A/B 測試

Statistical Thinking in Python（第 2 部分）

Justin Bois

Lecturer at the California Institute of Technology

重新設計有效嗎？

第 4 章插圖 ch4-1.002

重新設計有效嗎？

第 4 章插圖 ch4-1.003

虛無假設

重新設計不影響點擊率

點擊的置換檢定

import numpy as np
# clickthrough_A, clickthrough_B: arr. of 1s and 0s

def diff_frac(data_A, data_B):
        frac_A = np.sum(data_A) / len(data_A)
        frac_B = np.sum(data_B) / len(data_B)
        return frac_B - frac_A

diff_frac_obs = diff_frac(clickthrough_A,
                          clickthrough_B)

點擊的置換檢定

perm_replicates = np.empty(10000)
for i in range(10000):
     perm_replicates[i] = permutation_replicate(
                clickthrough_A, clickthrough_B, diff_frac)

p_value = np.sum(perm_replicates >= diff_frac_obs) / 10000

p_value

0.016

A/B 測試

組織用來評估策略更動是否帶來更佳結果

A/B 測試的虛無假設

檢定統計量不受更動影響

一起來練習吧！

Statistical Thinking in Python（第 2 部分）