Verificări de validitate: validitate internă
A/B Testing în Python
Moe Lotfy, PhD
Principal Data Science Manager
Nepotrivirea raportului de eșantionare (SRM)
- Nepotrivire a raportului de eșantionare (SRM)
- Alocarea pe variante deviază de la proiect
- Test chi-pătrat de bunătate a ajustării
Exemplu Python pentru SRM
# Calculate the unique IDs per variant
AdSmart.groupby('experiment')['auction_id'].nunique()
experiment
control 4071
exposed 4006
# Assign the unqiue counts to each variant
control_users=AdSmart[AdSmart['experiment']=='control']['auction_id'].nunique()
exposed_users=AdSmart[AdSmart['experiment']=='exposed']['auction_id'].nunique()
total_users=control_users+exposed_users
# Calculate allocation ratios per variant
control_perc = control_users / total_users
exposed_perc = exposed_users / total_users
print("Percentage of users in the Control group:",100*round(control_perc,5),"%")
print("Percentage of users in the Exposed group:",100*round(exposed_perc,5),"%")
Percentage of users in the Control group: 50.402 %
Percentage of users in the Exposed group: 49.598 %
1 Adsmart Kaggle dataset: https://www.kaggle.com/datasets/osuolaleemmanuel/ad-ab-testing
Exemplu Python pentru SRM
# Creat lists of observed and expected counts per variant
observed = [ control_users, exposed_users ]
expected = [ total_users/2, total_users/2 ]
# Import chisquare from scipy library
from scipy.stats import chisquare
# Run chisquare test on observed and expected lists
chi = chisquare(observed, f_exp=expected)
# Print test results and interpretation
print(chi)
if chi[1] < 0.01:
print("SRM may be present")
else:
print("SRM likely not present")
Power_divergenceResult(statistic=0.5230902562832735, pvalue=0.4695264353014863)
SRM likely not present
1 Adsmart Kaggle dataset: https://www.kaggle.com/datasets/osuolaleemmanuel/ad-ab-testing
Identificarea cauzei SRM
Cauze frecvente ale SRM:$^1$
- Alocare: bucketing incorect sau funcții de randomizare defectuoase
- Execuție: întârzieri la pornirea variantelor sau rate de creștere
- Înregistrare date: întârzieri de logging sau filtrare boți
- Interferență: experimentatorul pauzează o variantă
1 Diagnosing Sample Ratio Mismatch in Online Controlled Experiments: A Taxonomy and Rules of Thumb for Practitioners
Teste A/A
- Test A/A
- Prezintă o experiență identică pentru două grupuri de utilizatori
- Relevă erori în configurarea experimentului
- Nicio diferență semnificativă statistic între metrici
- Fals pozitivele pot apărea la $\alpha$ specificat (5% din cazuri)
- Relevă dezechilibre în distribuțiile pe grupuri (ex. browsere, dispozitive etc.)
Exemplu Python: echilibrul distribuțiilor
- Distribuție echilibrată a browserelor
- Test valid
checkout.groupby('checkout_page')['browser'].value_counts(normalize=True)
checkout_page browser
A chrome 0.341333
safari 0.332000
firefox 0.326667
B safari 0.352000
firefox 0.325000
chrome 0.323000
C safari 0.346000
chrome 0.330000
firefox 0.324000
- Distribuție dezechilibrată a browserelor
- Test invalid
AdSmart.groupby('experiment')['browser'].value_counts(normalize=True)
experiment browser
control Chrome Mobile 0.591992
Facebook 0.137804
Samsung Internet 0.120855
Chrome Mobile WebView 0.071727
Mobile Safari 0.060427
Chrome Mobile iOS 0.008352
Mobile Safari UI/WKWebView 0.007369
exposed Chrome Mobile 0.535197
Chrome Mobile WebView 0.298802
Samsung Internet 0.082876
Facebook 0.050674
Mobile Safari 0.022716
Chrome Mobile iOS 0.004244
1 Adsmart Kaggle dataset: https://www.kaggle.com/datasets/osuolaleemmanuel/ad-ab-testing
Să exersăm!
A/B Testing în Python
