Oberoende t-test

A/B-testning i R

Lauryn Burleigh

Data Scientist

Oberoende t-test i A/B-design

  • Signifikans i skillnad mellan medelvärden
  • Nollhypotes:
    • Ost- och pepperonipizza äts upp på samma tid (ingen skillnad)
A/B-testning i R

Antaganden

  • Beroende variabel:
    • Intervall- eller kvotskala
    • Lika intervall
  • Slumpmässiga urval
  • Normalfördelning
  • Liknande gruppvarianser
library(ggplot2)
ggplot(pizza, aes(x = Time, 
                  fill = Topping)) +
       geom_histogram() + 
       facet_grid(Topping~.)

Två normalfördelade histogram. Pepperoni i rosa med medelvärde 8 och ost i blått med medelvärde 6,2.

A/B-testning i R

Urvalsstorlek

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
A/B-testning i R

Bedömning av varianser

  • Lika gruppvarianser
  • Levenes test

Ej signifikant (p > 0,05) = lika varianser

Signifikant (p < 0,05) = ojämlika varianser

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
A/B-testning i R

Test

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
A/B-testning i R

Cohens d

  • Cohens d: effektstorlek för t-test
    • Standardiserat mått på skillnad mellan medelvärden
  • Liten: 0,2
  • Medel: 0,5
  • Stor: 0,8
library(effectsize)
cohens_d(Time ~ Topping, data = Pizza)

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

Styrka

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
  • Optimal styrka för att godta resultat: 0,8
    • Sannolikhet för fel: 20 %
    • 100 - 80 = 20
A/B-testning i R

Nu kör vi en övning!

A/B-testning i R

Preparing Video For Download...