Plan d'expérience : analyse de puissance

A/B Testing en Python

Moe Lotfy, PhD

Principal Data Science Manager

Taille d'effet

d de Cohen pour la différence de moyennes
h de Cohen pour la différence de proportions

Formule de la taille d'effet h de Cohen

Règle générale
- Petit effet = 0,2
- Effet moyen = 0,5
- Grand effet = 0,8

# Calculate standardized effect size
from statsmodels.stats.proportion import proportion_effectsize
effect_size_std = proportion_effectsize(.33, .3)
print(effect_size_std)

0.0645

# Calculate standardized effect size
from statsmodels.stats.proportion import proportion_effectsize
effect_size_std = proportion_effectsize(p_B, p_A)
print(effect_size_std)

0.0716

Estimation de la taille d'échantillon pour des proportions

# Import power module
from statsmodels.stats import power
# Calculate sample size
sample_size = power.TTestIndPower().solve_power(effect_size=effect_size_std,
                                                power=.80,
                                                alpha=.05,
                                                nobs1=None)
print(sample_size)

3057.547

Effet de la taille d'échantillon et du MDE sur la puissance

# Import t-test power package
from statsmodels.stats.power import TTestIndPower
# Specify parameters for power analysis
sample_sizes = array(range(10, 120))
effect_sizes = array([0.2, 0.5, 0.8])
# Plot power curves
TTestIndPower().plot_power(nobs=sample_sizes, effect_size=effect_sizes)
plt.show()

Courbes de puissance montrant l'effet de la taille d'échantillon et de la taille d'effet

Estimation de la taille d'échantillon pour des moyennes

# Calculate the baseline mean order value
mean_A = checkout[checkout['checkout_page']=='A']['order_value'].mean()
print(mean_A)

24.9564

std_A = checkout[checkout['checkout_page']=='A']['order_value'].std()
print(std_A)

2.418

# Specify the desired minimum average order value
mean_new = 26

# Calculate the standardized effect size
std_effect_size=(mean_new-mean_A)/std_A

Estimation de la taille d'échantillon pour des moyennes

sample_size = power.TTestIndPower().solve_power(effect_size=std_effect_size,
                                                power=.80,
                                                alpha=.05,
                                                nobs1=None)
print(sample_size)

85.306

Passons à la pratique !

A/B Testing en Python