प्रयोगात्मक डेटा सेटअप

Python में Experimental Design

James Chapman

Curriculum Manager, DataCamp

रैंडमाइज़ेशन की समस्या

1) Uneven issue: समूहों में विषयों की संख्या अलग-अलग

दो समूह जिनमें विषयों की संख्या अलग है.

रैंडमाइज़ेशन की समस्या

2) Covariate issue: कुछ covariates में high variability → रैंडमाइज़ेशन में group imbalances

कंट्रोल और ट्रीटमेंट समूह जो उम्र का रिएक्शन टाइम पर असर मापने के लिए बने हैं. दोनों समूहों में शारीरिक फिटनेस का वितरण असमान है, जो भले प्राथमिक फोकस नहीं है, पर रिएक्शन टाइम पर असर डाल सकता है.

Result: treatment effect मापना मुश्किल!

ब्लॉक रैंडमाइज़ेशन

पहले आकार $n$ के blocks में बाँटें, फिर random split करें
- uneven issue ठीक होता है

ब्लॉक रैंडमाइज़ेशन का उदाहरण, दो ग्रिड में नारंगी और सफेद स्क्वेयर

24 विषयों को दो समूहों में बाँटकर फिर randomize करें

हमारा डेटासेट

E-commerce डेटासेट (ecom) (1000 subjects)
- औसत basket size
- वेबसाइट पर औसत समय
- Power user (वेबसाइट पर दैनिक औसत 40+ मिनट)

   basket_size  web_time  power_user
0          227         7           0
1          123         5           0
2           98        16           0
3          211        45           1
4          133        17           0

Python में ब्लॉक रैंडमाइज़ेशन

group1 = ecom.sample(frac=0.5, random_state=42, replace=False)
group1['Block'] = 1
group2 = ecom.drop(group1.index)
group2['Block'] = 2
print(len(group1), len(group2))

500,500

Splits को विज़ुअलाइज़ करना

import seaborn as sns
import matplotlib.pyplot as plt
sns.displot(data=ecom, 
            x='basket_size', 
            hue='power_user', 
            fill=True, 
            kind='kde')    
plt.show()

Confounding = variable treatment के बजाय effect का कारण हो सकता है

Seaborn का डिस्ट्रीब्यूशन प्लॉट जिसमें दो नॉर्मल-जैसी, थोड़ी ट्रांसपेरेंट डिस्ट्रीब्यूशंस हैं. एक बड़ी नीली और एक छोटी नारंगी, जो थोड़ा ओवरलैप करती हैं और नारंगी दाईं ओर शिफ्टेड है

स्ट्रैटिफाइड रैंडमाइज़ेशन

पहले covariate(s) के आधार पर split
- फिर randomization
हरा = सभी power users (पीला = not power users)
- फिर Treatment/Control में split
covariate/confounding issue ठीक होता है
कई covariates के लिए कर सकते हैं - पर जटिल हो जाता है!

डेटा की दो ग्रिड का चित्र, एक हरी और एक पीली. दोनों में हर सेल में T या C है और पीली ग्रिड बड़ी है

हमारा पहला strata

power users को अलग करें
Treatment/Control में sample करें

strata_1 = ecom[ecom['power_user'] == 1]
strata_1['Block'] = 1

strata_1_g1 = strata_1.sample(frac=0.5, replace=False)
strata_1_g1['T_C'] = 'T'

strata_1_g2 = strata_1.drop(strata_1_g1.index)
strata_1_g2['T_C'] = 'C'

दूसरा strata

not power users को अलग करें
Treatment/Control में sample करें

strata_2 = ecom.drop(strata_1.index)
strata_2['Block'] = 2

strata_2_g1 = strata_2.sample(frac=0.5, replace=False)
strata_2_g1['T_C'] = 'T'
strata_2_g2 = strata_2.drop(strata_2_g1.index)
strata_2_g2['T_C'] = 'C'

स्ट्रैटिफ़िकेशन की पुष्टि

blocks और groups को join करें
allocation जाँचने के लिए groupby का उपयोग करें

ecom_stratified = pd.concat([strata_1_g1, strata_1_g2, strata_2_g1, strata_2_g2])

ecom_stratified.groupby(['Block','T_C', 'power_user']).size()

Block  T_C  power_user
1      C    1              50
       T    1              50
2      C    0             450
       T    0             450

अभ्यास करते हैं!

Python में Experimental Design