Verstehe A/B-Tests und deren Design. Lerne, worauf du achten solltest, um Daten und Analysen angemessen zu behandeln.

A/B-Tests und Design

A/B-Subjekt-Design

Format und Histogramme

Wichtige Aspekte in A/B-Tests

Fehler 1. Art in A/B-Tests

Stichproben

Family-wise error rate

Power und Stichprobengröße

Einflussfaktoren auf Power

Bestimme die ideale Stichprobengröße

Regression zum Mittelwert

Einführung in A/B-Tests

Lerne gängige Analysen zum Vergleich von A/B-Gruppen. Verstehe den passenden Ansatz für jeden Test unter Berücksichtigung seiner Annahmen und Grenzen.

t-Test für unabhängige Stichproben

Stichprobengröße für unabhängigen t-Test

Analyse: unabhängiger t-Test

Mann-Whitney-U-Test

Mann-Whitney-U-Analyse

Power-Analyse für den Mann-Whitney-U-Test

t-Test vs. Mann-Whitney-U-Test

Chi-Quadrat-Unabhängigkeitstest

Stichprobengröße für den Chi-Quadrat-Unabhängigkeitstest

Analyse: Chi-Quadrat-Unabhängigkeitstest

Exakter Fisher-Test

Analyse mit Fisher's Exact Test

Optionen

t-Test

Chi-Quadrat oder Fisher's Exact

Tests auswählen

Gruppen vergleichen

Lerne, Trends und Beziehungen von Variablen in A/B-Gruppen zu analysieren. Verstehe, wie du die Ergebnisse für jedes Publikum bewertest und präsentierst.

Einführung in Korrelationen

Hinweise zur Korrelation

Korrelationskoeffizient

Pearson-Korrelation

Stichprobengröße für Pearson

Prüfen der Pearson-Annahmen

Pearson ohne Berücksichtigung von Gruppen

Pearson innerhalb von Gruppen

Spearman-Rangkorrelation

Spearman-Korrelationsanalyse

Korrelationsoptionen

A/B-Testergebnisse berichten

Die passende Datenvisualisierung wählen

Plots für Analysen

Balkendiagramme für A/B-Designs erstellen

Korrelation und Visualisierung

Zusammenhänge von Variablen

Verstehe die Grundlagen von Regression und Regressionsgeraden. Lerne, Regressionen durchzuführen, Daten auf Basis des Regressionsmodells vorherzusagen und die Ergebnisse visuell aufzubereiten.

Einführung in die lineare Regression

Streudiagramm und Punkte

Fakten zur Regression

Lineare Regression

Lineares Regressionsmodell

Lineare Vorhersagen

Multiple lineare Regression

Logistische Regression

Logistisches Regressionsmodell

Logistische Wahrscheinlichkeiten

Regression visualisieren

Logistisches Diagramm

Linearität

Zusammenfassung

Regression und Vorhersage

absent

covid

webdata

gamedata

SiteSales

A/B-Testing ist ein gängiges Versuchsdesign für die Erforschung menschlichen Verhaltens in Industrie und Wissenschaft. In diesem Kurs lernst du, welche Fragen sich mit A/B-Tests beantworten lassen, welche wichtigen Punkte du dabei beachten solltest, wie du die Fragestellungen analysierst und die Daten visualisierst. Außerdem erfährst du, wie du die benötigte Stichprobengröße bestimmst, passende Analysen für Daten und Hypothese durchführst, ob die Ergebnisse als verlässlich gelten können, und wie du die Resultate einem Publikum unabhängig vom statistischen Hintergrund präsentierst.

A/B-Tests sind ein gängiges Versuchsdesign für die Erforschung menschlichen Verhaltens in Industrie und Wissenschaft. Bei A/B-Tests werden zwei Varianten verglichen, um zu sehen, ob die Messungen unterschiedliche Ergebnisse zeigen und ob die Messungen sich wirklich unterscheiden. Wenn du dich mit A/B-Tests beschäftigst und die Ergebnisse präsentierst, kannst du Entscheidungen und Prognosen auf der Basis von Daten treffen.
<br><br>
<h2>Mach dich mit A/B-Design vertraut</h2>
<br><br>
In diesem Kurs lernst du, welche Fragen mit A/B-Tests beantwortet werden können, was du bei A/B-Tests beachten musst, wie du die Fragen beantwortest und wie du die Daten visualisierst. Du lernst auch, wie du die für ein Experiment erforderliche Stichprobengröße bestimmst, für die vorliegenden Daten und Hypothesen geeignete Analysen durchführst, feststellst, ob die Ergebnisse als zuverlässig angesehen werden können, und die Ergebnisse einem Publikum unabhängig von dessen statistischem Hintergrund präsentierst.
<br><br>
<h2>Lerne, wie du A/B-Testdaten analysierst</h2>
<br><br>
Dieser Kurs behandelt parametrische und nichtparametrische A/B-Tests, wie zum Beispiel t-Tests, Mann-Whitney-U-Tests, Chi-Quadrat-Tests zur Unabhängigkeit, exakte Tests nach Fisher sowie Pearson- und Spearman-Korrelationen. Außerdem schaust du dir für jeden Test eine Leistungsanalyse an.
<br><br>
<h2>Ergebnisse anhand von Daten vorhersagen</h2>
<br><br>
Im Laufe des Kurses lernst du auch, lineare und logistische Regressionen durchzuführen, um anhand von Daten und früheren Erkenntnissen Ergebnisse vorherzusagen.
<br><br>
<h2>Präsentier deine Ergebnisse mit Visualisierungen vor jedem Publikum</h2>
<br><br>
Wenn du diesen Kurs fertig hast, wirst du A/B-Tests richtig gut verstehen, wissen, welche Analysen du damit machen kannst und wie du die Ergebnisse mit Datenvisualisierungen rüberbringen kannst.

Hypothesis Testing in R

Lerne die Grundlagen von A/B-Tests in R: Experimente entwerfen, Daten analysieren, Ergebnisse visualisieren.

A/B-Tests in R

Du lernst die Grundlagen von A/B-Tests in R und erfährst, wie du Experimente planst, Daten analysierst und Ergebnisse visualisierst.

Leistungsstärkste Option für Gruppendifferenzen

Tests auswählen

Interaktive praktische Übung