Konfiguration av experimentdata

Experimentell design i Python

James Chapman

Curriculum Manager, DataCamp

Problemet med randomisering

1) Ojämnt antal: olika antal försökspersoner per grupp

Två grupper med olika antal försökspersoner.

Problemet med randomisering

2) Kovariatproblem: hög variabilitet i kovariater → ojämn gruppbalans vid randomisering

Kontroll- och behandlingsgrupper utformade för att mäta ålderns påverkan på reaktionstider. De två grupperna har en ojämn fördelning av fysisk kondition, vilket inte är experimentets primära fokus men kan påverka reaktionstidsvariabeln.

Resultat: svårare att mäta behandlingseffekten!

Blockrandomisering

Dela in i block om storlek $n$ först, sedan slumpmässig fördelning
- Löser problemet med ojämnt antal

Ett exempel på blockrandomisering med två rutnät av orange och vita rutor

24 försökspersoner delas i två grupper och randomiseras sedan

Vår datamängd

E-handelsdatamängd (ecom) (1 000 försökspersoner)
- Genomsnittlig korglstorlek
- Genomsnittlig tid på webbplatsen
- Storförbrukare (i genomsnitt 40+ minuter dagligen på webbplatsen)

   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

Blockrandomisering i Python

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

Visualisera uppdelningar

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 = variabel som kan orsaka effekten istället för behandlingen

Ett seaborn-fördelningsdiagram med två normalliknande, lätt genomskinliga fördelningar. En större blå och en mindre orange som delvis överlappar, med den orange förskjuten åt höger

Stratifierad randomisering

Dela efter kovariate(r) först
- Sedan randomisering
Grönt = alla storförbrukare (Gult = inte storförbrukare)
- Sedan uppdelning Behandling/Kontroll
Löser kovariat-/confoundingproblemet
Kan göras för flera kovariater – men blir komplext!

En bild av två datarutnät, ett grönt och ett gult. Alla celler innehåller bokstaven T eller C, och det gula rutnätet är större

Vårt första stratum

Separera storförbrukare
Fördela i Behandling/Kontroll

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'

Det andra stratumet

Separera icke-storförbrukare
Fördela i Behandling/Kontroll

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'

Bekräfta stratifieringen

Slå ihop block och grupper
Använd groupby för att kontrollera fördelningen

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

Nu kör vi en övning!

Experimentell design i Python