Korrigierte p-Werte
Stell dir vor, du bist Data Scientist bei einem Abonnementdienst. Das Webdesign-Team sucht nach dem perfekten CTA-Button (Call-to-Action), der Besucher dazu bewegt, sich für den Service anzumelden. Sie haben dir neben der aktuellen Version 4 verschiedene Designs vorgelegt.
Nach einem Experiment, in dem jede Variante mit der Kontrollgruppe verglichen wurde, hast du eine Liste von p-Werten erstellt, die in der Variable pvals geladen ist. Ein direkter Vergleich mit dem Signifikanzniveau würde zu einer erhöhten Fehlerquote 1. Art führen. Um das zu vermeiden, kannst du die Funktion smt.multipletests() aus der Python-Bibliothek statsmodels verwenden, um die p-Werte zu korrigieren und die statistische Signifikanz mit einer FWER = 5 % zu testen.
Diese Übung ist Teil des Kurses
A/B-Tests in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
import statsmodels.stats.multitest as smt
pvals = [0.0126, 0.0005, 0.00007, 0.009]
# Perform a Bonferroni correction and print the output
corrected = smt.____(pvals, alpha = ____, method = '____')
print('Significant Test:', corrected[0])
print('Corrected P-values:', corrected[1])
print('Bonferroni Corrected alpha: {:.4f}'.format(corrected[3]))