स्वतंत्र-नमूना t-test

R में A/B Testing

Lauryn Burleigh

Data Scientist

A/B डिज़ाइन में Independent t-test

  • औसतों के अंतर की महत्वता
  • शून्य परिकल्पना:
    • Cheese और Pepperoni पिज़्ज़ा खाने में समान समय लगता है (कोई अंतर नहीं)
R में A/B Testing

अनुमान (Assumptions)

  • आश्रित वैरिएबल:
    • Interval या ratio
    • समान अंतराल
  • रैंडम सैंपल्स
  • नॉर्मल डिस्ट्रीब्यूशन
  • समूहों के वैरिएंस समान
library(ggplot2)
ggplot(pizza, aes(x = Time, 
                  fill = Topping)) +
       geom_histogram() + 
       facet_grid(Topping~.)

दो नॉर्मल-वितरित हिस्टोग्राम। पिंक में Pepperoni जिसका mean 8 है, और ब्लू में Cheese जिसका mean 6.2 है.

R में A/B Testing

सैंपल साइज़

library(pwr)
pwr.t.test(d = 0.73, power = 0.80, 
           sig.level = 0.05, 
           type = "two.sample", 
           alternative = "two.sided")

  Two-sample t test power calculation 

              n = 30.44799
              d = 0.73
      sig.level = 0.05
          power = 0.8
    alternative = two.sided

NOTE: n is number in *each* group
R में A/B Testing

वैरिएंस का आकलन

  • समूह वैरिएंस समान
  • Levene का टेस्ट

Not significant (p > 0.05) = वैरिएंस समान

यदि significant (p < 0.05) = वैरिएंस समान नहीं

library(car)
leveneTest(Time ~ Topping, 
           data = Pizza)

Levene's Test for Homogeneity of Variance
         Df F value Pr(>F)
group   1  0.1457 0.7031
R में A/B Testing

टेस्ट

t.test(Time ~ Topping, data = Pizza, 
       paired = FALSE, 
       alternative = "two.sided", 
       var.equal = TRUE)

    Two Sample t-test
data:  Time by Topping
t = 2.3811, df = 198, p-value = 0.01821
alternative hypothesis: true difference 
in means between group Pepperoni and 
group Cheese is not equal to 0
95 percent confidence interval:
 0.0599370 0.6377601
R में A/B Testing

Cohen का d

  • Cohen's d: t-test का effect size
    • औसतों के अंतर का मानकीकृत माप
  • Small: 0.2
  • Medium: 0.5
  • Large: 0.8
library(effectsize)
cohens_d(Time ~ Topping, data = Pizza)

Cohen's d |       95% CI
<----------------------
0.34      | [0.06, 0.62]
R में A/B Testing

Power

library(pwr)

pwr.t.test(n = 1000, 
           sig.level = 0.0182, 
           d = 0.34, 
           type = "two.sample")

  Two-sample t test power calculation 
              n = 100
              d = 0.34
      sig.level = 0.0182
          power = 0.510256
    alternative = two.sided
NOTE: n is number in *each* group
  • परिणाम स्वीकारने के लिए आदर्श power: 0.8
    • त्रुटि की संभावना: 20%
    • 100 - 80 = 20
R में A/B Testing

अभ्यास करते हैं!

R में A/B Testing

Preparing Video For Download...