LoslegenKostenlos loslegen

Intuition hinter statistischer Signifikanz

In dieser Übung erarbeitest du dir ein intuitives Verständnis von statistischer Signifikanz. Dazu nutzt du die Funktion get_pvalue() mit verschiedenen Parametersätzen, die in einem A/B-Test realistisch auftreten oder gewählt werden könnten. Achte dabei darauf, wie sich die Ergebnisse zur statistischen Signifikanz verändern, wenn du die Parameter variierst. Das stärkt deine Intuition für dieses Konzept und zeigt einige der subtilen Fallstricke von p-Werten. Zur Erinnerung: So sieht die Signatur der Funktion get_pvalue() aus:

def get_pvalue(con_conv, test_conv, con_size, test_size):  
    lift =  - abs(test_conv - con_conv)

    scale_one = con_conv * (1 - con_conv) * (1 / con_size)
    scale_two = test_conv * (1 - test_conv) * (1 / test_size)
    scale_val = (scale_one + scale_two)**0.5

    p_value = 2 * stats.norm.cdf(lift, loc = 0, scale = scale_val )

    return p_value

Diese Übung ist Teil des Kurses

Customer Analytics und A/B-Testing mit Python

Kurs anzeigen

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Get the p-value
p_value = get_pvalue(con_conv=____, test_conv=____, con_size=____, test_size=____)
print(p_value)
Code bearbeiten und ausführen