Непараметричні статистичні тести

A/B Testing на Python

Moe Lotfy, PhD

Principal Data Science Manager

Припущення параметричних тестів

  1. Випадкова вибірка
    • Дані випадково відібрані з генеральної сукупності.
    • Перевірте процес збирання даних/вибірки.
  2. Незалежність
    • Кожне спостереження незалежне.
    • Ігнорування залежностей завищує рівень помилок.
  3. Нормальність
    • Дані мають нормальний розподіл.
    • Достатньо велика вибірка.
      • Двовибірковий t-тест: n >= 30 у кожній групі.
      • Тест двох часток: >=10 успіхів і >=10 невдач у кожній групі.
A/B Testing на Python

Критерій Манна—Вітні

  • Непараметричний тест статистичної значущості
  • Визначає, чи мають дві незалежні вибірки спільний розподіл-джерело
  • Тест рангових сум
  • Непарні дані
A/B Testing на Python

Критерій Манна—Вітні в Python

# Calculate the mean and count of time on page by variant
print(checkout.groupby('checkout_page')['time_on_page'].agg({'mean', 'count'}))

                    mean  count
checkout_page                  
A              44.668527   3000
B              42.723772   3000
C              42.223772   3000

# Set random seed for repeatability 
np.random.seed(40)
# Take a random sample of size 25 from each variant
ToP_samp_A = checkout[checkout['checkout_page'] == 'A'].sample(25)['time_on_page']
ToP_samp_B = checkout[checkout['checkout_page'] == 'B'].sample(25)['time_on_page']
A/B Testing на Python

Критерій Манна—Вітні в Python

# Run a Mann-Whitney U test
mwu_test = pingouin.mwu(x=ToP_samp_A,
                        y=ToP_samp_B,
                        alternative='two-sided')
# Print the test results
print(mwu_test)

     U-val alternative     p-val     RBC    CLES
MWU  441.0   two-sided  0.013007 -0.4112  0.7056
A/B Testing на Python

Критерій хі-квадрат незалежності

  • Не потребує припущень параметричних тестів
  • Перевіряє, чи є дві або більше категоріальні змінні незалежними
    • Нульова гіпотеза: змінні незалежні.
    • Альтернативна гіпотеза: змінні не є незалежними.
A/B Testing на Python

Критерій хі-квадрат у Python

Тест A/B для реєстрацій на головній сторінці

Нульова: немає суттєвої різниці в частоті реєстрацій між дизайнами цільових сторінок C і D

Альтернативна: між ними немає суттєвої різниці

# Calculate the number of users in groups C and D
n_C = homepage[homepage['landing_page'] == 'C']['user_id'].nunique()
n_D = homepage[homepage['landing_page'] == 'D']['user_id'].nunique()

# Compute unique signups in each group
signup_C = homepage[homepage['landing_page'] == 'C'].groupby('user_id')['signup'].max().sum()
no_signup_C = n_C - signup_C
signup_D = homepage[homepage['landing_page'] == 'D'].groupby('user_id')['signup'].max().sum()
no_signup_D = n_D - signup_D
A/B Testing на Python

Критерій хі-квадрат у Python

# Create the signups table
table = [[signup_C, no_signup_C], [signup_D, no_signup_D]]
print('Group C signup rate:',round(signup_C/n_C,3))
print('Group D signup rate:',round(signup_D/n_D,3))

# Calculate p-value
print('p-value=',stats.chi2_contingency(table,correction=False)[1])

Group C signup rate: 0.064
Group D signup rate: 0.048
p-value= 0.009165
A/B Testing на Python

Давайте потренуємось!

A/B Testing на Python

Preparing Video For Download...