obserwacja/punkt danych jest niezależny.
- Nieuwzględnienie zależności zawyża wskaźniki błędów.
Normalność
- Dane mają rozkład normalny.
- Wystarczająco duża próba.
  - Dwupróbkowy test t: n >= 30 w każdej grupie.
  - Test dwóch proporcji: >=10 sukcesów i >=10 porażek w każdej grupie.

Test Manna-Whitneya U

Nieparametryczny test istotności statystycznej
Sprawdza, czy dwie niezależne próby pochodzą z tego samego rozkładu
Test sumy rang
Dane niesparowane

Test Manna-Whitneya U w Pythonie

# 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']

Test Manna-Whitneya U w Pythonie

# 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

Test niezależności chi-kwadrat

Wolny od założeń testów parametrycznych
Sprawdza, czy dwie lub więcej zmiennych kategorycznych jest niezależnych
- Hipoteza zerowa: Zmienne są niezależne.
- Hipoteza alternatywna: Zmienne nie są niezależne.

Test chi-kwadrat w Pythonie

Test A/B wskaźnika rejestracji na stronie głównej

Hipoteza zerowa: Nie ma istotnej różnicy we wskaźnikach rejestracji między projektami strony C i D

Hipoteza alternatywna: Istnieje istotna różnica we wskaźnikach rejestracji między nimi

# 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

Test chi-kwadrat w Pythonie

# 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

Czas na ćwiczenia!

Testy A/B w Pythonie