Corrélation de Pearson

Tests A/B en R

Lauryn Burleigh

Data Scientist

Hypothèses de la corrélation de Pearson

  • Choisir le test de corrélation : propriétés des données
  • Corrélation de Pearson
    • Linéaire
    • Distribution normale

Droite linéaire montant du bas gauche vers le haut droit.

Graphe d'une distribution normale standard.

Tests A/B en R

Corrélation de Pearson et tests A/B

  • Groupe A : pizza au fromage
  • Groupe B : pizza au pepperoni

 

  • Lien entre le temps pour manger et le plaisir

En ignorant les groupes

  • Hypothèse nulle : aucun lien entre le temps pour manger et le plaisir de la pizza

Chaque groupe

  • Hypothèse nulle : aucun lien entre le temps pour manger et le plaisir de la pizza au fromage
  • Hypothèse nulle : aucun lien entre le temps pour manger et le plaisir de la pizza au pepperoni
Tests A/B en R

Déterminer la taille de l'échantillon

  • Effet attendu r (obtenu avec cor())
  • sig.level auquel on rejette H0
library(pwr)
pwr.r.test(r = 0.3, power = 0.80, 
           sig.level = 0.05)

    approximate correlation power 
 calculation (arctangh transformation) 

              n = 84.07364
              r = 0.3
      sig.level = 0.05
          power = 0.8
    alternative = two.sided
Tests A/B en R

Évaluer la linéarité

ggplot(pizza, aes(x = enjoyment, 
                  y = time)) + 
    geom_point()

Nuage de points montrant une relation linéaire positive entre le plaisir en x et le temps en y.

ggplot(pizza, aes(x = enjoyment, 
                  y = time)) + 
    geom_point()

Nuage de points avec relation linéaire positive entre plaisir (axe x) et temps (axe y), un amas en bas à gauche et un autre distinct en haut à droite.

Tests A/B en R

Évaluer la normalité

shapiro.test(pizza$time)

    Shapiro-Wilk normality test
data:  pizza$time
W = 0.98686, p-value = 0.4282
  • Données normales
shapiro.test(pizza$enjoyment)

    Shapiro-Wilk normality test
data:  pizza$enjoyment
W = 0.98916, p-value = 0.5971
  • Données normales
Tests A/B en R

Pearson en ignorant les groupes

cor.test(~ time + enjoyment, 
         data = pizza, 
         method = "pearson")

 

Proportion de variance : cor^2

0.30^2

[1] 0.09

Pearson's product-moment correlation

data:  time and enjoyment
t = 22.304, df = 88, p-value = 0.0218
alternative hypothesis: true correlation
is not equal to 0
95 percent confidence interval:
 0.8833166 0.9479256
sample estimates:
      cor 
0.3021878
Tests A/B en R

Pearson à l'intérieur des groupes

cor.test(~ time + enjoyment, 
         data = pizza, 
         subset = 
             (Topping == "Cheese"),
         method = "pearson")

Pearson's product-moment correlation

data:  Time and Enjoy
t = 11.121, df = 98, p-value < 2.2e-16
alternative hypothesis: true correlation 
is not equal to 0
95 percent confidence interval:
 0.6451710 0.8226595
sample estimates:
     cor 
0.746935
Tests A/B en R

Analyse de puissance

Pearson en ignorant les groupes :

Pearson's product-moment correlation

data:  time and enjoyment
t = 22.304, df = 88, p-value = 0.0218
alternative hypothesis: true 
correlation is not equal to 0
95 percent confidence interval:
 0.8833166 0.9479256
sample estimates:
      cor 
0.3021878

library(pwr)
pwr.r.test(r = 0.302, n = 100, 
           sig.level = 0.022)

     approximate correlation power 
  calculation (arctangh transformation) 

              n = 100
              r = 0.302
      sig.level = 0.022
          power = 0.7853514
    alternative = two.sided
Tests A/B en R

Passons à la pratique !

Tests A/B en R

Preparing Video For Download...