Power-Kurven plotten
Eine Power-Analyse vor dem Start eines A/B-Tests gehört zu den wichtigsten Schritten. So erhöhst du die Chance auf eindeutige Ergebnisse und kannst Ressourcen sowie die für jeden Test eingeplante Zeit besser planen. Außerdem erleichtert das Plotten von Power-Kurven die Visualisierung, wie sich das Variieren bestimmter Parameter auf die benötigte Stichprobengröße auswirkt, um das gewünschte Konfidenzniveau zu erreichen. Auch wenn eine größere Stichprobe unsere Chancen auf ein klares Ergebnis verbessert, ist das Sammeln zusätzlicher Einheiten oder mehr Zeitaufwand eine Ressourcenverschwendung, sobald die Power-Kurven sättigen.
Schauen wir uns an, wie das in der Praxis funktioniert.
Diese Übung ist Teil des Kurses
A/B-Tests in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
from statsmodels.stats.power import TTestIndPower
# Specify parameters for power analysis
sample_sizes = ____(range(____))
effect_sizes = ____([____])